《概率图模型原理与应用：第2版》分为4部分：第Ⅰ部分给出PGM的总体介绍和动机，并回顾概率论和图论的必要背景知识；第Ⅱ部分描述不考虑决策或效用的模型：贝叶斯分类器、隐马尔可夫模型、马尔可夫随机场、贝叶斯网络、动态和时态贝叶斯网络；第Ⅲ部分首先简要介绍决策理论，然后描述支持决策的模型，包括决策树、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程；第Ⅳ部分对标准PGM进行了扩展，包括关系概率图模型和因果图模型（因果推理和因果发现），还对深度学习及其与PGM的关系进行介绍。

本书将理论融入贴近生活的案例之中，深入浅出，丰富有趣。例如，通过AI判定美味的红酒、自动识别邮政编码、从视频中检测特定场景、判断SNS上的垃圾邮件投稿、通过识别照片上的物体自动判断新闻报道类型、通过食物照片调查热量等等。

本书主要介绍了智能计算技术相关的理论方法与关键技术，并对典型的应用领域与平台也进行了相关介绍和讨论。全书共10章，简要介绍智能的起源、智能与计算等研究背景及意义，详细介绍了机器学习、深度学习等模型与算法及其应用，着重介绍了图神经网络模型、网学习模型、神经网络架构搜索和大数据资源服务等技术，并面向智能交通和网络交易支付等领域和场景详细介绍了智能技术相关的应用。

本书主要介绍移动机器人的分类、直流电机及其控制、控制理论概述、移动机器人控制技术、SLAM技术、用SLAM技术构建自主移动机器人控制系统等。内容由浅入深，既介绍了不同控制方法的优缺点，又针对不同的控制方法提出有待研究的课题。

本书较全面地阐述了人工神经网络的理论知识，介绍了多种经典的人工神经网络模型结构、学习算法和实际应用。本书共11章，第1章介绍人工神经网络的定义、发展、生理学机理、神经元模型、拓扑结构、学习算法等；第2章介绍感知机的基本原理、学习算法及应用；第3章介绍多层前馈神经网络的基本原理、学习算法及应用；第4章介绍不同正则化理论、相应神经网络及应用；第5章介绍不同极限学习机模型、支持向量机及应用；第6章介绍形态神经网络的模型结构、学习算法、鲁棒性分析及应用；第7章介绍自组织映射和核自组织映射的基本原理及应用；第8章介绍典型卷积神经网络的模型结构和基本原理，阐述卷积神经网络的变体及应用；第9章介绍基本的生成对抗网络、自注意生成对抗网络、进化生成对抗网络、迁移学习和对抗领域自适应等网络模型，阐述生成对抗网络的学习算法、训练技巧及应用；第10章介绍长短时记忆网络和递归神经网络的模型、学习算法及应用；第11章介绍模糊神经网络，包括模糊集合和模糊逻辑的基本概念和运算，模糊神经网络的模型结构、性能分析、学习算法及应用。本书可作为计算机科学与技术、软件工程、人工智能、智能科学与技术、生物医学工程等专业本科生和研究生的教材或参考书，也可供相关领域关注人工神经网络理论及应用的工程技术人员和科研人员学习参考。

这是一本基于Python和TensorFlow的全栈式的深度学习指南，基础和理论讲解全面，原理和拓展分析深入，应用和实践也极具实战性，是多位人工智能和大数据领域的专家多年经验的结晶。 全书一共24章，在结构上分为四大部分： 第一部分 TensorFlow基础 详细讲解了TensorFlow的数据处理基础以及它的各种常用功能。 第二部分 深度学习基础 这部分想想讲解了深度学习、机器学习、NLP、神经网络、目标检测、生成式对抗网络等深度学习技术。 第三部分 深度学习实践 通过人脸识别与检测、目标检测与识别、文本检测与识别、人机对话、文本生成、图像处理等方面的案例详细讲解了TensorFlow的用法。 第四部分 强化学习 详细讲解了强化学习的基础和算法。

本书全面介绍优化理论，重点介绍设计工程系统的实用算法。

人工智能时代已经来临，这项技术正在改变人类的认知和生活，也对实体经济造成了重大影响。本书先介绍了与人工智能相关的理论知识，再一一讲述人工智能与5G、物联网、区块链等技术的融合；应用篇主要讲述了人工智能的实战场景，分析人工智能在制造、教育、金融、新零售、医疗健康、社交娱乐等领域的应用情况；落地篇讲述了AI行业的入局之道，为想入局AI行业的公司提供指导思路。

在人工智能时代下，本书将带领读者通过学习一些简单的计算机数据结构和相关算法，来提高使用编程语言的能力，从而探索更加广阔的编程世界。本书主要介绍了线性表、栈与队列、递归、搜索和排序、树、图等常用的数据结构和算法的概念和*基本的应用。本书引入了各种各样的生活知识来类比，并充分运用图形语言来体现抽象内容，对数据结构所涉及的一些经典算法逐行分析、多算法比较。本书有趣易读，算法讲解细致深刻，是一本非常适合算法入门的读物。 \n本书可作为青少年的自学参考书，也可作为中学生学习人工智能所应用的算法的参考教材。 \n

人工智能是一门发展极其迅速且内容丰富的学科，其众多分支领域都值得大家去 探索和学习。 本书分为基础篇和进阶篇两个篇章。 其中，基础篇内容包括了人工智能 的基本概念、人工智能的发展历史、计算机与环境感知、简单几何形状的识别、人工智 能搜索算法；进阶篇则包括大数据的定义、知识与推理、回归与分类、深度学习网络、感 知信息处理。 此外还有配合知识学习的课程实践，包括图形匹配以及微缩车倒车入库 等实验。 本书与《人工智能基础与进阶（犘狔狋犺狅狀编程）》共同形成一套适合人工智能初 学者的教材，同时也适合广大对人工智能相关领域感兴趣的读者 \n