本书主要内容分为三部分，逐步引导学生由浅入深、由简到难地学习。第一部分是环境基础教学，包括第1、2章，分别是实验环境搭建和Python编程语言基础；第二部分是机器学习，包括第3～11?章，详细介绍了机器学习的核心算法原理及相关实战案例，如利用隐形眼镜数据集构建随机森林模型来预测适合客户的隐形眼镜类型、基于朴素贝叶斯分类算法实现年收入预测、采用支持向量机算法预测泰坦尼克号人员存活率；第三部分是深度学习，包括第12～16章，重点介绍深度学习基础知识和不同经典网络原理及相关实战案例，如利用卷积神经网络

ChatGPT、文心一言、MidJourney等AI大语言模型融入了人们的日常工作、学习和生活，学习如何用好新的AI工具已经成为每个人的必修课。但是，对于一些稍微复杂的实际问题，AI大语言模型的回答却很不稳定，经常偏离问题甚至完全错误，主要原因就是问题（提示词）写得不好。事实证明，使用恰当的提示词，可以使AI大语言模型解决问题的效果提升数倍甚至数十倍。本书的主要内容包括：AI大语言模型简介和发展历程、提示词的概念、写出恰当提示词的18个核心技巧，以及提示词在工作、学习和生活各领域的实战应用。本书

本书在全面覆盖人工智能框架知识的基础上，以精简内容、突出重点为准则，避免面面俱到。每一部分都是挑选经典、实用的知识内容，同时配有典型案例和源代码，将人工智能原理融会到典型案例中详细讲授，可以使初学者以较快的节奏学习、实践人工智能基础知识，重点掌握关键部分的常用算法，进而了解人工智能领域的知识轮廓。


全书共分7章： 第1章为绪论，简要介绍人工智能发展历史和相关技术内容； 第2章为知识表示和推理，着重讲授归结演绎推理和产生式系统； 第3章为搜索技术，讲授典型的搜索技术，主要包括

本书共5个项目，内容包括边缘计算开发板基础应用、边缘计算算法SDK应用、TensorFlow图像上色模型部署、PyTorch目标检测模型部署、TFLite手掌检测模型部署。本书根据岗位工作任务要求，确定学习任务内容，设计选取了14个工作任务。

本书是以实验案例方式而组织的, 全书共给出了21个人工智能实验案例, 覆盖了人工智能课程涉及的主要内容, 包括搜索求解、逻辑推理、贝叶斯网络、马尔可夫决策、监督学习、非监督学习、强化学习等各个方面, 也包含了深度神经网络技术。为了便于教学, 每个实验案例对实验的内容、背景和目标进行了明确阐述, 对所涉及的理论基础及算法也进行了详细介绍, 并提供了相应的Python语言代码。

本书介绍与人工智能关系紧密的数学知识模块，以使读者更好地掌握数学方法在人工智能领域的应用。本书整合了随机过程、矩阵论和运筹学中相关的数学基础，共12章，分为3部分。第1部分为随机过程，包括第1～3章，主要介绍概率论预备知识、随机过程的概念和基本类型、马尔可夫链。第2部分为矩阵论，包括第4～8章，主要介绍矩阵论预备知识、线性空间与线性变换、范数理论及其应用、矩阵分解和特征值的估计。第3部分为运筹学，包括第9～12章，主要介绍运筹学思想与运筹学建模、数学规划、**化问题和多目标决策。
本书面向

图像融合技术可将多源图像的互补特征进行综合，以得到更加完整和准确的场景描述，从而弥补单一传感器单幅图像的不足，是一种广泛应用的图像预处理技术，如多摄像头拍照、微光夜视、医学诊断、遥感等应用领域。本书以多源图像融合技术为主要内容，在研究图像尺度分析、迁移学习、深度学习算法与模型的基础上，针对多聚焦图像融合、多模态医学图像融合、红外与可见光图像、遥感图像融合等方面开展了深入研究，分别提出了具有针对性的融合方法，同时将一些新的技术和新方法引入到图像融合领域。

本书主要包含以下内如：最优化问题的简介，凸分析基础，无约束优化的理论及线搜索算法框架，信赖域算法，线搜索收敛性分析及收敛速度分析，半光滑牛顿算法，共轭梯度算法，约束优化理论及延伸理论，罚方法，增广拉格朗日算法及算法在实际问题(支持向量机模型、超图匹配)中的应用。本书对知识点的分析紧密结合当前研究前沿问题，并通过对应用问题使用优化算法，让学生看到优化理论与实际数据的结合，将知识点以全方位的立体感呈现给学生。

数系的扩充始终贯穿于数学理论的发展之中. 本书利用交互式定理证明工具Coq, 在Morse-Kelley 公理化集合论形式化系统下, 给出中国科学与技术大学汪芳庭教授在其《数学基础》中采用算术超滤分数构造实数的机器证明系统, 包括超滤空间与算术超滤的基本概念、超滤变换以及用算术超滤构造算术模型的形式化实现, 构建了非标准实数模型, 自然包含标准实数模型, 并且给出滤子扩张原则和连续统假设蕴含非主算术超滤存在的形式化验证. 在我们开发的系统中, 全部定理无例外地给出Coq的机器证明代码, 所有形式

本书展示了如何使用Ray构建机器学习应用程序，介绍了Ray如何融入当前的机器学习工具，以及Ray如何与这些工具紧密集成。本书前3章介绍了Ray作为分布式Python框架的基础知识，并提供了应用示例；第4-10章介绍了Ray高级库(Ray RLlib、Ray Tune、Ray Dataset、Ray Train、Ray Serve、Ray Cluster、Ray AIR)，并展示如何使用高级库创建应用程序；第11章对Ray的生态进行了总结，并指导读者继续学习。