《人工智能的底层逻辑》用科普化的语言介绍了搜索、计算机视听觉、自然语言处理、机器学习、多模态信息处理等人工智能系统中的基础算法和数学模型，它们是实现人工智能的基础。展示了人工智能的底层逻辑，人工智能工作的基本规律。让读者真正搞懂如何给机器装上眼睛和耳朵、如何让机器理解人类语言、如何让机器拥有知识、如何让机器懂逻辑会推理、如何使机器人的言行符合人类的规范。全书深入浅出，通俗易懂，精美的插画更增加了可读性，让读者轻松掌握人工智能本质的内核，搞懂人工智能运行的底层逻辑。
机器学习是计算机科学的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共 16 章，大致分为 3 个部分：第 1 部分（第 1～3 章）介绍机器学习的基础知识；第 2 部分（第 4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第 3 部分（第 11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索. 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.
《DeepSeek大模型高性能核心技术与多模态融合开发》深入剖析国产之光DeepSeek多模态大模型的核心技术，从高性能注意力机制切入，深入揭示DeepSeek的技术精髓与独特优势，详细阐述其在人工智能领域成功的技术秘诀。《DeepSeek大模型高性能核心技术与多模态融合开发》循序渐进地讲解深度学习注意力机制的演进，从经典的多头注意力（MHA）逐步深入DeepSeek的核心技术 多头潜在注意力（MLA）与混合专家模型（MoE）。此外，《DeepSeek大模型高性能核心技术与多模态融合开发》还将详细探讨DeepSeek中的多模态融合策略、技术及应用实例，为读者提供全面的理论指导与应用实践。《DeepSeek大模型高性能核心技术与多模态融合开发》配套所有示例源码、PPT课件、配图PDF文件与读者微信技术交流群。 《DeepSeek大模型高性能核心技术与多模态融合开发》共分15章，内容涵盖高性能注
本书主要利用AI发现和构建有效的量化策略，旨在使读者掌握AI在量化策略中的应用。随着2023年大模型的崛起，投资者需要学会与AI共生，建立个人知识库和灵活应用提示词工程（Prompt Engineering），让AI协助寻找论文、理解论文、编写代码、构建模型、训练模型、生成信号、特征识别、投资组合优化和参数优化等。AI在高质量人群的量化行业中将得到广泛应用和发展，让更多读者能掌握编程和量化技能，从而在AI的帮助下快速开发出适应市场的量化策略。 本书共10章，涵盖量化投资中AI的历史演进、投研平台的构建、量化策略的开发流程、策略分类和介绍、市场主流策略开发、策略回测和实盘准备等内容。书中提供丰富的示例代码，具有较强的实践性和系统性，并配有高等数学、金融工程和计算机科学技术等前置知识，以帮助读者深入理解量化投资策略。 本书适合量
工业数字化时代已经到来，基于模型的系统工程和设计已经成为工业 智 造的手段。数字化设计在汽车行业的需求体现得尤为明显，模型作为数字化设计的主线索已经贯穿于从产品概念、系统需求、软件架构、软件实现到软件组件测试、软件集成验证、系统集成验证、产品交付的各个环节。本书既从广度上重点介绍了Simulink工具平台在各个工业领域上的广泛应用，又从深度上剖析了Simulink从架构、建模、仿真、代码生成、自动化测试与验证到硬件生态建设这样一条完整的产品建设思路。 本书是面向汽车电子、航空电子、工业控制、智能家电、无人机系统、机器人控制、电力电子等多个工业领域而撰写的专业著作，可供相关行业的公司、研发团队、工程师以及高校师生参考。
本书阐述经典神经网络及典型的深度学习(神经网络)方法的基本架构、算法原理及相关问题。在此 基础上,介绍 MATLAB中神经网络工具箱在神经网络、深度学习中的应用,并给出相应的应用 实例。 本书可作为高等院校相关专业的本科生、研究生及从事神经网络及深度学习方面学习及研究工作的 专业人员的参考书。
本书的作者约翰 冯 诺伊曼（John von Neumann，1903 1957）是20世纪重要的数学家之一，被后人称为 计算机之父 和 博弈论之父 。 本书是诺依曼在1955 1956年为西里曼讲座而准备的未完成讲稿，是作者对过去十几年在计算机领域所做研究的一个总结性梳理。诺依曼在书中首先概述了模拟计算机和数字计算机的一些基本设计思想和理论基础，然后从数学的角度，主要是逻辑和统计数学的角度，探讨了人脑的神经系统的控制和逻辑结构，对计算机的数学运算和人脑思维的过程进行了比较研究。 本书是计算机和人工智能领域的一篇重要的原始文献，具有高度的前瞻性，为计算机的创新与发展以及机器人的研究指明了方向。
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。
数字技术的飞速发展正在以前所未见的程度塑造和撼动支撑人类社会的每一根支柱，经济发展、社会关系、政治结构、流行文化，无不如此。机器 无论是狭义上的硬件装置和设备，还是广义上的软件、算法和人工智能 已经渗透到了人类社会的每一个角落，正在影响着我们每一个人。 今天，人与机器的关系不仅愈加紧密，而且机器的能力在很多领域都正在逼近甚至已经超越人。这使一系列问题亟须被认真审视：人与机器之间的关系是近乎单向的创造与被创造、主宰与被主宰吗？人类是否能始终将机器置于自己的掌控之下？失控的机器会不会如马斯克、泰格马克等人预言的那样，将对人类形成存在性威胁，甚至将人类推向灭亡？ 理查德 道金斯曾有一句名言： 鸡是一枚鸡蛋制造另一枚鸡蛋的工具。 人与机器之间的关系是否也会如此微妙？在《协同进化》中，借鉴达
加里.卡斯帕罗夫在1997年对战IBM公司的超级计算机 深蓝 是科技史上的一个分水岭。这是人工智能时代的一个新纪元:在这场*激烈的比赛中，首次出现了能够击败国际象棋世界冠军的机器。那一刻是人类-一个多世纪以来孜孜以求、勇攀科技高峰的结晶。在这本突破性的书中，卡斯帕罗夫第次揭示了他惊人的一面，描述了他在面对*为强大的对手时的谋划与布局，在全世界的注视下奋勇争先，并叙述了通过国际象棋程序的发展考察人工智能的发展历史。 卡斯帕罗夫用他无与伦比的经验审视了智能机器的未来，并预见到它的可能性。许多批评家谴责人工智能是一个巨大的威胁，特别是对某些特定人群的工作岗位而言。卡斯帕罗夫在本书中强有力地论证了:人类不应害怕我们*为非凡的创造物，而是应与之协作，达到新的高度。
本书系统地介绍了机械手控制的几种先进设计方法,是作者多年来从事机器人控制系统教学和科研 工作的结晶,同时融入了国内外同行近年来所取得的**成果。 本书主要以机械手的控制为论述对象,共包括16章内容,分别介绍PID 控制、神经网络自适应控制、 模糊自适应控制、迭代学习控制、反演控制、滑模控制、自适应鲁棒控制、末端轨迹及力的连续切换滑模控 制、重复控制的基本原理及设计、机械手容错控制、基于事件驱动的机械手反演控制、基于输入延迟的机械 手控制、基于执行器量化的控制、基于控制方向未知的控制和多智能体系统一致性控制的设计与分析。每 种方法都给出了算法推导、实例分析和相应的MATLAB仿真设计程序。 本书各部分内容既相互联系又相互独立,读者可根据自己的需要选择学习。本书适合从事生产过程 自动化、计算机应用、机械电子和电气
本书从数字图片开始讲起，介绍什么是数字图像。以halcon的安装，halcon的基础语法和数据结构起点，以图像的获取，图像的处理，图像匹配，区域的处理，区域的特征，亚像素轮廓特征，亚像素轮廓处理，数组操作为主要内容，*后结合实际案例，启发读者。内容包含理论讲解，和实际编程两个部分，理论讲解，说明图像处理原理，实际案例，实操算法，强化应用。使读者不仅可以明白原理，还能学以致用。内容讲解细致，没有编程基础的读者也能轻松入门。
本书主要介绍经典的机器学习算法的原理及改进，以及MATLAB的实例实现。本书内容分为三部分。*部分(第1章)是机器学习概念篇，介绍机器学习的相关概念，并且对机器学习的各类算法进行分类，以便读者对机器学习的知识框架有一个整体的了解，从而在后续的学习中更容易接受机器学习涉及的各类算法。第二部分(第2章、第3章)是MATLAB机器学习基础篇，介绍MATLAB的基本使用方法，以及MATLAB集成的机器学习工具箱。MATLAB易上手的特点让使用者将更多的精力专注于算法开发与使用，而不是搭建算法实现开发平台。第三部分(第4章~第19章)是机器学习算法与MATLAB实践篇，对监督学习、无/非监督学习、强化学习三大类常用算法进行逐个讲解，包括机器学习算法原理、算法优缺点、算法的实例解释以及MATLAB的实践应用。本书适合以下读者： 对人工智能、机器学习感兴趣的读者；
机器学习是计算机科学的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索.本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.
本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。 本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。 本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
《MATLAB智能算法30个案例分析（第2版）》是作者多年从事算法研究的经验总结.书中所有案例均应国内各大MATLAB技术论坛网友的切身需求而精心设计,其中不少案例所涉及的内容和求解方法在国内现已出版的 MATLAB书籍中鲜有介绍. 《MATLAB智能算法30个案例分析（第2版）》采用案例形式,以智能算法为主线,讲解了遗传算法、免疫算法、退火算法、粒子群算法、鱼群算法、蚁群算法和神经网络算法等Z常用的智能算法的MATLAB实现.本书共给出３０个案例,每个案例都是一个使用智能算法解决问题的具体实例,所有案例均由理论讲解、案例背景、MATLAB程序实现和扩展阅读四个部分组成,并配有完整的程序源码和讲解视频,使读者在掌握算法的同时,也可以学习到作者们多年积累的编程经验与技巧,从而快速提高使用算法求解实际问题的能力. 《MATLAB智能算法30个案例分析
本书系统地阐述机器学习中常见的几类模型，包括模型的思想、原理及实现细节等。同时，本书还结合了当前热门的机器学习框架Sklearn，对书中所涉及的模型进行用法上详细讲解。 全书共10章，第1章介绍机器学习开发环境的配置；第2章讲解线性回归模型的基本原理、回归模型中常见的几种评价指标，以及用于有监督模型训练的梯度下降算法；第3章介绍逻辑回归模型的基本原理和分类模型中常见的几种评价指标；第4章介绍模型的改善与泛化，包括特征标准化、如何避免过拟合及如何进行模型选择等；第5章讲解K近邻分类算法的基本原理及kd树的构造与搜索；第6章介绍朴素贝叶斯算法的基本原理；第7章介绍几种常见的文本特征提取方法，包括词袋模型和TF-IDF等；第8章讲解决策树的基本原理，包括几种经典的决策树生成算法和集成模型；第9章介绍支持向量机的基本
本书系统阐述分布式机器学习的理论、算法、和实践。
模式识别与机器学习系统介绍了模式识别与机器学习的基础理论、模型与算法，同时兼顾了前沿知识的适当融入。本书以贝叶斯学习的思想贯穿始终，并适时与其他重要知识点（如支持向量机、深度学习）等进行交叉和关联，便于读者在形成良好知识体系的同时保持对整个领域知识的全面把握。 全书共14章和4个附录，循序渐进地对模式识别与机器学习领域进行剖析。首先介绍贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场，接着介绍支持向量机、人工神经网络与深度学习、高斯过程、聚类、主成分分析与相关的谱方法，*后介绍确定性近似推理、随机近似推理和强化学习。附录包括传统的模式识别与机器学习方法近邻法和决策树，还有向量微积分和随机变量的变换等与本学科方向强相关的重要知识点。 本书内容深入浅出，生动有趣，力
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。
本书系统性地介绍了资产定价和机器学习算法的基础理论与实践知识，并以机器学习算法应用于中国股票市场资产收益率预测项目为案例，具体展示了机器学习算法落地应用于中国金融业界的流程和效果。本书主要内容包括资产定价基础方法、机器学习算法评估知识、线性机器学习模型、回归树类机器学习模型、神经网络模型、中国股票市场制度背景、机器学习项目的数据清洗过程和机器学习项目的实践案例。本书在写作过程中尽可能地减少专业词汇，使内容通俗易懂。本书适合高校中高年级本科生、研究生和对从事量化金融感兴趣的人阅读。
本书是资深金融数据分析专家多年工作的结晶。书中深入浅出地阐释机器学习的数学基础及其在金融数据分析领域的应用。 全书共分9章。第1章介绍机器学习的发展状况并概述机器学习在金融中的应用。第2章介绍监督学习的通用框架。第3章描述*简单的线性回归模型 普通*小二乘法以及正则化方法 岭回归和套索回归，并讨论线性模型及非线性的回归和分类方法。第4章讨论监督学习中的树模型，包括决策树、随机森林和梯度提升树。第5章重点介绍三种主要的神经网络：人工神经网络、卷积神经网络和循环神经网络。第6章和第7章介绍无监督学习，主要包括聚类分析和主成分分析。第8章重点介绍强化学习在投资组合优化中的应用。第9章以一个流行的数据挑战项目为例，使用前几章介绍的机器学习方法预测金融违约风险，为读者提供解决实际数据问题的经验。 本书内
