本书从人工智能数学建模入手，全面介绍人工智能应用中涉及的数学基础知识，主要包括微积分学初步、线性代数、概率论与数理统计、最优化理论、随机过程、插值与回归，重点介绍基本概念、基本原理及计算，其中涉及的计算大部分由Python实现。同时，本书理论与实践相结合，结合具体案例，介绍如何运用这些数学基础知识来实现人工智能应用中的建模及求解。本书既可作为人工智能类专业教材，又可供其他专业学习数学基础知识，同时可作为广大科技工程人员进一步了解数学知识的参考教材。

暂缺简介...

本书将人工智能的基础知识进行了系统化的介绍，从传统的机器学习的基础知识、经典算法到深度学习的网络模型、应用领域都进行了相应的介绍。 本书共分10个项目。项目1～项目7主要内容有认识人工智能、Python基础、机器学习基础、特征工程及应用、经典算法的实现、神经网络的构建和训练、手写数字识别；项目8～项目10主要内容是综合案例的实施，包括人脸识别、商品情感分析、车牌识别。本书将知识点进行拆解细化，用可视化的形式帮助读者理解抽象的知识点，并配有丰富的代码，在反复实践中理解、升华，理论与实践相结合，助力读者锻炼编程思维和提升编程能力。

本书以2022世界人工智能大会开幕式和全体会议的嘉宾演讲内容为主，围绕“多元宇宙，智启新篇”“前沿探索，互促共进”“元力无限，赋能百业”及“虚实融合，洞见未来”等主题，全面展现世界人工智能前沿观点洞察和最新发展态势。

机器学习是人工智能的一个方向。它是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动，从现有大量的数据中学习，利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点；第2章搭建机器学习开发环境，主要包括anaconda\pycharm\python软件的安装及使用，以及常见机器学习库的介绍和安装使用方法；第3章介绍了监督学习的4个经典算法：线性回归、决策树、k近邻和支持向量机算法，其重点在算法的应用；第4章介绍了主成分分析降维算法、Kmeans聚类算法；第5章介绍人工神经网络基础，并通过房价预测和手写数字识别实例进行验证；第6章介绍强化学习的基本概念，有模型学习和无模型学习，最后介绍了Q-Learning算法和Sarsa算法。本书由人工智能技术专业教师和英特尔FPGA中国创新中心的工程师们合力编写，讲解了大量的具体程序案例，涵盖大部分机器学习算法，教师和学生可以根据应用需求，选择对应的知识点和算法。本书所有程序均已经在英特尔FPGA中国创新中心AILab实训平台上验证实现。本书可作为高职高专院校电子信息类相关专业教材，也可作为科技人员的参考用书。

本书图文并茂，结合项目案例，以实践活动为主线组织编排，将理论知识与实践项目有机结合；习题设计多样，题型丰富，并注重加强综合性的练习，实现"便于教，易于学”的授课目的。 本教材共6个项目，项目一为"三维全景技术基础”，介绍了全景摄影设备和摄影基础等知识；项目二为"全景图拍摄”，介绍了全景图拍摄技术和室内外的全景图拍摄流程；项目三为"全景图合成”，介绍了全景图的合成制作技术；项目四为"全景视频制作”；项目五为"VR全景漫游制作”；项目六为"旅游景点VR全景制作——以沙湾古镇为例”，以综合案例的形式介绍了VR全景项目的全流程。

这是一本综合介绍知识图谱构建与行业实践的著作，是作者多年从事知识图谱与认知智能应用落地经验的总结，得到了多位知识图谱资深专家的推荐。本书以通俗易懂的方式来讲解知识图谱相关的知识，尤其对从零开始构建知识图谱过程中需要经历的步骤，以及每个步骤需要考虑的问题都给予较为详细的解释。本书基于实际业务进行抽象，结合知识图谱的7个构建步骤，深入分析知识图谱技术应用以及8个行业综合案例的设计与实现。全书分为基础篇、构建篇、实践篇，共16章内容。基础篇（第1章），介绍知识图谱的定义、分类、发展阶段，以及构建方式、逻辑/技术架构、现状与应用场景等。构建篇（第2～8章），详细介绍知识抽取、知识表示、知识融合、知识存储、知识建模、知识推理、知识评估与运维等知识图谱构建的核心步骤，并结合实例讲解应用方法。实践篇（第9～16章），详细讲解知识图谱的综合应用，涵盖知识问答评测、知识图谱平台、智能搜索、图书推荐系统、开放领域知识问答、交通领域知识问答、汽车领域知识问答、金融领域推理决策。

这是一本能指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，本书提供了全栈解决方案。第1版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为PyTorch领域的标准著作。第2版在第1版的基础上，去芜存菁，与时具进，根据PyTorch新版本全面升级，技术性、实战性、针对性、丰富性、易读性均得到了进一步提升，必定能帮助读者更轻松、更高效地进入深度学习的世界。全书一共19章，在结构上分为三大部分：第1部分（第1~4章） PyTorch基础首先有针对性地讲解了Python和PyTorch的基石NumPy中的关键知识，然后详细讲解了PyTorch的基础知识、神经网络工具箱和数据处理工具箱等内容，帮助读者快速了解和掌握PyTorch。第二部分（第5~10章） 深度学习基础依次讲解了机器学习、视觉处理、自然语言处理、注意力机制、目标检测、语义分割、生成式深度学习等机器学习和深度学习的核心技术的原理和使用。第三部分（第11~17章） 深度学习实践通过实战案例的方式，详细讲解了PyTorch在人脸检测和识别、迁移学习、中英文互译、图像分类、语义分割、生成式网络、对抗攻击等领域的应用和解决方案。第四部分（第18-19章） 强化学习重点介绍了强化学习和深度强化学习的基础理论、常用算法及相关实例。更为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。

暂缺简介...

“人工智能超入门丛书”致力于面向人工智能各技术方向零基础的读者，内容涉及数据思维、机器学习、视觉感知、情感分析、搜索算法、强化学习、知识图谱、专家系统等方向，体系完整、内容简洁、文字通俗，综合介绍人工智能相关知识，并辅以程序代码解决问题，使得零基础的读者快速入门。 《视觉感知：深度学习如何知图辨物》是“人工智能超入门丛书”中的分册，本分册主要介绍人工智能视觉领域的相关知识，以通俗易懂的文字风格，解读用卷积神经网络等深度学习算法及机器学习算法对图像进行分类和识别的方法，介绍OpenCV在图像处理中的基础知识，为进一步学习高阶内容奠定基础。同时，本书配有关键代码，让读者在学习过程中快速上手，提升解决问题的能力。 本书可以作为大学生以及想要走向计算机视觉相关工作岗位的技术人员的入门读物，同时，对人工智能感兴趣的人群也可以阅读。