《人工智能时代的教育技术及应用》一书对人工智能和教育的融合与应用进行了探讨和分析，以期为教育的变革与创新发挥力量。本书包括五章内容，第一章对人工智能的基本理论及其对教育的影响和挑战进行了概述；第二章探讨了人工智能时代教育行动的五个方向，分别是养成信息化思维、发挥信息处理天赋、提升信息处理能力、提高信息处理效率以及适应信息更新速度；第三章是大数据技术在现代教育中的应用；第四章是机器学习技术在教育中的应用；第五章是VR技术在教育中的应用。

本书用科普化的语言介绍了搜索、计算机视听觉、自然语言处理、机器学习、多模态信息处理等人工智能系统中的基础算法和数学模型，它们是实现人工智能的基础。展示了人工智能的底层逻辑，人工智能工作的基本规律。让读者真正搞懂如何给机器装上眼睛和耳朵、如何让机器理解人类语言、如何让机器拥有知识、如何让机器懂逻辑会推理、如何使机器人的言行符合人类的规范。

本书聚焦于大模型技术在企业中的实际应用，帮助读者应用大模型为企业降本增效。全书共6章：初识大模型、大模型产品生态圈、大模型的技术原理、企业如何部署和应用大模型、企业大模型项目的实施方法、大模型企业应用实践。本书提供了详细的大模型选型和建设标准，旨在为企业提供一份清晰的大模型建设指南，帮助读者了解如何建设、部署和应用大模型。本书详细介绍了企业大模型项目的实施方法，从项目规划到工程化部署，并通过具体的企业应用实践案例，展示了大模型在基座型基础设施、企业知识中台、业务知识库、智能体及个人办公

本书深入探讨了四元数神经网络在表情识别任务中的突破性应用。与传统神经网络模型相比，四元数神经网络在处理复杂情感信息时展现出了更强特征分析能力和更低计算量的双重优势。书中内容主要展现这一前沿技术在特征表示、数据融合和信息处理上的巨大潜力，以及如何在表情识别任务中显著提升精度与效率。本书所有的内容都充分结合理论分析与实证研究，详尽阐述了四元数神经网络的架构设计与实验效果，同时探讨了该技术在课堂教学和投资消费场景的适用性。最后，通过实际案例展现了四元数神经网络在模型性能提升与复杂数据处理方面

机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力，但仍面临一大障碍——计算机无法解释其预测结果。因此，本书旨在阐明如何使机器学习模型及其决策具有可解释性。本书探索了可解释性的概念，介绍了许多简单的可解释模型，包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法，用于解释黑盒模型（如特征重要性和累积局部效应），以及用Shapley 值和局部代理模型解释单个实例预测。此外，本书介绍了深度神经网络的可解释性方法。本书深入解释并批判性地讨论所有的可解释方法，如它们在黑盒下的运作机制

在人工智能飞速发展的今天，大众对于这一前沿技术仍感神秘且难以窥探其深。为此，本书针对人工智能的核心问题进行了深入剖析，旨在帮助读者揭开其神秘面纱。
　　本书的主要内容围绕以下问题展开：什么是人工智能？人工智能能否解释其决策？它能否承担法律责任？它是否具有代理权？人类应该保留对这类系统的何种控制权，是否取决于所做决策的类型？如今数据共享比10年前更容易也更普遍，我们是否需要对隐私法进行根本性的反思？我们如何应对通过针对性政治广告进行操纵的潜在可能？政府在使用决策工具方面与产业界是否有所不同？

本书介绍了解贝叶斯神经网络的基本原理, 了解不同的关键BNN实现/近似之间的权衡, 了解概率DNN在生产背景下的优势, 指导如何实现各种BDL方法, 以及如何将这些方法应用于现实世界中的问题, 了解如何评估BDL方法并为特定任务选择最佳方法。通过本书, 读者将了解预测任务中不确定性估计的重要性, 并将了解各种用于产生原则性不确定性估计的贝叶斯深度学习方法。读者将在这些方法的实施过程中得到指导, 并将学习如何选择和在现实世界中应用贝叶斯深度学习方法。在本书结束时, 读者将对贝叶斯深度学习

人工智能和机器学习受数据驱动的趋势日益明显。仿真技术不仅强大，而且魅力无穷，有望释放两者的全部潜能。本书的主要内容有：用Unity引擎和仿真技术，解决机器学习和人工智能问题。用游戏引擎合成图像训模。创建仿真环境，训练强化学习和模仿学习模型。采用PPO等高效通用算法解决基于仿真的机器学习问题。用不同方法训练多种机器学习模型。用PyTorch、Unity ML-Agents和Perception工具集，打通机器学习工具和业界标准游戏开发工具。

本书在介绍机器学习和通信辐射源个体识别的基本概念与研究现状的基础上，用机器学习领域最新的理论成果去解决通信辐射源个体识别存在的具体问题，系统阐述了流形学习、稀疏表示、深度学习、浅层学习等机器学习方法在通信辐射源个体识别中应用的最新研究成果。

通过“特征工程”技术, 可优化训练数据, 提升机器学习流程的输出效果! “特征工程”基于现有数据设计相关的输入变量, 由此简化训练过程, 增强模型性能。调整超参数或模型的效果都不如特征工程; 特征工程通过改变数据管道, 大幅提升了性能。本书列举6个实用项目, 引导你利用特征工程优化训练数据。每章探讨一个代码驱动的新案例研究, 涉及金融、医疗等行业。你将学会清洗和转换数据, 学会减少偏见。本书呈现各种性能提升技巧, 涵盖从自然语言处理到时间序列分析等所有主要机器学习子领域。