至少从 20 世纪 50 年代起，人们就开始大肆宣传可能很快就会创造出一种能够与人类智能的全部范围和水平相匹配的机器。现在，我们已经成功地创造出了能够解决特定问题的机器，其准确度达到甚至超过了人类，但我们仍然无法获得通用智能。这本书想和大家探讨一下还需要做什么样的努力才能不仅获得专用智能，还能获得通用智能。
如果读者对智能感兴趣，想了解更多关于如何建造自主机器的知识，或者担心这些机器突然有一天会以一种被称为“技术奇点”的方式统治世界，请阅读本书。

通过阅读本书，读者将会了解到

本书全面介绍人工智能的基本理论、技术及应用。全书共10章，主要内容包括人工智能概论、知识表示与知识图谱、确定性与不确定性推理、搜索策略、遗传算法、群智能算法、人工神经网络、机器学习与深度学习、专家系统、自然语言理解，附录部分给出了实用性强的12个实验。本书强调人工智能知识的基础性、整体性、综合性和广博性，使学生掌握人工智能的主要思想和应用人工智能技术解决专业领域问题的基本技术，培养创新精神。 本书的适用对象广泛，可作为高等学校各专业人工智能基础课程的教材，也可供对人工智能技术感兴趣的广大读

本书旨在帮助读者深入理解嵌入式系统的体系结构、软硬件工作原理，嵌入式系统设计和软件开发所需的基础知识和思维方法，以及嵌入式系统互联(即物联网)的基础知识和编程应用。在内容组织方面，本书分为四大部分，分别为导论(第 1 章)、嵌入式系统的基本原理(第 2～3 章)、嵌入式系统设计(第 4～6 章)、嵌入式系统互联(第 7～8 章)。本书将课内理论讲解结合课内验证和课外实践，不仅理论知识覆盖较全，而且重视实践验证和应用，提供大量动手实践和验证的环节，理论知识的应用场景始终以自制开源板的应用为线索。

为实现人工智能实用型人才的培养，本书以迈进人工智能领域的高效学习路径为切入点，目标是让读者快速进入人工智能的世界，成为一名人工智能应用的开发者。本书切入日常工作与生活场景，捕获数据并从中萃取有价值的信息或模式，利用高效可复用的Python代码进行人工智能算法实现及可视化，让读者从中学到一些核心的“人工智能+”应用开发技术，如分类、预测及推荐等。本书通过“原理简述—问题实例—实际代码—运行效果”方式介绍每个人工智能应用的开发方法，使读者能够边学边用，通过代码的实现加深对人工智能算法的理解。本书具有

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