本书为深圳信息职业技术学院等高职院校与腾讯集团共同编写的高等职业教育人工智能技术服务专业校企“双元”合作系列教材之一，同时也是高等职业教育计算类课程新形态一体化教材。 本书采用图形化方式介绍人工智能的发展历史、相关知识、技术及应用，并借助生动的小游戏、图形化展示和图形化人工智能软件，帮助读者熟悉并掌握基本的人工智能相关知识和应用技能。全书可分为3部分，第1章介绍人工智能的起源、发展以及相关概念等；第2至10章结合图形化人工智能软件，讲述各种机器学习算法，让读者快速上手并实践机器学习模型；第11至13章通过使用生动的图示以及经典的吃豆人小游戏，讲述了搜索算法到强化学习的发展，内容包括各种经典的搜索算法，马尔可夫决策过程和强化学习。 本书配有微课视频、课程标准、教学设计、授课用PPT、习题答案等数字化学习资源。与本书配套的数字课程“人工智能导论”已在“智慧职教”网站（www.icve.com.cn）上线，学习者可以登录网站进行在线学习及资源下载，授课教师可以调用本课程构建符合自身教学特色的SPOC课程，详见“智慧职教”服务指南。教师也可发邮件至编辑邮箱1548103297@qq.com获取相关资源。 本书适用作为高职高专及应用型本科院校人工智能相关课程的教材，也可以作为从事人工智能应用开发的人员的参考书。

本书从虚拟偶像的发展历程和制作流程入手，通过通俗的语言和多方位的视角，介绍了2D\\3D建模工具和深度学习框架TensorFlow与Pytorch在虚拟偶像制作中的应用，原理与实践并重，同时结合大量实际范例讲解如何建模、AI表情动作迁移以及人机交互等制作虚拟偶像的完整流程。从拟真人的人物建模到表情动作的实时捕捉，再到传输到动作引擎中驱动人物动作，向读者展现了人工智能技术的强大与魅力。 本书深入浅出，实操性和系统性强，适合有一定IT背景并对虚拟产业关注的广大读者使用。

人工智能是一门研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的新的技术科学，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方面。本书第1章主要讲解了人工智能的重要概念、发展现状和相关技术等，为下文进一步研究人工智能打基础；第2章对人工智能目前主要用到的Python进行了简单的介绍，有利于下文程序的编写；第3章介绍了机器学习，主要对机器学习的常用算法、卷积神经网络和循环神经网络进行了深入的阐释；第4～11章详细讲解了8个人工智能应用案例。本书特色鲜明、内容易读易学，适合作为相关专业的大学生，以及不具有人工智能研究背景，但是想要快速补充人工智能知识，以便在实际产品或平台中应用的工程师等人员的参考书。

《人工智能——何时机器能掌控一切》共12章，从历史、社会、哲学和人文等多学科角度审视人工智能技术的过去、现在和未来；既涵盖了逻辑运算等经典的人工智能算法，又引入了量子计算等前沿的人工智能技术；既强调了人工智能对人类生活和社会各个方面的正面促进作用，又指出了其高能耗等缺点。 通过阅读《人工智能——何时机器能掌控一切》，零基础的读者可以快速了解人工智能的概念、历史和发展趋势；略知一二的入门者可以深入学习人工智能的常用算法和技术；经验丰富的从业人员则可以通过《人工智能——何时机器能掌控一切》的多学科视角更加全面地认识人工智能对于社会和历史影响。

本书从计算思维的角度出发，以人工智能相关问题为引导，在解决实际案例问题的过程中植入知识点，为各专业的学生在今后设计、构造和应用各种计算系统，求解本学科的问题奠定基础。全书内容包括计算与计算思维、程序设计与算法、人工智能与智能计算、网络与大数据这四大部分。本书适用于高等院校一年级新生的计算机导论等信息技术类基础课程，可作为高等院校计算机基础课程的教材，也可作为“计算与人工智能概论”课程的教材，还可作为计算机基础培训的教材和自学参考书。

本书从强化学习的基础知识出发，结合PyTorch深度学习框架，介绍深度强化学习算法各种模型的相关算法原理和基于PyTorch的代码实现。作为一本介绍深度强化学习知识的相关图书，本书介绍了常用的强化学习环境，基于价值网络的强化学习算法和基于策略梯度的强化学习算法，以及一些常用的比较流行的深度强化学习算法（如蒙特卡洛树搜索）等。另外，还介绍了深度强化学习算法在实际问题中的一些应用。

本书针对集群无人机体系可靠性这一复杂问题，分析集群行为下无人机体系的演化和运行规律、任务变化和功能时变规则，介绍集群无人机任务参数与模型、集群无人机体系可靠性参数与模型以及集群无人机可靠性评估等方面的研究工作与成果。本书共10章。第1章概述了集群无人机研究现状；第2章给出了集群无人机体系可靠性建模与评估问题的研究框架；第3章到第5章对集群无人机任务参数、集群无人机任务系统概念建模和集群无人机任务参数建模的研究进行了介绍；第6章到第8章给出了集群无人机体系RMS参数与模型构建方法；第9章和第10章提出了集群无人机体系RMS三类评估方法，并给出了基于综合研讨厅的集群无人机体系RMS评价系统的设计方法。 本书可供高等院校无人机工程、可靠性系统工程、装备保障工程等相关专业的本科生和研究生阅读，也可供对集群无人机任务与可靠性问题感兴趣的研究人员和工程技术人员参考。

深度学习是基于多层神经网络的机器学习的一个子集，可以解决自然语言处理和图像分类等领域中特别困难和大规模的问题。《Apache Spark深度学习实战》解析了技术和分析部分的复杂性，以及在Apache Spark上实施深度学习解决方案的速度。书中首先介绍了Apache Spark和深度学习的基础知识，包括为深度学习设置Spark，学习分布式建模的原理，了解不同类型的神经网络，深度学习中数据的提取、转换和加载，数据流的应用；然后介绍了在Spark上实现CNN、RNN和LSTM等深度学习模型，使用Spark训练神经网络，监控与调试神经网络的训练，神经网络的评估，在分布式系统上部署深度学习应用，自然语言处理基础，文本分析和深度学习，卷积和图像分类；最后对深度学习未来的发展作了一个简要概括。另外，书中还使用DL4J（大部分）、Keras和TensorFlow等流行的深度学习框架实现和训练分布式模型。学完本书，读者可获得理解和处理复杂数据集所需的实践经验。本书适合Scala开发人员、数据科学家或数据分析师学习，也适合所有想使用Spark实现高效深度学习模型的人工智能相关专业的学生和开发人员。

本书是一本体系完整、综合全面介绍中小学人工智能相关内容的书籍。本书涉及人工智能的历史与发展，中小学人工智能战略定位、课程体系建设、计算思维，编程、机器人、知识工程、搜索算法、机器学习、深度学习、人工智能+X、人工智能对教育赋能、人工智能道德伦理与法律以及人工智能未来发展的展望等相关内容。本书可以作为中小学教师教授人工智能课程的辅助书籍，也适合对中小学人工智能教育感兴趣的广大读者阅读使用，还可以作为广大读者系统了解人工智能相关知识的参考用书。

《PyTorch开发入门：深度学习模型的构建与程序实现》以PyTorch为主要内容，介绍了其安装和实际应用，共7章。其中，第1章介绍了PyTorch的包结构；第2章介绍了线性模型，并通过PyTorch的实际使用来实现线性回归模型和逻辑回归模型；第3章介绍了神经网络，实际使用PyTorch创建一个多层感知器（Perceptron）；第4章介绍了通过卷积神经网络（CNN）进行的图像处理，通过PyTorch实际进行CNN的图像分类，低分辨率图像到高分辨率的转换，使用深度卷积生成对抗网络（DCGAN）进行新的图像生成以及迁移学习；第5章介绍了通过循环神经网络（RNN）进行的自然语言处理，通过PyTorch实际进行文本的分类和文本的生成以及基于编码器-解码器模型的机器翻译；第6章介绍了矩阵分解以及推荐系统的神经网络构建；第7章介绍了PyTorch模型的应用程序嵌入，WebAPI的实际创建，Docker的打包发布，以及基于*新开放神经网络交换（ONNX）标准的模型移植。