深度学习框架中蕴藏着惊人的技术和有趣的机制，本书旨在揭开这些技术和机制的神秘面纱，帮助读者正确理解技术，体会它们的有趣之处。为此，本书会带领读者从零开始创建一个深度学习框架 DeZero。DeZero 是本书原创的框架，它用少的代码实现了现代深度学习框架的功能。本书分60 个步骤来完成这个框架，在此过程中，读者会加深对PyTorch、TensorFlow 和Chainer 等现代深度学习框架的理解，看清深度学习框架的本质。 本书沿袭《深度学习入门：基于Python 的理论与实现》的风格，语言通俗，代码简洁，讲解详细。在自制框架的过程中，读者还能进一步巩固Python 编程和软件开发相关的知识。 本书适合对深度学习框架感兴趣的读者阅读。

本书全面阐述了现代因果关系分析，展示了因果关系如何从一个模糊的概念发展成为一套数学理论，并广泛用于统计学、人工智能、经济学、哲学、认知科学、卫生科学和社会学等领域。本书提出了一个全面的因果关系理论，它统一了因果关系的概率、操作、反事实和结构方法，并提供了简单的数学工具来研究因果关系和统计关联之间的关系。本书通过融合领域知识、常识约束、文化传承的概念等来补充数据信息，为基于统计的机器学习中遇到的基本问题提供了科学的解决方案。

本书是《LabVIEW虚拟仪器项目开发与管理》的升级版，共22章，包括基础知识、虚拟仪器项目开 发方法以及项目管理和实践。第1~6章为基础知识，主要讲解LabVIEW程序前面板设计、数据结构、程 序框图、函数和错误处理等内容；第7~19章主要讲解虚拟仪器项目开发方法，包括用于实际项目开发的 单循环和多循环程序框架、程序用户界面扩展、数据类型扩展、代码和程序结构扩展、数据存储、数据库 和面向对象开发技术、网络通信、信号与传感器、数据采集和滤波等数字信号处理相关的内容；第20~22 章主要讲解项目管理和实践，包括项目管理理论和一些对实际项目开发的经验总结，同时提供几个实际 的工程案例作为参考。本书力求面向实际工程项目开发，并配有实际工程实例源码和相关参考资料。 本书可作为LabVIEW虚拟仪器项目开发和管理人员的技术参考书，也可作为

本书从模型的结构和数据基础两个方面解构大语言模型，以便帮助读者理解和搭建类似ChatGPT的系统。在模型的结构方面，大语言模型属于深度神经网络，其设计核心是注意力机制，因此，本书涵盖了多层感知器、卷积神经网络和循环神经网络等经典模型。在模型的数据基础方面，本书既涉及模型训练的工程基础，如反向传播，又涉及数据的使用方式，如迁移学习、强化学习，以及传统的监督学习和无监督学习。此外，本书还阐述了如何从计量经济学和经典机器学习模型中汲取灵感，以提高模型的稳定性和可解释性。 本书既适用于希望深入了解大语言模型、通过人工智能技术解决实际问题的读者，也适合作为高等院校计算机及相关专业的师生参考用书。

本书以人工智能方法和生物组学数据分析为主线，阐述了人工智能中的群智能优化、机器学习、深度学习等算法的基本原理，并探讨了如何将这些算法应用于生物信息学相关问题的研究中，如蛋白质复合物挖掘、关键蛋白质识别、疾病基因预测、多种组学（转录组学、代谢组学、微生物组学）数据与疾病的关联关系预测、circRNA-RBP结合位点预测、RNA甲基化位点预测以及药物发现等。本书系统收集整理了生物组学相关数据库，另结合应用问题，从人工智能算法设计到具体流程计算，再到结果分析，均给出了详细步骤，以上均是本书的特色所在。

《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。

知识图谱作为认知智能的核心技术正蓬勃发展。本书系统全面地介绍了知识图谱的核心技术，既有宏观整体的技术体系，也有关键技术和算法细节，内容包括：知识图谱模式设计的方法论 六韬法；知识图谱构建中的实体抽取和关系抽取；知识存储中的属性图模型及图数据库，重点介绍了JanusGraph分布式图数据库；知识计算中的图论基础，以及中心性、社区检测等经典图计算算法；知识推理中的逻辑推理、几何变换推理和深度学习推理，及其编程实例。后，本书以金融、医疗和智能制造三大行业的应用场景为例，梳理了知识图谱的应用价值和应用程序形态。 本书既适合人工智能行业从业者和研究人员系统学习知识图谱，也适合一线工程师和技术人员参考使用，并可作为企业管理人员、政府人员、政策制定人员、公共政策学者的参考材料，以及高等院校计算机、金融

本书分十大章节和三章附录章节，以现代体系结构特征为目标，从理论、方法及应用等不同角度，详细描述了各种提升程序并行性、数据局部性及适配目标架构特征的高级编译优化技术。本书还结合深度学习应用场景展开讨论，介绍了如何在深度学习框架中使用高级编译优化技术。

本书从人工智能、机器学习和深度学习三者的关系开始，以深度学习在计算机视觉、自然语言处理和推荐系统的应用实践为主线，逐步剖析模型原理和代码实现。书中的内容深入浅出，通过原理与代码结合、产业实践和作业结合的方式，帮助读者更好地掌握深度学习的理论知识和深度学习开源框架的使用方法。为了让更多的读者从中受益，快速应对复杂多变的AI应用，书中还 介绍了各种模型资源和辅助工具，旨在帮助读者在人工智能的战场上和 AI大师 一样无往不利。 人工智能是一门跨学科的技术，本书既可作为深度学习的入门读物，又可作为人工智能或相关学科本科生和研究生的教材，还可供AI爱好者和从业者使用。

全书分为4部分。第1部分对基础知识展开讲解，包括Linux基础和ROS入门。第2部分主要关注一个实际的机器人中的硬件和核心传感器模块的构造，重点讲解机器人上的传感器、差分底盘、树莓派主板开发方面的知识。第3部分是SLAM地图构建的核心算法，SLAM中的数学基础、基于激光的SLAM系统、基于视觉的SLAM系统、混合SLAM系统、新型SLAM系统。第4部分是自主导航相关的核心技术与应用，包括自主导航中的数学基础、基于地图的导航、基于环境探索建图的导航、强化学习在机器人导航中的应用。 通过阅读本书，读者不仅可以自己设计出一套SLAM导航机器人出来，还可以在软硬件结合的环境中提高自己的C++/Python/Java方面的编程能力，同时还可以接触到流行的SLAM算法的实际应用。

本书以HCIP-Security和HCIE-Security认证考试大纲为依托，介绍了防火墙和VPN的关键技术，包括安全策略、NAT、双机热备、虚拟系统、链路负载均衡、服务器负载均衡、L2TP VPN、IPSec VPN和SSL VPN。本书详细介绍了每一种技术的产生背景、技术实现原理、配置方法，旨在帮助读者掌握组建安全通信基础设施的技术和能力，顺利通过认证考试。 本书是学习和了解网络安全技术的实用指南，内容全面，通俗易懂，实用性强，适合网络规划工程师、网络技术支持工程师、网络管理员以及想了解网络安全技术的读者阅读。

本书从人工智能（AI）的发展历史讲起，介绍了目前非常热门的深度学习加速芯片和基于神经形态计算的类脑芯片的相关算法、架构、电路等，并介绍了近年来产业界和学术界一些著名的AI芯片，包括生成对抗网络芯片和深度强化学习芯片等。本书着重介绍了用创新的思维来设计AI芯片的各种计算范式，以及下一代AI芯片的几种范例，包括量子启发的AI芯片、进一步提升智能程度的AI芯片、有机自进化AI芯片、光子AI芯片及自供电AI芯片等。本书也介绍了半导体芯片技术在后摩尔定律时代的发展趋势，以及基础理论（如量子场论、信息论等）在引领AI芯片创新方面发挥的巨大作用。*后，本书介绍了AI发展的三个层次、现阶段AI芯片与生物大脑的差距及未来的发展方向。 本书可供AI和芯片领域的研究人员、工程技术人员，科技、产业决策和管理人员，创投从业者和相关专业

本书主要介绍用于支持企业决策的分析、数据科学和人工智能技术。除了传统的决策支持应用外，本书还介绍了人工智能、机器学习、机器人技术、聊天机器人、物联网和互联网技术。 全书分为五部分，部分（第1~3章）概述分析与人工智能，第二部分（第4~7章）介绍预测性分析和机器学习，第三部分（第8和9章）深入研究规范性分析和大数据，第四部分（第10~13章）介绍机器人、社交网络、人工智能和物联网，第五部分（第14章）讨论分析与人工智能对安全、隐私和社会等方面的影响。 本书的读者对象包括数据分析、商务智能相关专业的学生和研究人员，以及商业分析、决策支持系统相关从业人员。

人工智能科学既是全球学界热点关注的重要学科之一，但目前国内关于人工智能科学的书籍都是从科学和工程学角度写就的，从哲学角度对于人工智能问题的关注，还相对稀少。虽有一些论文论及，但是无大部头的系统论述。这和人工智能科学自身的研究目标有关。早期的人工智能专家的研究野心是，要通过机器模拟的方式来全面复制人类心智活动。正是因为看到了哲学和人工智能之间的内在关联，现在西方已经有一门比较火热的新哲学分支，就叫“人工智能哲学”，甚至有自己的专门刊物，如“机器和心智”。但汉语哲学界对于这些问题的研究还没有全面跟进。所以本书要向读者介绍人工智能科学的基本发展历史和基本技术；介绍“人工智能哲学”这门哲学分支的大致发展情况；维氏哲学将对知识表征、自然语言理解、机器人、非单调推理等人工智能的子课题做

本书从基础知识开始，介绍深度学习与图神经网络相关的一系列技术与实现方法，主要内容包括PyTorch的使用、神经网络的原理、神经网络的基础模型、图神经网络的基础模型。书中侧重讲述与深度学习基础相关的网络模型和算法思想，以及图神经网络的原理，且针对这些知识点给出在PyTorch框架上的实现代码。 本书适合想学习图神经网络的技术人员、人工智能从业人员阅读，也适合作为大专院校相关专业的师生用书和培训班的教材。

《工业大数据分析算法实践》以工业大数据的特点和需求为牵引，阐述了工业大数据分析的算法与实现机制，使具有工科背景读者建立起数据思维，灵活利用数据分析算法进行实际问题的建模，并实现分析项目高效迭代与落地。具体主题覆盖了工业大数据分析工程思维和软件栈，工业数据的数据探索，预处理方法和常用机器学习算法，故障诊断、质量优化、流程优化的分析算法，专家规则驱动方法，以及工业数据分析工程等内容。 《工业大数据分析算法实践》分10章，可划分为四个部分。部分（第1章）是数据分析概览，目的是建立起数据分析算法的概念框架，并给出学习路线。第2~5章是第二部分，侧重在通用数据分析算法，包括数据预处理、机器学习、时序挖掘算法和*优化等其他算法。第三部分包括第6~8章，讨论了工业分析的算法思路，覆盖了生产质量分析（PQM

近年来，智能物联网、群体智能、工业互联网等新兴技术逐步兴起，人（智能手机、可穿戴设备等）、机（云设备、边缘设备）、物（具感知计算能力的物理实体）这三种基础要素正在走向协作和融合，迈向人机物融合群智计算时代，即通过人、机、物异构群智能体的有机融合，利用其感知能力的差异性、计算资源的互补性、节点间的协作性和竞争性，构建具有自组织、自学习、自适应、持续演化等能力的智能感知计算空间，实现智能体个体技能和群体认知能力的提升。 2020年，根据微软学术（Microsoft Academic）统计分析的关于群智感知（Crowd sensing）研究的作者排名（Top Authors）中，本书作者团队位列全球。本书作者带着十余年从事群智感知计算研究的思考，将传统的 以人为中心 的群智感知计算拓展深化为 人-机-物异构群智能体融合计算 （简称 人机物融合群智计

本书介绍了经典人工智能（逻辑或演绎推理）和现代人工智能（归纳学习 经网络）之间的覆盖范围。分别阐述了三类方法： 演绎推理方法： 这些方法从预先定义的假设开始，并对其进行推理，以得出合乎逻辑的结论。底层方法包括搜索和基于逻辑的方法。这些方法在第 1 章到第 5 章中讨论。归纳学习方法：这些方法从例子开始，并使用统计方法来得出假设。示例包括回归建模、支持向量机、神经网络、强化学习、无监督学习和概率图形模型。这些方法在第 6 章到第 11 章中讨论。整合推理和学习：第 12 章和第 13 章讨论整合推理和学习的技术。例子包括知识图谱和神经符号人工智能的使用。

机器人手册第1卷机器人基础》共分两篇，分别为机器人学基础和机器人结构。机器人学基础篇介绍了在模型、设计和控制机器人系统过程中用到的基本原则和方法，包括运动学、动力学、机构与驱动、传感与估计、运动规划、动作控制、力控制、机器人体系结构与程序设计、机器人智能推理方法。这些主题将被拓展和应用到特殊的机器人结构和系统中。机器人结构篇既阐述了机器人的性能评价与设计标准、模型识别，又介绍了运动学冗余机械臂、并联机器人、具有柔性元件的机器人、机器人手、有腿机器人、轮式机器人、微型和纳米机器人的结构。探讨了在实际物理实现过程中的设计、模型、运动计划和控制等问题。 本手册内容深入浅出，并附有大量的科研实例，便于自学和应用，可作为机器人、人工智能、自动化控制以及计算机应用等专业科研人员、高校师生

本书主要介绍范数优化迭代学习控制的基本理论和**进展。全书内容分14章，系统地介绍了选代学习控制的基本思想和理论体系，并对基于逆模型的迭代学习控制、范数优化选代学习控制、参数优化迭代学习控制、基于逐次投影的迭代学习控制等迭代学习控制的**研究成果进行了详细的阐述。本书也是Owens院士关于其在优化迭代学习领域中长期的研究结果的凝练和总结。

本书由全球知名的3位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

本书理论与实践相结合，系统阐述强化学习的基础知识，以及如何动手编写智能体以执行一系列实际任务。通过阅读本书，读者将获得深层Q网络、策略梯度方法、连续控制问题以及高度可扩展的非梯度方法等主题领域的可行洞见，还将学会如何构建一个经过强化学习训练、价格低廉的真实硬件机器人，并通过一步步代码优化在短短30分钟的训练后解决Pong环境。此外，本书还专门介绍了强化学习的新发展，包括离散优化（解决魔方问题）、多智能体方法、Microsoft的TextWorld环境、高级探索技术等。

语音降噪处理是信号处理的重要分支领域。近年来，该领域在人工智能与深度学习技术的驱动下取得了突破性进展。本书系统总结语音降噪处理的深度学习方法，尽可能涵盖该方法的前沿进展。全书共分8章。第 1章是绪论；第 2章介绍深度学习的基础知识和常见的深度网络模型；第 3～6章集中介绍基于深度学习的语音降噪处理前端算法，其中，第 3章介绍语音检测，第4章介绍单通道语音增强，第5章介绍多通道语音增强，第6章介绍多说话人语音分离；第7章和第 8章分别介绍基于深度学习的语音降噪处理在声纹识别和语音识别方面的应用，其中着重介绍基于深度学习的现代声纹识别、语音识别基础和前沿进展。 本书专业性较强，主要面向具备一定语音信号处理和机器学习基础、致力于从事智能语音处理相关工作的高年级本科生、研究生和专业技术人员。

人工智能是研究解释和模拟人类智能、智能行为及其规律的一门学科，建立智能信息处理理论，研制智能机器和智能系统，延伸和扩展人类智能。《BR》本书共16章。第1～6章讨论人工智能的认知问题和自动推理，论述逻辑基础、约束推理、定性推理、基于案例的推理、概率推理；第7～14章重点讨论机器学习和知识发现，包括归纳学习、支持向量机、解释学习、强化学习、无监督学习、关联规则、进化计算、知识发现；第15章阐述主体计算；第16章讨论互联网智能。与本书第二版相比，增加了两章新内容。其他章节也作了较大的修改和补充。