本书较为全面地介绍了人工智能边缘设备的基础概念、技术栈和应用开发等内容，以企业用人需求为导向，以岗位技能和综合素质为核心，通过理论与实战相结合的方式，旨在培养具备人工智能边缘设备基础认知，掌握人工智能模型选择、部署和推理方法的应用型人才。
全书共三篇：第一篇（模块1~4）为基础篇：人工智能边缘设备开发入门，着重讲解人工智能与边缘计算的概念、人工智能边缘设备的挑战与发展、操作系统、硬件基础；第二篇（模块5~7）为进阶篇：人工智能边缘设备应用技术，着重讲解人工智能边缘设备软件、算法、

近些年来，在深度学习的推动下，人工智能步入新的发展阶段。然而，随着深度学习模型性能的提升，其计算复杂度也在不断增加，深度学习模型的运行效率面临巨大挑战。在这种情况下，深度学习高效计算成为在更大范围内应用人工智能的重要环节。本书围绕深度学习模型计算，重点从深度学习模型优化、算法软件加速、硬件架构设计等方面展开介绍深度学习高效计算，主要包括低秩分解、剪枝、量化、知识蒸馏、精简网络设计与搜索、深度神经网络高效训练、卷积神经网络高效计算、大模型高效计算、神经网络加速器设计等内容。

"《融合数字电路与存内计算的高能效神经网络处理器（英文版）》从纯数字电路和融合存内计算的高能效神经网络处理器两个角度开展了四项主要的研究工作。
在数字电路神经网络处理器层面，一方面针对传统架构数据复用优化不充分的问题，提出了针对特定卷积核优化的卷积神经网络处理器 KOP3。另一方面，针对不规则稀疏网络压缩技术引起的显著额外功耗面积开销，采用结构化频域压缩算法 CirCNN，提出整体并行-比特串行的 FFT 电路、低功耗分块转置 TRAM 和频域二维数据复用阵列，以规则的方式压缩了存储和计算

“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，内容涉及数据素养、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。本丛书体系完整、内容简洁、语言通俗，综合介绍了人工智能相关知识，并辅以程序代码解决问题，使得零基础的读者能够快速入门。
《强化学习：人工智能如何知错能改》是“人工智能超入门丛书”中的分册，以科普的形式讲解了强化学习的核心知识，内容生动有趣，带领读者走进强化学习的世界。本书包含强化学习方向的基础知识，如动态规划、时序差分等，让读者在开始

新质生产力具有以数字化、网络化、智能化新技术为支撑，以数据为关键生产要素，以科技创新为核心驱动力等鲜明的时代特征。人工智能是新质生产力的典型代表，是推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量。加快形成新质生产力，要牢牢抓住人工智能这个“牛鼻子”，以实现经济社会各领域各环节智能化转型升级。但也要看到，技术不稳定性使得人工智能在与社会深度融合的过程中面临多维度风险，而培育新质生产力也需要防范“忽视、放弃传统产业”“一哄而上、泡沫化”等认识误区和实践偏差。正如习近平总书记所强调

《AI训练师手册：算法与模型训练从入门到精通》内容系统、全面，实例丰富，共有10章，包括51个实操案例解析和80个行业案例分析。通过学习《AI训练师手册：算法与模型训练从入门到精通》，读者可以从零开始，逐步掌握人工智能的核心技术，成为合格的AI训练师。《AI训练师手册：算法与模型训练从入门到精通》附赠了同步教学视频＋PPT 教学课件＋素材＋效果＋AI提示词等资源。
书中内容从技能线和案例线展开介绍，具体内容如下。
技能线：从人工智能的相关技术入手，不仅介绍了AI训练师的

本书的目标是向你介绍图数据结构、图分析和图机器学习的概念、技术和工具。每章的开头都列出了目标，大致分为三个方面：学习图分析和机器学习的概念；用图分析解决特定问题；了解如何使用GSQL查询语言和TigerGraph图平台。首先介绍图数据的基本概念，然后通过连接、分析、学习三大部分深入讲解一些图算法和机器学习技术。

本书从机器学习的基本概念出发，系统地介绍了各种机器学习算法的原理与应用。书中强调了算法在实际问题中的应用与案例分析，通过完整的解决步骤和结果展示，使读者能够充分掌握算法建模的技术。本书涵盖了监督学习、无监督学习、半监督学习等主要机器学习算法。

"《机器学习项目成功交付》详细阐述了与机器学习成功交付相关的基本知识，主要包括项目前期，开始工作，深入研究问题，探索性数据分析、道德和基线评估，使用机器学习技术制作实用模型，测试和选择模型，系统构建和生产，发布项目等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。"

"本书循序渐进地介绍了深度学习的基础知识与常用方法，全面细致地提供了深度学习操作的原理和在深度学习框架下的实践步骤。本书共分为三部分，理论基础、实验和案例。第一部分理论基础，包括第1~7章，主要介绍深度学习的基础知识、深度学习在不同领域的应用、不同深度学习框架的对比以及机器学习、神经网络等内容； 第二部分实验，包括第8~9章，主要讲解常用深度学习框架的基础以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第三部分案例包括第10~17章，通过8个案例介绍深度学习在图像分类、目标