本书将从强化学习最基本的概念开始介绍，将介绍基础的分析工具包括贝尔曼公式和贝尔曼最优公式，之后会推广到基于模型的和无模型的强化学习算法，最后会推广到基于函数逼近的强化学习方法。本书强调从数学的角度接引入概念、分析问题、分析算法。并不强调算法的编程实现，因为目前已经有很多这方面的书籍，本书将不再重复造轮子。 本书面向对强化学习感兴趣的本科生、研究生、研究人员和企业研究所从业者。 它不需要读者有任何关于强化学习的背景，因为它会从最基本的概念开始介绍。如果读者已经有一些 强化学习的背景，这本书也可以帮助他们更深入地理解一些问题或者带来新的视角。 本书要求读者具备一定的概率论和线性代数知识。本书的附录中包含了一些必需的数学基础知识。

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。

内容简介 这是一部对人工智能充满敬畏之心的匠心之作，《深入理解Java虚拟机》作者耗时一年完成，它将带你从奠基人物、历史事件、学术理论、研究成果、技术应用等5个维度全面读懂人工智能。 本书以时间为主线，用专业的知识、通俗的语言、巧妙的内容组织方式，详细讲解了人工智能这个学科的全貌、能解决什么问题、面临怎样的困难、尝试过哪些努力、取得过多少成绩、未来将向何方发展，尽可能消除人工智能的神秘感，把阳春白雪的人工智能从科学的殿堂推向公众面前。 全书共8章，逻辑上分为4个部分： 部分 人工智能的起源（第1~2章） 阐述了在人工智能学科创立之前，图灵、香农等先驱们对智能的探索和思考。首先以 人工智能之父 图灵的生平事迹为主线，介绍了图灵机、图灵测试，以及图灵对智能的思考、理解和定义；然后以达特茅斯会议为主线，

这是一部从技术原理、行业应用、商业价值、投资创业、发展趋势5个维度讲解AI Agent的著作，具有科普书和商业书的双重属性。 本书首先详细介绍了AI Agent的技术路径及其在11大领域的应用，丰富的应用案例可以帮助读者深度理解AI Agent产品形态与服务方式；然后深入探讨了AI Agent的商业价值与商业生态，并对AI Agent的企业级应用和投资创业做了很多思考与总结，能够带给读者应用与创业方面的启发。本书将技术、应用及商业理念融会贯通，理论性与实用性兼具，是一本适合业内外人士快速了解AI Agent、提升行业认知的综合指南，得到了很多行业人士、专家及创业者的一致好评。 全书共15章，分为四个部分： 第一部分（第1~3章） 技术认知 首先，介绍AI Agent的概念、特征、定义、发展历程、分类方式，以帮助读者全面认知AI Agent；然后，介绍AI Agent核心技术，展示其技

本书分为两大部分：di一部分主要基于Scikit-Learn，介绍机器学习的基础算法；第二部分则使用TensorFlow和Keras，介绍神经网络与深度学习。此外，附录部分的内容也非常丰富，包括课后练习题解答、机器学习项目清单、SVM对偶问题、自动微分和特殊数据结构等。书中内容广博，覆盖了机器学习的各个领域，不仅介绍了传统的机器学习模型，包括支持向量机、决策树、随机森林和集成方法，还提供了使用Scikit-Learn进行机器学习的端到端训练示例。作者尤其对深度神经网络进行了深入的探讨，包括各种神经网络架构、强化学习，以及如何使用TensorFlow/Keras库来构建和训练神经网络。本书兼顾理论与实战，既适合在校学生，又适合有经验的工程师。

本书在状态空间理论的统一框架下系统深人地介绍了预测控制的滚动优化原理、算法和闭环性能。首先通过本科生熟悉的状态空间模型建立起预测控制从原理到算法和性能分析的每一个细节。然后，介绍了阶跃响应模型和脉冲响应模型的状态空间描述，给出了与传统卷积描述的一致性。据此，遵循预测控制的三个步骤“预测系统未来动态-求解优化问题-解的第一个元素作用于系统”和“滚动时域、重复进行”机制推导了无约束的动态矩阵控制(DMC)和模型算法控制(MAC)，分析了闭环性能，给出了闭环稳定性的分离原理。然后，依次讨论了时滞预测控制、约束预测控制、非线性预测控制，以及稳定性和鲁棒性研究的最新进展。最后，介绍了基于滚动优化原理的滚动时域估计和基于现场可编程门阵列(FPGA)的预测控制器实现技术。

本书通过正在学习机器学习的程序员绫乃和她朋友美绪的对话，结合回归和分类的具体问题，逐步讲解了机器学习中实用的数学基础知识。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python 编程讲解了数学公式的应用，进而加深读者对相关数学知识的理解。

本书的目标，是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松地掌握机器学习的基本知识，从而拥有相关的实战能力。 本书通过AI 小白 小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。本书所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。 本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。

这是一本讲解NPU硬件架构设计与技术实现的著作。作者将自己在CPU、GPU和NPU领域15年的软硬件工作经验融会贯通，将四代NPU架构设计经验融为一体，将端侧和云侧NPU架构合二为一，总结并提炼出本书内容。本书主要讨论神经网络硬件层面，尤其是芯片设计层面的内容，主要包含神经网络的分析、神经网络加速器的设计以及具体实现技术。通过阅读本书，读者可以深入了解主流的神经网络结构，掌握如何从零开始设计一个能用、好用的产品级加速器。 通过阅读本书，你将： 透彻理解与深度学习相关的机器学习算法及其实现 学会主流图像处理领域神经网络的结构 掌握加速器运算子系统和存储子系统的设计 摸清加速器设计中遇到的具体问题及其解决方法 了解NPU架构需要考虑的控制通路和数据通路

本书弥补了纯数学书籍和机器学习书籍存在的单一性问题，介绍了理解机器学习所需的数学概念，例如线性代数、解析几何、矩阵分解、向量微积分、优化、概率和统计，并使用这些概念推导出了四种核心机器学习方法：线性回归、主成分分析、高斯混合模型和支持向量机。本书每一章都包括一些例子，大部分章还配有习题，以方便读者测试对所学知识的理解程度。本书适合数据科学专业和计算机科学专业的学生，以及算法工程师与机器学习领域相关从业者阅读。

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。

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。

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

在机器学习领域，优化的核心目标是用最少的计算资源获取最准确的预测结果 无论是规划最短配送路线、确定最优定价策略，还是生成最精准的推荐。当传统方法因效率低下或成本过高而显得力不从心时，贝叶斯优化可以利用概率论的知识，为高效调优机器学习函数、算法及超参数提供革命性的解决方案。 《机器学习贝叶斯优化》一书将教你如何运用贝叶斯方法创建高效的机器学习流程。本书呈现了处理大型数据集、调优超参数以及探索复杂搜索空间的实用技巧。书中内容生动有趣，包含丰富的插图和引人入胜的实例，如优化咖啡的甜度、天气预测建模，甚至用科学逻辑揭秘超自然现象。你将学会多目标决策场景下的资源分配策略、成本敏感型问题的量化决策方法，以及成对比较问题的概率建模技巧。● 针对稀疏和大数据集的高斯过程 ● 超参数调优策略 ● 高

数据驱动的研究正在革新复杂系统的建模、预测和控制。本书面向高年级本科生和研究生，提供了一个综合的视角，展示了如何将新兴的方法，如数据科学、数据挖掘和机器学习技术，应用到工程和物理科学中。

这是一本关于Elasticsearch技术实战的教程，全面覆盖了Elastic Stack技术体系知识，旨在帮助读者深入了解Elasticsearch的核心技术和应用场景，同时掌握分布式搜索与分析引擎的设计思想和实现原理。

本书从机器学习的概念与基本原理开始，介绍了机器学习及近年来流行的深度学习领域的经典模型。阅读本书可以让读者系统地了解机器学习和深度学习领域的基本知识，领会模型算法的思路与策略。 本书分为两篇，共18章。一篇为经典机器学习模型，主要介绍常用的机器学习经典模型，包括线性回归、支持向量机模型、逻辑斯蒂回归、决策树模型、k近邻、朴素贝叶斯、线性判别分析和主成分分析、流形学习、聚类算法、稀疏编码、直推式支持向量机、集成算法。第二篇为深度学习模型与方法，剖析神经网络的基本要素，并介绍常用的深度学习模型，包括感知机、卷积神经网络、循环神经网络、生成对抗网络。 本书试图从初学者的角度对机器学习和深度学习的经典算法进行详细阐述。本书插图丰富，语言通俗易懂，适合初入机器学习领域的 萌新 ，

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

作者以艺术创作者的身份，通过亲身实践和专业视角来关注AI技术的工具性，还将其置于艺术创作的核心，以此为技术与艺术的深度结合提供具体有力的案例分析。此外，跨学科的教育经历使他能够以独特的多维视角看待科技与艺术。他从技术结构层面剖析AI艺术的生成机制与操作逻辑，结合科技的逻辑维度与艺术文化的历史视角来理解AI艺术创作，为AI艺术研究提供了理论和实践的双重支撑。智能时代以来，人工智能技术的进步一直是艺术家们广泛关注和探索的焦点。事实上，一场利用人工智能作为灵感和媒介的艺术运动悄然显现。在本书中，作者以通俗易懂的语言整合了人工智能艺术组成部分的科学理论、概念和定义，具体讲述了人工智能系统的三个核心构成部分：训练过程、模型和数据，以此分为三个板块进一步帮助我们深入理解机器学习系统的定义与复杂的

本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识，包括均方、 小二乘和 似然方法，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。

本书力求用兼具浅白和学术的语言介绍量子张量网络中的抽象概念,包括量子、叠加、纠缠、测量、量子概率、三种著名的量子算法——Shor算法、Grover算法和HHL算法、张量、张量分解、四种典型张量网络态、TEBD算法、密度矩阵重整化群等，进而揭开这些概念自身本质和概念之间关系的面纱, 内容涉及量子力学基本概念、三种著名的量子算法、张量基础、张量网络与量子多体物理系统、量子多体系统的张量网络态算法和基于张量网络的量子机器学习。本书在内容编排上主要是通过数学方式对量子张量网络机器学习进行阐述, 而不会在物理学上对它们进行过多的精确解释，为张量网络机器学习提供捷径。

本书以促进教学改革与创新为根本目的，探讨如何通过教育教学理论赋能AI，继而借助 AI提升教师的能力，从而科学、有效地推动教学创新。 全书共4章。第1章介绍如何进行参赛准备:第2章介绍如何借助AI深入理解参赛课程,涉及课程简介、课程目标撰写等内容:第3章介绍如何设计教学创新完整路径，涉及课程内容重构、Al全流程课程实施、教学评价创新、课程思政创新等内容:第4章介绍如何准备参赛材料，包括课堂教学实录、教学创新成果报告、教学设计创新汇报等。 本书可作为教师参加各种教学创新比赛的备赛指导手册，也适合对教学创新感兴趣的教师阅读。

人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。本书面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、分析方法、理论思想进行介绍。结合相应组学挖掘的具体研究案例，向读者展示组学人工智能驱动的生命健康交叉研究的绚烂图景。