深度学习技术作为人工智能领域的一门新兴技术，已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材由神经网络基本训练规则、感知器、BP网络作为基础，讲述神经网络基础训练方法。并通过自编码器网络，将浅层网络过度到深度神经网络部分，详细讲解卷积神经网络原理及训练方法、卷积神经网络的发展以及基于卷积神经网络的目标检测算法等。而后，对序列信息处理神经网络—循环神经网络进行讲解。本教程采用由浅入深的方式，对深度学习相关理论进行讲解，满足教学过程中的需要。

本书系统阐述了智能算法在波束形成设计、波达方向估计与声源定位中的应用。全书分三篇，共11章，主要涉及仿人智能算法、仿生物进化智能算法、群体智能优化算法和深度学习等的原理、方法及实现框架，宽带波束形成、稳健自适应波束形成、混响背景下波束形成的设计原理与方法，以及宽带信号波达方向估计与近场声源定位算法，也给出了智能算法在波束形成器设计、波达方向估计和声源定位中的应用实例。
本书内容涉及较广，在内容组织上力求系统、科学、合理，特别注重逻辑性，介绍由浅入深，便于自学。本书可作为人工智能、

近年来，机器学习问题及应用日益受到重视，相关问题的数学本质是数学优化模型。本书主要介绍目前机器学习领域常用的优化算法与实现、算法的收敛性及应用。内容主要包括绪论（优化理论基础、机器学习的常用优化模型介绍）、机器学习的凸优化模型的求解算法、机器学习的非凸优化模型的求解算法、机器学习的其他特殊模型（DC规划、双层规划等）的求解算法。 本书可作为高等院校相关专业机器学习等相关课程的教材或参考书，也可作为相关专业的研究人员和工程技术人员的参考书。

本书是《EasyRL：强化学习教程》的配套实践教程。本书将在第一版的基础上以更加严谨的风格深入浅出地介绍马尔可夫决策过程、蒙特卡罗方法、时序差分方法、Sarsa、Q-learning等传统强化学习算法，以及策略梯度、近端策略优化、深度Q网络、深度确定性策略梯度等常见深度强化学习算法的基本概念和方法，并以大量生动有趣的例子帮助读者理解强化学习问题的建模过程以及核心算法的细节。同时，增加最大熵学习、多智能体学习、离线强化学习等内容，极大丰富强化学习的入门内容。

本书详细介绍机器学习主要算法，包括：C4.5决策树、k-均值（K-means）、支持向量机（SVM）、Apriori、最大期望值、PageRank算法、AdaBoost算法、k-近邻算法（kNN）、朴素贝叶斯算法和分类回归树算法以及神经网络和深度学习的简单介绍。

本书从祖先的“仿生”入手，到机器“仿人”，到人工智能技术在人们生活中的应用，集科技与生活于一书，分为八个话题，图文并茂地向读者介绍以“灵性”为核心的“人工智能”基础科学知识，讲述作为世界第一梯队的中国科技工作者在人工智能领域取得伟大成就背后的故事。本书主要讲述民用人工智能技术的基本情况，能够激发读者的阅读兴趣，引领读者了解人工智能，展现了在国家强盛、科技发达的背景下，中国人工智能迅猛发展的宏伟蓝图。

本书对应课程属于一门概论性课程。本书将传统的和新一代的人工智能/智能制造融于一体，从传承与发展视角出发概述人工智能与智能制造的发展现状及其相互关系，重点阐述人工智能与智能制造共性基础技术、知识驱动的符号智能、数据驱动的机器学习、智能制造理论与技术体系、智能制造的物理系统和信息系统，并指出人工智能与智能制造的未来发展方向，包括强人工智能、融合智能+混合制造、工业5.0和社会5.0、以人为中心的人工智能和智能制造、（工业）元宇宙等。

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。