工程师需要知道的机器学习和人工智能提供的实例和图示来自Prosise的AI和ML课程,这]课程受到了全球各地许多公司和研究所的青睐和欢迎。作者不涉及让人滑悚然和望而生畏的数学公式,目的只有一个那就 是面向工程师和软件开发人员,帮助他们迅速入门并通过案例迅速运用人工智能和机器学习来解决业务问题。本书讲帮助读者学会什么是机器学习和深度学习以及两者各有哪些用途;理解常用的深度学习算法的原理及其应用;学会标记和未标记数据,监督学习和非监督学习有何差异;通过scikit-learn和神经网络Keras和TensorFlow ,运用Python来进行机器学习建模;训练和评分地柜模型与-进制和多类粉类器模型 ;构建面检测和面识别模型以及 对象检测模型。本书适合硬件工程师与软件开发人员阅读和参考
本书是《工程控制论》（第三版）的下册。这一册共九章。第十三章讨论摄动理论在控制系统设计中的应用，其中特别说明在飞行控制系统中的应用。第十四、十五两章介绍控制系统在随机干扰下的分析和设计。第十六、十八章讨论了适应性控制系统的设计。第十九章介绍了提高控制系统可靠性的各种方法。第十七、二十、二十一这三章分别是：逻辑控制和有限自动机（第十七章），信号与信息（第二十章），大系统（第二十一章）。这些方面已构成工程控制论这门学科的重要研究方向。书末还附有 有关中文著作目录选辑 ，可供读者查阅。
《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》在一个通用的概念框架中描述通用于数据挖掘、机器学习和生物信息学等领域的重要思想和概念。这些统计学范畴下的概念是人工智能与机器学习的基础。全书共18 章，主题包括监督学习、回归的线性方法、分类的线性方法、基展开和正则化、核光滑方法、模型评估和选择、模型推断和平均、加性模型、树和相关方法、Boosting 和加性树、神经网络、支持向量机和柔性判断、原型方法和*近邻、非监督学习、随机森林、集成学习、无向图模型和高维问题等。 《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》主题全面，是一本经典的统计学习教材，适合本科高年级学生和研究生使用和参考。
《Python机器学习项目实战》引领大家在构建实际项目的过程中，掌握关键的机器学习概念!使用机器学习，我们可完成客户行为分析、价格趋势预测、风险评估等任务。要想掌握机器学习，需要有优质的范例、清晰的讲解和大量的练习。本书完全满足这三点! 本书展示了现实、实用的机器学习场景，并全面、清晰地介绍了机器学习的关键概念。在学习本书的过程中，读者将会完成一些引人入胜的项目，比如使用线性回归预测汽车价格，部署客户流失预测服务等。读者将**算法，学习在无服务器系统上部署机器学习应用，以及使用Kubernetes和Kubeflow服务模型等重要技术。大家埋头苦学，亲自动手，享受掌握机器学习技能的乐趣! 主要内容 ●收集和清理训练模型的数据 ●使用流行的Python工具，包括NumPy、Scikit-Learn和TensorFlow ●将机器学习模型部署到生产环境中 阅读门槛 读者
本书是作者多年在数据智能领域中利用机器学习实战经验的理解、归纳和总结。出于 回归事物本质，规律性、系统性地思考问题 理论为实践服务并且反过来充实理论，为更多人服务 的想法和初心，本书系统地阐述了机器学习理论和工程方法论，并结合实际商业场景落地。 全书分为3部分。第1部分是机器学习的数学理论理解，这部分不是对于机器学习数学理论的严谨推导和证明，更多是对于理论背后的 到底是什么，为什么要这样做 的通俗理解。尽可能通过对应到日常生活中的现象来进行讲述。第2部分是机器学习模型、方法及本质，这一部分针对机器学习的方法论及具体的处理过程进行阐述。涉及数据准备、异常值的检测和处理、特征的处理、典型模型的介绍、代价函数、激活函数及模型性能评价等，是本书的核心内容。我们学习知识的主要目的是解决问题，特
传统材料研发模式主要基于实验“试错法”，其研发周期长、效率低，人工智能驱动的科研范式变革和新材料数字化研发模式能有效地降低研发成本，缩短研发周期。本书基于计算、数据、AI和实验“四位一体”的新材料集成式智能化研发理念，提出了基于材料基因编码的新材料智能设计范式，从企业级新材料研发和面向科研的材料计算视角，重点围绕高通量材料集成计算、多尺度材料计算模拟、材料数据库、材料数据机器学习、新材料研发制造软件等介绍了新材料数字化智能化研发和设计基本概念、方法、技术和应用。本书同时也介绍了国产的高通量多尺度集成式材料智能化设计工业软件MatCloud+，并通过一些精选案例介绍了材料计算、数据和新一代人工智能等数字化研发方法技术在新能源、金属/合金、石油化工、复合材料、新型功能材料等重点材料行业或领域的
人工智能 (AI) 时代已悄然而至，然而对 AI 伦理学的研究却刚刚起步。与以往的技术革命不同，AI 有望在多个领域取代人类，但也有伤害人类的潜在风险。为防止对AI技术的滥用，我们在复杂性变得不可控之前，必须把糟糕的情况都预想到、分析到。 《人工智能伦理》从人工智能的关键内容（包括图灵测试、数据、知识、机器学习、自我意识等）出发，尽可能地用朴素的语言讲清楚复杂的概念，揭示出各种AI伦理问题以唤起读者的思考。本书基于大量真实数据，阐述了和平、合理发展 AI 技术的伦理思想，对 AI 技术可能引发的某些社会问题（如技术失业、两性平等）也做了剖析。
一本将 AI 绘画讲透的探秘指南，通过丰富的实践案例操作，通俗易懂地讲述 AI 绘画的生成步骤，生动展现了 AI 绘画的魔法魅力。从历史到未来，跨越百年时空；从理论到实践，讲述案例操作；从技术到哲学，穿越多个维度；从语言到绘画，落地实战演练。AI 绘画的诞生，引发了奇点降临，点亮了 AGI（通用人工智能），并涉及 Prompt、风格、技术细节、多模态交互、AIGC 等一系列详细讲解。让您轻松掌握生图技巧，创造出独特的艺术作品，书写属于自己的艺术时代。
本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。
本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。
本书的目的是考虑大型且具有挑战性的多阶段决策问题，这些问题原则上可以通过动态规划和*控制来解决，但它们的精确解决方案在计算上是难以处理的。本书讨论依赖于近似的解决方法，以产生具有足够性能的次优策略。这些方法统称为增强学习，也可以叫做近似动态规划和神经动态规划等。 本书的主题产生于*控制和人工智能思想的相互作用。本书的目的之一是探索这两个领域之间的共同边界，并架设一座具有任一领域背景的专业人士都可以访问的桥梁。
本书分类《机器学习导论》面向机器学习领域的主要模型和算法，重点阐述不同方法背后的基本假设以及它们之间的相关性，帮助读者建立机器学习的基础理论功底，为从事该领域的相关工作打下基础。具体内容包括机器学习研究的总体思路、发展历史与关键问题，线性模型，神经网络及深度学习，核方法，图模型，无监督学习，非参数模型，演化学习，强化学习，数值优化方法等。 本书可作为高等学校相关课程的教材，也可作为研究生及对机器学习感兴趣的科技、工程技术人员的参考用书。本书封面贴有清华大学出版社防伪标签，无标签者不得销售。
本书通过讲解监督学习的两大支柱 回归和分类 将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。
本书以人工智能发展为时代背景,通过20个应用机器学习模型和算法的实际案例,为工程技术人员 提供较为详细的实战方案,以便深度学习。 在编排方式上,全书侧重对创新项目的过程进行介绍。分别从整体设计、系统流程和实现模块等角度 论述数据处理、模型训练和模型应用,并剖析模块的功能、使用和程序代码。为便于读者高效学习、快速掌 握人工智能开发方法,本书配套提供项目设计工程文档、程序代码、实现过程中出现的问题及解决方法等 资源,可供读者举一反三、二次开发。 本书结合系统设计、代码实现以及运行结果展示进行讲解,语言简洁,深入浅出,通俗易懂,不仅适合 作为对Python编程感兴趣的科研人员、人工智能爱好者及从事智能应用创新开发专业人员的参考教材, 也可作为高等院校全栈系统应用开发相关专业的参考书。
通过一系列的技术突破，深度学习推动了整个机器学习领域的发展。现在，即使是对这项技术几乎一无所知的程序员也可以使用简单、高效的工具来实现具备数据学习能力的程序。这本畅销书采用具体示例、小化理论和生产就绪的Python框架（Scikit-Learn、Keras和TensorFlow）来帮助你直观地理解构建智能系统的概念和工具。 在更新的第3版中，作者Aur lien G ron探究了一系列技术，从简单的线性回归开始，逐步推进到深度神经网络。书中的大量代码示例和练习有助于你学以致用。你需要具备一定的编程经验。
本书系统地论述了水下机器人设计与分析的基本原理、方法和技术，介绍了FLUENT、MATLAB/Simulink、ANSYS、ADAMS等现代设计分析软件在水下机器人设计中的应用，并以作者及研究团队的科研成果为主线，系统地阐述了水下机器人设计与分析方法。全书共十章，包括水下机器人结构及流线型设计、能源与动力、系统辨识方法、运动分析、底层控制系统、虚拟样机技术、路径规划与轨迹跟踪、仿生侧线感知及局域导航定位方法等方面的内容。
《图像处理、分析与机器视觉（基于LabVIEW）》主要介绍基于LabVIEW的图像处理、分析与机器视觉系统的开发技术。全书尽量避免只进行枯燥的理论讲解，而是从实际工程应用的角度将内容分为 机器视觉系统构建 、 图像操作与增强 和 特征识别与机器决策 三大部分。其中*部分主要讨论成像系统模型原理、镜头相机部件的选型、系统的搭建和校准以及图像采集、显示和存储等技术；第二部分包括图像操作和变换、图像灰度分析以及图像增强等技术；第三部分介绍机器视觉软件开发的关键技术，不仅包括图像分割、形态学处理、特征提取、特征分析、特征在机器视觉系统开发中的应用，以及目标测量、图像模式匹配、目标分类识别等技术，还包括色彩空间和色彩匹配、色彩定位、彩色模式匹配以及色彩分类识别等彩色图像处理技术。《图像处理、分析与机器视觉（基于L
本书介绍了如何使用scikit-learn、TensorFlow等关键库来有效解决现实世界的机器学习问题。本书着重于实用的解决方案，提供多个案例，详细地讲解了如何使用Python生态系统中的现代库来构建功能强大的机器学习应用程序；还介绍了分类、聚类和推荐引擎等多种机器学习算法，以及如何将监督学习和无监督学习技术应用于实际问题；后，介绍了强化学习、深度神经网络和自动机器学习等应用示例。 本书适合数据科学家、机器学习开发人员、深度学习爱好者以及希望使用机器学习技术和算法解决实际问题的Python程序员阅读。
《机器学习观止 核心原理与实践》在写作伊始，就把读者设想为一位虽然没有任何AI基础，但对技术本身抱有浓厚兴趣、喜欢 抽丝剥茧 、探究真相的 有识之士 。有别于市面上部分AI技术书籍从一开始就直接讲解各种 高深莫测 算法的叙 述手法，《机器学习观止 核心原理与实践》尝试先从零开始构建基础技术点，而后 循序渐进 地引领读者前进，*终 直捣黄龙 ，赢取*后的胜利。 全书据此分为5篇，共31章，内容基本覆盖了由AI发展历史、数学基础知识、机器学习算法等经典知识点以及深度学习、深度强化学习等较新理论知识所组成的AI核心技术。同时注重 理论联系实践 ，通过多个章节重点 介绍了如何在工程项目中运用AI来解决问题的诸多经验以及相应的模型算法，以期让读者既能享受到 知其所以 然 的乐趣，还能体会到 知其然 的轻松和愉悦。 《机器学习观
机器学习系统既复杂又独特。复杂是因为它们由许多不同的组件组成，并涉及许多不同的领域。之所以说独特，是因为它们依赖于数据，不同用例之间的数据差异很大。在本书中，您将学习一种整体的方法来设计可靠、可伸缩、可维护的ML系统，并能适应不断变化的环境和业务需求。 作者Chip Huyen是Claypot AI的联合创始人，她考虑了每个设计决策 比如如何处理和创建训练数据，使用哪些功能，多久再训练一次模型，以及监控什么 在它如何帮助整个系统实现其目标的背景下。本书中的迭代框架使用了大量参考文献支持的实际案例研究。
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。
