本书全面且深入地呈现了深度学习领域的知识体系，系统梳理了该领域的核心知识，阐述了深度学习的关键概念、基础理论及核心思想，剖析了当代深度学习架构与技术。全书共 20 章。本书首先介绍深度学习的发展历程、基本概念及其在诸多领域（如医疗诊断、图像合成等）产生的深远影响；继而深入探讨支撑深度学习的数学原理，包括概率、标准分布等；在网络模型方面，从单层网络逐步深入到多层网络、深度神经网络，详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用，同时涵盖卷积网络、Transformer 等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。本书还对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深入分析，阐释其原理、算法流程及实际应用场景。对于机器学习领域的新手，本书是全面且
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
本书全程图解式讲解，通过大量全彩插图拆解概念，让读者真正告别学习大模型的枯燥和复杂。 全书分为三部分，依次介绍语言模型的原理、应用及优化。*部分 理解语言模型（第1~3章），解析语言模型的核心概念，包括词元、嵌入向量及Transformer架构，帮助读者建立基础认知。*部分 使用预训练语言模型（第4~9章），介绍如何使用大模型进行文本分类、聚类、语义搜索、文本生成及多模态扩展，提升模型的应用能力。第三部分 训练和微调语言模型（第10~12章），探讨大模型的训练与微调方法，包括嵌入模型的构建、分类任务的优化及生成式模型的微调，以适应特定需求。 本书适合对大模型感兴趣的*、研究人员和行业从业者。读者无须深度学习基础，只要会用Python，*可以通过本书深入理解大模型的原理并上手大模型应用开发。书中示例还可以一键在线运行，
脑-计算机交互是通过读取特定脑神经活动，构建认知模型获取用户逻辑意图与精神状态，从而建立脑与外部设备间的直接连接通路，搭建闭环神经反馈系统。系统以脑机接口、机器学习、模式识别等关键技术为基础，围绕可穿戴干电极脑电采集、运动神经康复、认知情感建模以及多模态神经反馈等关键科学问题开展研究，开发智能脑-机交互技术。本分册首先介绍脑-计算机交互技术的原理、方法及关键技术，其次对无创脑-计算机交互系统的实现（包括SSVEP、P300、想象运动等）、植入式脑-计算机交互系统的实现、脑-计算机交互系统的医学应用以及情感脑-计算机接口的工作原理和关键算法等。
本书以空间机器人抓捕空间非合作目标为对象，详细介绍了抓捕前、抓捕中、抓捕后的相关理论与方法，内容包括：抓捕前的非合作目标的智能识别、运动观测、运动预测、近距离交会、姿态演化、主动消旋等，抓捕中的空间机器人无扰路径规划控制技术及几种抓捕策略，抓捕后的非合作目标惯性参数辨识技术、卫星组合体消旋及姿态快速稳定控制技术。另外还详细介绍了空间机器人关节柔性及摩擦建模、容错控制、追逃博弈等。本书内容是作者多年来在空间机器人技术方面的研究成果汇总，具有系统性和新颖性。
本书*且深入地呈现了深度学习领域的知识体系，系统梳理了该领域的核心知识，阐述了深度学习的关键概念、基础理论及核心思想，剖析了当代深度学习架构与技术。全书共 20 章。本书*介绍深度学习的发展历程、基本概念及其在诸多领域（如医疗诊断、图像合成等）产生的深远影响；继而深入探讨支撑深度学习的数学原理，包括概率、标准分布等；在网络模型方面，从单层网络逐步深入到多层网络、深度神经网络，详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用，同时涵盖卷积网络、Transformer 等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。本书还对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深入分析，阐释其原理、算法流程及实际应用场景。对于机器学习领域的新手，本书是*且系统的
本书对所有主要的深度学习方法和最新研究趋势进行了深入探索。全书分为上下两卷，五个部分。上卷包括两个部分：第一部分是基础算法，包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法；第二部分是判别式模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、注意力机制和记忆网络。下卷包括三个部分：第三部分是生成式模型，包括深度置信网络/深度玻尔兹曼机、自编码器（AE）/变分自编码器（VAE）、生成对抗网络（GAN）、像素级生成、深度聚类等；第四部分是前沿技术，讨论深度强化学习；第五部分是安全保障，包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿，对包括胶囊网络在内的当前最新成果进行了细致的讨论。全书构建了一套明晰的深度学习体系，同时
本书对所有主要的深度学习方法和**研究趋势进行了深入探索。全书分为上下两卷，五个部分。上卷包括两个部分：第一部分是基础算法，包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法；第二部分是判别式模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、注意力机制和记忆网络。下卷包括三个部分：第三部分是生成式模型，包括深度置信网络/深度玻尔兹曼机、自编码器（AE）/变分自编码器（VAE）、生成对抗网络（GAN）、像素级生成、深度聚类等；第四部分是前沿技术，讨论深度强化学习；第五部分是安全保障，包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿，对包括胶囊网络在内的当前**成果进行了细致的讨论。全书构建了一套明晰的深度学习体系，同时各章内
本书是对《Xilinx Zynq-7000嵌入式系统设计与实现：基于Arm Cortex-A9双核处理器和Vivado的设计方法（第二版）》一书的一次重要修订，全书共包含30章，主要内容包括Xilinx Zynq系列SoC设计导论、AMBA规范、Zynq-7000系统公共资源和特性、Zynq-7000调试和测试子系统、Cortex-A9处理器指令集、Cortex-A9片上存储器系统结构和功能、Zynq-7000 SoC的Vivado基本设计流程、Zynq-7000 GPIO原理和控制、Cortex-A0异常与中断原理和实现、Cortex-A9定时器原理及实现、Cortex-A9 DMA控制器原理和实现、Cortex-A9安全性扩展、Cortex-A9 NEON原理和实现、Zynq-7000的可编程逻辑资源、Zynq-7000的互联结构、Zynq-7000 SoC内 简单AXI-Lite IP、Zynq-7000 SoC内 复杂AXI Lite IP、Zynq-7000 AXI HP数据传输原理和实现、Zynq-7000 ACP数据传输原理和实现、Zynq-7000软件与硬件协同调试原理和实现、Zynq-7000 SoC启动与配置原理和实现、Linux开发环境的构建、Zynq-
机器学习经典教程套装2册：机器学习 机器学习公式详解
