人工智能是研究利用计算机系统实现人类智能的理论、方法和技术的学科。本书较系统进介绍了人工智能的基本内容，主要包括人工智能发展的三次热潮、知识与知识表示、推理方式、搜索策略、专家系统、机器学习、神经网络模型、深度学习、计算机视觉、自然语言处理、知识图谱、智能体、群智能算法、生物征识别和智能机器人等。
本书注重基本概念、基本方法和应用实例的介绍，谱言精炼、逻辑层次清晰、透合作为高等学校人工智能”课程的教材，也可以用作科技人员的参考书。

本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内容。 本书可以作为高等学校数据科学与大数据技术或人工智能相关专业的教材，也可作为深度学习爱好者的自学

本书以项目实践作为主线，结合必需的理论知识，以任务的形式进行内容设计，每个任务都包含任务描述及任务实施的步骤，读者按照实施步骤进行操作就可以完成相应的学习任务，从而不断提升项目实践能力。本书主要内容涉及机器学习的基础知识，模型评估与选择，回归、分类、聚类等机器学习算法，数据挖掘的基础知识，数据分析与应用，以及通过用户行为分析预测项目学习如何将机器学习与数据挖掘应用到实际中。 本书适合使用机器学习与数据挖掘技术进行大数据处理的程序员、架构师和产品经理作为技术参考和培训资料，也可作为高校本科生和研究

本书系统介绍了众包学习的概念、应用领域、前沿课题和研究实践。在基础知识方面，本书介绍了众包的起源与发展、众包技术的研究方向，分析众包模式给机器学习带来的机遇与挑战。在前沿技术方面，本书详细阐述了众包标注真值推断与面向众包标注数据的预测模型学习等前沿研究课题。在研究实践方面，本书介绍了面向偏置标注的众包标签真值推断、基于机器学习模型的众包标签噪声处理、众包标签利用方法与集成学习模型、基于不确定性度量的众包主动学习等典型研究案例。

本书以统计/数学为出发点, 介绍深度学习必备的数理基础, 讲解PyTorch的主体架构及最新的模块功能, 包括常见算法与相关套件的使用方法, 例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。

本书是一本深度学习从入门、算法到应用实践的书籍。全书共9章，第1章介绍深度学习基础，主要介绍基本概念和基本算法；第2章介绍深度学习的计算平台，主要介绍深度神经网络计算芯片TPU的架构原理；第3章介绍深度学习编程环境和操作基础，引导零基础读者快速入门Linux操作系统、Python编程语言、TensorFlow和PyTorch深度学习框架，为实现深度学习算法开发及应用部署奠定基础；第4～8章基于卷积神经网络，分别聚焦计算机视觉领域的几大经典任务，包括图像的分类、目标检测、语义分割、实例分割、人脸检

本书全面介绍了统计机器学习的主要算法，内容涉及多元线性回归、对数线性回归、逻辑斯蒂回归、岭回归、Lasso回归、判别分析和聚类分析等传统方法，也涉及支持向量机、深度神经网络以及集成学习等比较热门的算法，并给出相应算法的R语言实现。本书还给出了向量和矩阵函数求导以及拉格朗日对偶等数学基础，便于读者理解相关算法推导。 本书可以作为统计机器学习等相关专业的教材和参考书，也可供从事相关领域研究的人员参考。

人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。本书面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、分析方法、理论思想进行介绍。结合相应组学挖掘的具体研究案例，向读者展示组学人工智能驱动的生命健康交叉研究的绚烂图景。

数据驱动的在线协作学习分析是提升协作学习效果的重要基础，是推动在线学习变革的重要力量。本书系统梳理了学习分析的研究现状，阐释了协作学习的理论基础与研究热点，构建了在线协作学习分析模型——KBS模型，设计了面向学习者和教师的群体感知工具，分别从学习者和教师视角分析了群体感知工具对学习者学习和教师教学的支持与指导，探讨了社会调节学习在协作学习中的发生机制，展望了在线协作学习交互分析的发展趋势，为研究者刻画了协作学习分析领域的最新理论模型与研究进展，具有较强的理论价值与应用价值。

在数字化时代，嵌入式人工智能系统和深度学习等技术变得越来越重要。在嵌入式平台上进行深度学习推理时会受到计算能力、存储空间、能耗等资源限制的挑战。本书从深度学习模型在资源受限的硬件平台上部署的角度，介绍嵌入式AI系统的基本概念、需求、挑战，以及其软硬件解决方案。 本书共分为7章。第1章介绍了边缘计算； 第2章介绍了嵌入式AI系统的基本概念及其面临的需求与挑战； 第3章介绍了嵌入式AI系统的硬件解决方案； 第4~6章介绍了嵌入式AI系统的软件解决方案，包括DNN模型的构建及实现、轻量级DNN模