《物联网智能设备制作》包括物联网智能设备介绍、物联网智能设备制作基础、智能设备通信技术、智能设备PCB 电路板设计、物联网节点-智能光敏继电器制作、物联网节点-智能远距离无线电（Long Range Radio，LoRa）测距设备制作、物联网网关-智能微型气象站制作、物联网网关-STM32 智能开关制作、鸿蒙智能网关制作、智能物联网设备上位机软件设计10章内容。本书是作者多年国内外物联网应用领域科研、教学及生产实践成果的总结。目前，市面上还没有有关物联网智能设备制作的教科书，本书填补了这个

本书的内容包括初识人工智能、机器学习、深度神经网络、知识图谱及应用、智能语言技术及应用、自然语言处理及应用、计算机视觉技术及应用、智能机器人、大数据与商业智能、人工智能之Python基础、人工智能展望等。书中介绍了人工智能的相关知识，并通过案例实现、应用场景、课后习题等内容加深学生对知识点的理解，真正做到理论与实践相结合。

"《人工智能概论——基础理论、编程语言及应用技术（第2版·微课视频版）》从应用出发，系统介绍人工智能的基本理论、方法和技术，以及传统行业AI化改造的解决方案。全书共8章，内容涵盖人工智能概述、Python语言基础、机器学习、计算机视觉及应用、语音识别及应用、自然语言处理、知识图谱及应用和人工智能行业解决方案。 《人工智能概论——基础理论、编程语言及应用技术（第2版·微课视频版）》理论和实践相结合，每章使用思维导图梳理知识点，并配有案例及实现，内容重点突出、结构清晰；案例代码都是基于Python

深度学习目标检测识别技术是人工智能专业当前研究热点，在民用和国防领域都有着重大需求，也是一个巨大的技术难题，在资源受限平台下，目标感知不确定性大、效率低、功耗大。本书旨在通过对智能网络目标识别技术主要原理和方法的介绍，并且结合作者自己多年来智能感知方面的研究成果，对于其他书籍未涉及到的一些前沿研究进行了补充阐述。本书共八章，第一章和第二章介绍了智能目标的发展历史，简介了机器学习的基本概念，归纳了基于统计模式识别问题和基于深度学习目标识别，深入研究了主流深度学习算法的发展过程和技术细节，这部分作为

深度学习是人工智能中的核心问题之一，本书较系统地介绍了深度学习的基本内容，共15章，分别为概述、前馈神经网络、卷积神经网络、循环神经网络、深度残差神经网络、Transformer模型、生成对抗网络、深度信念网络、胶囊神经网络、自编码器、强化学习、脉冲神经网络、迁移学习、元学习和大语言模型。
本书注重基本概念、基本方法、基本模型和基本应用的介绍，并通过应用实例来说明深度学习模型与算法，语言精练，逻辑层次清晰，内容先进实用，可以作为大学深度学习课程的教材，也可以作为应用深度学习的科技

本书内容系统、全面，全书共11章，归结为3部分进行介绍。第1部分主要介绍Python程序设计基础，包括Python的内建数据结构(列表、元组、字典和集合)、Python语句、Python函数、Python面向对象程序设计和Python数据可视化等。第2部分主要介绍Python数据分析基础，包括NumPy工具、Python矩阵运算、Pandas库和Python办公自动化等。第3部分主要介绍Python机器学习算法，包括回归分析、逻辑回归、决策树与随机森林、朴素贝叶斯分类、支持向量机、主成分分

本书是机器学习的入门书，深入浅出地讲解机器学习的基础理论与应用，不仅注重给理论添加浅显易懂的解释和详述，而且探讨何种创新思维或科学思维可以产生或引导出某个理论，让学习者在学习理论过程中自然地培养创新思维与科学思维。本书知识点包括回归分析、k-近邻算法、决策树、贝叶斯分类器、支持向量机、模型性能评估、集成学习、降维方法、聚类、EM 算法与高斯混合模型、神经网络与深度学习等。本书每章都设计手工计算的应用例题，以演示理论解题和计算过程，帮助学习者理解和掌握理论。每章配有编程实践的实例，不仅示范解题的P

本书以智能数据分析技术及其应用路线为核心, 通过翔实的案例和习题,介绍数据存储设计与Acces数据库管理、数据存储中的表与关系、查询、数据分析语言一Python 数值数据智能分析技术、文本数据智能分析技术和人工智能数据分析方法。

本书是一本实验设计教材，编者通过使用传感器及图形化编程完成学科中的实验设计，改变了传统实验中固化的实验方式，让学生体验科学发现的过程，而不仅仅是对最后正确结果的验证； 通过人工智能技术的应用，使学生可以在任何时间、任何地点都能随时对有兴趣的内容进行学习和创新活动，从而形成一个课内外一体化的自主学习实践平台。本书资源包请扫描前言二维码下载。
本书面向中小学理、化、生学科教师以及爱好科技创新的学生，可作为各级教师的培训教材。

本书采用理论与实训案例相结合的形式，深入浅出地介绍了大模型的基础知识。本书共分为8章，内容涵 盖大模型的基础知识、传统语言模型基础知识、神经网络基础知识、大模型的主要技术、大模型的微调与部署、 大模型的应用，以及面对的挑战和未来发展等。

本书不仅适合作为高等院校人工智能、计算机科学与技术或相关专业学习大模型的入门教材，也适合从事相关工作的人工智能爱好者和工程师学习阅读。