本书基于以RP2040 MCU 芯片为核心的树莓派Pico开发板，利用Pico硬件扩展接口和面包板设计典型硬件电路，并结合MicroPython编程语言讲述了嵌入式系统典型接口技术与应用实例;在介绍机器学习技术基本方法基础上，讲述了树莓派Pico嵌入式机器学习（TinyML）技术与应用实例，介绍了华为AI云ModelArts开发平台构建机器学习模型和Edge Impulse开发平台构建嵌入式机器学习模型等技术。全书具体内容包括AI嵌入式系统基础知识、树莓派Pico开发板硬件基础、Pico开发板MicroPython编程基础、树莓派Pico开发板人机接口技术、树莓派Pico中断与定时技术、树莓派Pico串行通信与网络接口技术、树莓派Pico无线通信技术实践、树莓派Pico电机接口与控制技术实践、机器学习技术基础及实践、嵌入式机器学习技术实践。

本书介绍了人工智能技术的基础，包括智能的产生过程，从原始的机械“智能”到人脑、计算机“脑”、计算机思考方式等，而后讲解了计算机智能是如何发生的，从计算机如何获得知识，到计算机如何思考。后，以刷脸门禁系统和各种智能服务系统为例进行应用举例。 全书共分四单元：、第二单元以门禁为例介绍人工智能技术的基础知识，并在后一小节将刷脸门禁系统制作出来。第三、第四单元以各种实例来介绍人工智能技术在“智能服务”领域的应用。 本书适合作为小学中、高年级的教材或辅助资料，也可供小学科技教师参考。

随着智能时代的到来，人们越来越多的关注人工智能。人工智能为人类提供了多个领域的帮助并赋能社会。本书主题为人工智能与社会，学生通过在线社会、大数据与信息安全、智能生活和智能机器人等四个单元，了解人工智能在人们生活、学习和工作中带来的便利，了解人工智能社会的运作机制。 五年级的孩子具备了一定的学习能力和动手能力，他们可以利用在线网站、应用、小程序和一些硬件来实现对人工智能的体验，从而形成信息意识、计算思维和信息安全意识。

本书从大数据分析的原理、技术和应用的角度，围绕着大数据分析的基础知识、大数据分析平台的核心原理、大数据分析的关键技术、大数据分析的应用四个方面进行讲述，使学生能掌握大数据分析的基本原理和核心技术，同时通过大数据分析在上市公司信用风险预测研究中的应用案例使学生熟悉大数据分析的原理和技术的实际应用，并能搭建大数据分析平台分析大规模数据集。其中，大数据分析的基础知识包括：大数据产生的背景、大数据的概念、特点、价值、大数据带来的思维变革；大数据分析平台的核心原理包括：两种常用开源大数据分析平台――Hadoop和Spark的起源、发展及应用现状，理解两种平台各自的体系架构、基本运行机制及适用范围，掌握其安装部署过程及基本使用方法，为大数据分析的应用打下基础；大数据分析的关键技术包括：Hadoop分布式文件系统、MapReduce并行编程模型、Hadoop 2.0的资源管理调度框架――YARN、大数据的获取和预处理、大数据的聚类和分类算法。

本书采用基于配方的方法完成从数据收集、分析、建模、统计和监视以及部署的基本过程。本书提供来自智能家居，工业物联网和智能设备的真实数据集来训练和评估简单到复杂的模型，并使用经过训练的模型进行预测。本书还介绍了在实施机器学习和深度学习以及其他AI技术（例如自然语言处理、计算机视觉和用于构建智能IoT系统的强化学习）时面临的主要挑战。通过本书读者可以学习如何打包和部署端到端AI应用程序，以及如何将最佳实践解决方案应用于常见的IoT问题。

本书是人工智能和机器学习领域专家多年实践的结晶。它深入浅出地讲解了无代码人工智能开发平台实践，可以激发读者对人工智能的兴趣、学习人工智能知识、明确人工智能要素、掌握人工智能应用流程，并在学习和工作中不断拓展人工智能的应用领域，探索新的人工智能落地应用场景。本书首先介绍了人工智能和无代码人工智能平台EasyDL的基本用法，涉及图像智能分析、文本智能分析、语音智能分析、EasyDL OCR等；然后，重点阐释了人工智能模型调用、人工智能模型部署方面的内容；最后，分析人工智能在各个领域的应用案例并介绍相关的学科竞赛。 本书不仅可以作为高等院校各专业的人工智能通识教育教辅，而且可以作为计算机类、人工智能类专业低年级本科学生的入门教辅。此外，本书也可以作为人工智能比赛参赛人员及对人工智能感兴趣人员的参考书。

本书以系统性地介绍深度学习理论和相关技术应用为目标，对框架实现及多种深度学习模型进行了详细讲解，并且在介绍计算机图形学（CV）和自然语言处理（NLP）任务之外，还会对科学研究、城市监测等方面的范例应用进行讲解。本书知识全面、实用，共10章，内容包括深度学习数学基础，深度学习基础模型（全连接网络、卷积神经网络、循环神经网络和Transformer等）和实现，多场景多领域最佳实践，模型优化、加速与部署等。本书配套有完整的案例源码，获取方式见封底。本书适合有数据分析需求的技术人员、科研人员，以及互联网数据分析人员阅读，还可以作为深度学习培训班及相关专业研究生的教学参考用书。

本书前几章涵盖了DevOps和MLOps的理论和实践，然后介绍了如何设置持续集成和持续交付，接着介绍Kaizen，即对所有事物进行持续改进的想法。与云计算相关的MLOps分为三章，涵盖AWS、Azure 和GCP（谷歌云平台）。之后介绍了机器学习互操作性、构建MLOps命令行工具和微服务。这些主题包括许多具有积极吸引力的尖端新兴技术。结尾介绍了一些真实案例研究，以及执行MLOps时面临的挑战。

一、大致内容：本书主要讲述了深度学习在音乐生成领域的研究意义、具体方法、方向目标、表现力、挑战策略、框架融合等，对于表现力与框架融合方面作了更详细的描述；表现力部分讲了深度学习与音乐生成相结合的方式策略、该领域研究结果的评判标准以及交叉知识的具体体现，是本书籍新颖立意的重要部分。二：特色：将音乐生成和深度学习相融合，是一个新颖研究方向，而本书没有拘泥于使用哪种框架进行实现，而是对比了多种实现方式，提供了多方面的思路，对于后续学者的探究有很强的引导作用。三：读者对象：本书对于对音乐感兴趣的人以及对深度学习前沿方向的学者有好的学习价值，能够开拓他们的视野，对广大的音乐和计算机爱好者均有较大的参考价值。

人类意识与人工智能