本书是以实验案例方式而组织的, 全书共给出了21个人工智能实验案例, 覆盖了人工智能课程涉及的主要内容, 包括搜索求解、逻辑推理、贝叶斯网络、马尔可夫决策、监督学习、非监督学习、强化学习等各个方面, 也包含了深度神经网络技术。为了便于教学, 每个实验案例对实验的内容、背景和目标进行了明确阐述, 对所涉及的理论基础及算法也进行了详细介绍, 并提供了相应的Python语言代码。

本书从适应教学研究型大学的要求出发，以经典控制理论为主，较系统地介绍了自动控制理论的基本内容，着重于基本概念、基本理论、基本分析方法及典型应用。本书共8章，包括：引论、控制系统的数学模型、时域分析法、根轨迹分析法、频域分析法、控制系统的校正、非线性系统分析、离散控制系统等。本书重点突出，叙述深入浅出，文字简明流畅，实用性强。书中除有一般性的例题和习题外，另有典型实例贯穿教材始终，每章还附有综合性的例题精解以及MATLAB在控制系统分析和设计方面的应用。每章都设有导读和小结，便于学生学习

本书系统地介绍了自动控制理论的基本内容，并注重阐述基本理论、基本概念和综合分析方法。本书共分9章，主要内容包括：绪论、自动控制系统的数学模型、时域分析法、根轨迹分析法、频率分析法、控制系统的校正、离散控制系统以及现代控制理论基础的部分内容与非线性系统分析。本书重点突出，层次分明，理论联系实际。各章不仅介绍MATLAB相关应用的内容，而且有一定数量的典型例题分析。

本书围绕人工智能的基础、模型和应用介绍Python编程语言，最终实现基于RNN和CNN的人工智能典型应用。具体内容包括：Python编程基础、Python编程进阶、人工智能概述、人工智能实践四个模块。Python编程基础模块包括Python的基本语法和数据结构，Python编程进阶包括面向对象编程、数值计算和可视化，为实现人工智能模型与应用打下基础；人工智能概述部分在简单介绍机器学习流程的基础上，基于numpy实现线性回归和逻辑斯蒂回归，使得读者对机器学习有感性和深入的认识；在人工智能实践部分，

本书主要内容分为三部分，逐步引导学生由浅入深、由简到难地学习。第一部分是环境基础教学，包括第1、2章，分别是实验环境搭建和Python编程语言基础；第二部分是机器学习，包括第3～11?章，详细介绍了机器学习的核心算法原理及相关实战案例，如利用隐形眼镜数据集构建随机森林模型来预测适合客户的隐形眼镜类型、基于朴素贝叶斯分类算法实现年收入预测、采用支持向量机算法预测泰坦尼克号人员存活率；第三部分是深度学习，包括第12～16章，重点介绍深度学习基础知识和不同经典网络原理及相关实战案例，如利用卷积神经网络

全书共四篇，第一篇：人工智能基础。主要内容包括绪论、知识表示、自动推理、搜索求解策略。第二篇：人工智能热点技术。主要内容包括机器学习、深度学习、自然语言处理、图像和视频处理、智能计算。第三篇：人工智能技术的应用。主要内容包括智慧交通、智能机器人、智慧航空、智慧生态保护。第四篇：人工智能安全关切及未来展望。主要内容包括人工智能安全、元宇宙与人工智能、人工智能发展趋势。是一本基础性强、实用性好、易于教学开展的人工智能教材。

《现代人工智能技术》对现代人工智能的理论、算法、框架及应用进行了全面、系统的论述,剖析了人工智能研究领域的前沿学术成果,涵盖了机器学习、深度学习、强化学习以及联邦学习等诸多方向。读者通过学习本书,能够掌握人工智能的基本知识,并能了解人工智能研究的一些前沿内容,为进一步学习人工智能理论与应用奠定基础。全书共分为9章,分别为绪论、知识表达、推理方法、智能算法、机器学习、神经网络、深度学习、强化学习、联邦学习。
本书可作为计算机类、自动化类、电气类、电子信息类专业的本科生、研究生学习人工智能课程

本书共5个项目，内容包括边缘计算开发板基础应用、边缘计算算法SDK应用、TensorFlow图像上色模型部署、PyTorch目标检测模型部署、TFLite手掌检测模型部署。本书根据岗位工作任务要求，确定学习任务内容，设计选取了14个工作任务。

本教材总结了人工智能的发展历程和取得的阶段性成果，涵盖了人工智能主要的两大类内容：符号主义和联接主义，重点阐述了人工智能经典理论和方法，补充完善了丰富的人工智能新技术。内容包括：绪论、知识表示和逻辑推理、搜索技术、进化算法和群智能算法等传统的人工智能范畴，以及机器学习、强化学习、自然语言处理等人工智能的新技术。

"机器学习和深度学习是人工智能领域开展科学研究的核心前沿理论，本书以“理论算法”为基础核心，以“实践案例”为创新驱动，帮助读者在了解机器学习和深度学习发展前沿的基础上，掌握基本核心知识，深刻理解应用案例，加深实践开发要素理解，夯实人工智能领域核心理论算法。全书共12章内容。第1章“绪论”，第2章“线性模型”，第3章“决策树”，第4章“贝叶斯分类器”，第5章“支持向量机”，第6章“聚类”，第7章“神经网络”，第8章“卷积神经网络”，第9章“循环神经网络”，第10章“生成对抗网络”，第11