本书是近年来作者对混合智能系统研究成果及经验的总结。本书界定了混合智能系统的研究范围和研究层次，给出了混合智能系统的概念。以设计科学的思想为基础，以基于案例推理的混合智能系统技术选择为核心，依据“从定性到定量综合集成研讨厅”的基本思想，提出了基于案例推理的混合智能系统构造方法。在对串型混合智能系统、并型混合智能系统、反馈型混合智能系统、内嵌型混合智能系统、混联型混合智能系统的应用特点进行分析的基础上，对基于案例推理的混合智能系统构造方法进行了实证研究，并将混合智能系统引入商务智能的应用中。最后对

本书阐释了人工智能（AI）的独特之处，它可能导致哪些法律和道德问题，以及我们如
何解决这些问题。它认为 AI 与先前其他的任何技术都有不同，因为它能够独立且不可预测地做出决策。这引发了三个问题：责任——如果 AI 造成伤害，谁来负责；权利——赋予 AI 法律人格的道德争议和务实理由；以及围绕人工智能决策的伦理规范。该书建议，为了解决这些问题，我们需要跨行业和国际层面制定新的制度和法规。本书包含对复杂主题的清晰解释，将会吸引不同学科的受众，无论是对法律、政治和哲学感兴趣的人士，还是对计算机编

《人工智能基础项目教程》采用项目教程的编排方式，实现了基于工作过程、项目教学的理念。本书共由8个项目组成：人工智能概论、人工智能数据预处理、云计算下的人工智能、人工智能基础知识、人工智能技术在交通系统中的应用、人工智能编程入门、人工智能框架技术、人工智能的行业应用。本书内容丰富，结构清晰，通过具体的实例对人工智能的概念和技术进行了透彻的讲述。本书不仅适用于高职高专教学的需要，而且也适合作为人工智能初学者的入门书籍。

本书知识全面、实用, 共10章, 内容包括深度学习数学基础, 深度学习基础模型( 全连接网络、卷积神经网络、循环神经网络、Transformer等) 和实现, 多场景多领域最佳实践, 模型优化、加速与部署等。

机器学习是人工智能的一个方向。它是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动，从现有大量的数据中学习，利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点；第2章搭建机器学习开发环境，主要包括anaconda\pycharm\python软件的安装及使用，以及常见机器学习库的介绍和安装使

本书的主体内容包括机器学习概念与特征工程、机器学习技术、模型关系管理，其中，模型关系管理部分主要介绍了弱集成学习、强集成学习和混合专家模型。弱集成学习是指使用机器学习中的弱分类器实现模型准确度和稳定性之间的平衡。强集成学习是指协同特征工程与强分类器形成强集成学习环境。混合专家模型是指通过神经网络集成和网络结构设计形成深度学习框架。本书以案例分析为主线介绍不同的集成学习方法，首先阐述弱集成学习如何解决项目痛点问题，然后以痛点为起点，集中讨论强集成学习如何解构子项目问题，最后通过深度学习分析非

在人工智能发展的漫长历程中，如何让机器学会创作一直被视为难以逾越的天堑，创造力也因此被视为人类与机器最本质的区别之一。然而，人类的创造力也终将赋予机器创造力，把世界送入智能创作的新时代。人工智能绘画作品的夺冠、超级聊天机器人ChatGPT的出现，无疑拉开了智能创作时代的序幕。从机器学习到智能创造，从PGC、UGC到AIGC，我们即将见证一场深刻的生产力变革，而这份变革也会影响到我们工作与生活的方方面面。本书将结合生动的比喻和有趣的案例，向所有关注未来科技的从业者、创业者、投资人、政府部门科

本书将人工智能与人类智慧深度融合，系统、全面地介绍了类脑智能目标检测网络的构建原理、方法、过程，具有较高的学术价值；同时，本书将所构建的类脑智能目标检测网络在无人车交通标志检测、无人车-机械臂协同作业这两个场景进行了示范应用，具有较大的工程应用价值。
本书主要的读者群体为从事类脑智能、计算机视觉、无人系统研究的科研工作者，以及人工智能、电子信息、计算机工程等相关专业的博士研究生、硕士研究生。

软件架构是指可以简化软件开发过程并提高应用程序质量的实现架构和系统。本书在第1版的基础上进行了全面修订和扩展，面向.NET 5和C# 9，介绍了一些能够助你成为一名卓越的软件架构师所需的关键技能、知识和**实践。
　　第2版增加了对软件架构原则的额外讲述、Azure服务结构、Kubernetes和Blazor等新章节。另外，还增加了关于安全性、微服务和DevOps的讨论，以及软件开发周期的GitHub部署。
　　首先，介绍如何将用户需求转换为软件架构需求，并探讨功能性需求和非功能性需

本书基于作者多年的研究成果，详细介绍了跨数据中心机器学习的训练系统设计和通信优化技术。本书面向多数据中心间的分布式机器学习系统，针对多数据中心间有限的传输带宽、动态异构资源，以及异构数据分布三重挑战，自底向上讨论梯度传输协议、流量传送调度、高效通信架构、压缩传输机制、同步优化算法、异构数据优化算法六个层次的优化技术，旨在提升分布式机器学习系统的训练效率和模型性能，突破跨数据中心机器学习的通信瓶颈和数据壁垒，实现多数据中心算力和数据资源的高效整合。本书可作为跨数据中心机器学习的参考资料，供人工智能