发布时间：2024-11-17 05:50:13 来源：米乐m6米乐平台 作者：M6米乐最新下载地址
本书是一本针对初学者介绍人工智能基础知识的书籍。本书采用通俗易懂的语言讲解人工智能的基本概念、发展历程和主要方法，内容涵盖人工智能的核心方法，包括什么是人工智能、神经网络（深度学习）是如何实现的、计算机是如何学会下棋的、计算机是如何找到**路径的、如何用随机算法求解组合优化问题、统计机器学习方法是如何实现分类与聚类的、专家系统是如何实现的等，每种方法都配有例题并给出详细的求解过程，以帮助读者理解和掌握算法实质，提高读者解决实际问题的能力。此外，本书可以帮助人工智能的开发人员理解各种算法背后的基本原理。书中的讲解方法和示例，有助于相关课程的教师讲解相关概念和算法。总之，这是一本实用性强、通俗易懂的人工智能入门教材，适合不同背景的读者学习和使用。
“概念+公式+经典应用”相结合，配套源码与PPT课件，介绍视觉增强分析、视觉复原分析、视觉几何变换与校正分析、视觉分割技术分析、 视觉描述与特征提取分析、车牌识别分析等案例。
本书以Python 3.10.7为平台，以实际应用为背景，通过概念、公式、经典应用相结合的形式，深入浅出地介绍了Python图形图像处理经典实现。全书共10章，主要包括绪论、迈进Python、Python图形用户界面、数据可视化分析、图像视觉增强分析、图像视觉复原分析、图像视觉几何变换与校正分析、图像视觉分割技术分析、图像视觉描述与特征提取分析、车牌识别分析等内容。通过本书的学习，读者可领略到Python的简单、易学、易读、易维护等特点，同时感受到利用Python实现图像视觉处理应用的简捷、功能强大。
本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关领域科研人员、学者、工程技术人员的参考用书。
将知识点融入案例中，深入浅出地对人工智能知识点进行全面系统的讲解；使用思维导图梳理知识点，并配有案例及实现。
教育部高等学校电子信息类专业教学指导委员会规划教材，配套微课视频（540分钟，77集），程序代码，教学课件，教学大纲，习题答案，实验大纲，思维导图，作业系统等教学资源。
本书从应用出发，系统介绍人工智能的基本理论、方法和技术，以及传统行业AI化改造的解决方案。全书共8章，内容涵盖人工智能概述、Python基础、机器学习、计算机视觉、语言识别、自然语言处理、知识图谱和人工智能行业解决方案。
本书理论和实践相结合，每章使用思维导图梳理知识点，并配有案例及实现，内容重点突出、结构清晰； 同时还在附录中提供了人工智能平台环境搭建的操作手册，便于初学者学习和查阅。
本书适用面广，可作为高等院校人工智能、智能科学与技术、计算机、信息处理、自动化和电信等理工科相关专业的教材，也可作为其他专业的拓展、通识课程的教材，还可作为培训机构的人工智能课程教材。
学习如何用简洁的代码定义和训练神经网络模型，掌握深度学习原理的同时快速进行代码实现和工业实践。
本书从数据集、数据清理开始谈起，在介绍机器学习的建模方式后，第2章详细说明了机器学习与深度学习所涉及的矩阵、向量等技术。第3章使用Keras搭建深度学习模型，也介绍了激活函数、损失函数、反向传播、过拟合或欠拟合等问题。第4章给出了训练深度学习模型的过程中可能存在的交叉验证问题。当需要提高模型精度时，可以考虑参考第5章中的L1/L2正则化、丢弃正则化、早停等方式。第6章讲解模型评估问题，在太平洋飓风数据集上指出准确率的局限性，从而引出混淆矩阵、ROC曲线、AUC评分等概念。接下来的3章介绍卷积神经网络、迁移学习、循环神经网络等问题，这些内容在工业实际项目中占据核心地位，值得大家多写代码、多实践。
以案例项目为主线讲述Python计算机视觉开发中所需的知识和技能，具有超强的实用性，书中给出了80多个实例帮助读者理解概念、原理和算法。
本书以Python为平台，以“概述+案例”的方式系统地对计算机视觉进行实战分析。本书先介绍计算机视觉编程基础知识，接着介绍在各个领域利用Python解决计算机视觉问题，最后通过两个经典案例综合分析计算机视觉应用。为了帮助读者更好地掌握相关知识，各章节都是通过概述与案例相结合的方式，让读者在掌握概念的同时举一反三，掌握程序设计的方法，利用程序设计解决实际问题。
基础与前沿知识相融合，仿真分析与真实案例并重；针对工程专业教育教学，注重所学知识的融会贯通。
配套微课视频（84分钟，20集），程序代码，教学课件，习题答案，教学大纲，教学日历等教学资源。
本书在介绍机器人发展、系统组成和分类、机器人坐标系、运动学建模方法及动力学建模方法的基础上，着重介绍各种不同类型机器人的模型特性、建模方法、设计及仿线章，内容涉及机器人的研究现状和发展趋势、机器人运动学、机器人动力学建模方法、气动肌肉机器人、AGV智能搬运机器人、四旋翼飞行机器人、足式移动机器人、工业机器人建模与仿真、工业机器人本体校准技术、机器人仿真平台ADAMS简介和Webots仿真环境介绍等。
本书注重理论与应用的结合，通过多种类型机器人专题的介绍，力求使读者尽快掌握机器人技术及先进的设计和分析方法，了解机器人技术的主要研究方向。本书的突出特色是工业机器人、仿生机器人、飞行机器人等的运动学和动力学建模、运动轨迹控制及其相应的仿真一体化呈现，都是真实案例，可以直接导入个人计算机运行调试。同时本书配套微课视频、教学课件（PPT）、程序代码、习题答案、教学大纲、教学日历等资源，便于读者学习和教师教学。
本书可作为自动化、电气工程及其自动化、机械工程、电子信息工程等专业的本科生和研究生教材，也适合从事机器人研究、开发和应用的有关科技人员学习参考。
本书系统介绍了经典的机器学习算法。在编写过程中，尽量减少数学理论知识，将数学公式转换成原理示意图、步骤解析图、流程图、数据图表和源程序等表达方式，帮助读者理解算法原理。本书注重理论联系实际，将算法应用于实际案例场景，培养理论研究能力和分析、解决问题能力。
本书选取典型的问题作为实践案例，借助案例对算法进行系统解析。在解决实际任务的过程中，读者能够掌握机器学习算法并灵活运用。本书带领读者循序渐进，从Python数据分析与挖掘入门，在实践中掌握机器学习基本知识，最终将机器学习算法运用于预测、判断、识别、分类、策略制定等人工智能领域。
本书内容包含三部分: 第一部分（第1章和第2章）为入门篇，着重介绍Python开发基础及数据分析与处理；第二部分（第3章和第4章）为基础篇，着重介绍机器学习的理论框架和常用机器学习模型；第三部分（第5～11章）为实战篇，介绍经典机器学习算法及应用，包括KNN分类算法、K-Means聚类算法、推荐算法、回归算法、支持向量机算法、神经网络算法以及深度学习理论及项目实例。
本书力求叙述简练，概念清晰，通俗易懂。书中的案例选取了接近实际应用的典型问题，以应用能力、创新能力的培养为核心目标。
本书主要内容包括：数据分析与挖掘简介、爬虫、Scrapy爬虫框架、Numpy、Pandas、Matplotlib、线性回归、Logistic回归、决策树与随机森林、KNN模型、朴素贝叶斯模型、SVM模型等。本书以案例为导向，循序渐进，适合初学者。本书从初学者的角度进行编写，在编写过程中，注重基础知识和案例应用相结合，主要内容包括：数据分析与挖掘简介、爬虫、Scrapy爬虫框架、Numpy、Pandas、Matplotlib、线性回归、Logistic回归、决策树与随机森林、KNN模型、朴素贝叶斯模型、SVM模型等常用算法，最后总结了一些项目的综合实战案例。本书的代码全部使用Python语言实现，适合大数据、人工智能等相关专业选用。
设计了9个与网络编程相关的App。如网络爬虫App、智能桌面App、人脸考勤App、机器人聊天App等。配套微课视频、教学课件、教学大纲、源代码、数据文件等。
本书共9章，设计了9个与网络编程相关的App。第1、2章为全局性、通用性基础知识。第3~9章完成了7个具有较高实用价值的App，依次是网络爬虫App、DenseNet App、智能Web App、智能Android App、智能桌面App、人脸考勤App和机器人聊天App。
本书具备高阶性、创新性与挑战性，可作为网络工程、软件工程、计算机科学与技术、人工智能等专业的本科生教材，也可作为毕业设计指导教材、创新创业训练指导教材、实训实习指导教材，适合研究生和工程技术人员学习参考。
全国高等学校计算机教育研究会十四五规划教材，提供课件、大纲、教案、习题答案、代码、视频讲解。20个上机案例，手把手学会机器学习项目开发，几个特色综合案例
本书以任务为导向，讨论了机器学习和深度学习的主要问题，包括聚类、回归、分类、标注、降维、特征工程、超参数调优、序列决策（强化学习）和对抗攻击等。书中对上述每个问题，分别从决策函数类模型、概率类模型和神经网络类模型三个角度来讨论具体的实现算法。
本书在内容上兼顾基础知识和应用实践。总体上，以基本理论知识为主线，逐步展开，从概念入手，逐步讨论算法思想，着重考虑知识的关联性，最后落实到机器学习扩展库和深度学习框架的具体应用。具体到每个模型，采用以示例入手、逐渐深入的方式，尽量给出详尽的分析或推导。
本书的特点是主要通过示例来讨论相关模型，适合初学者入门使用。本书示例代码采用Python 3程序设计语言编写。传统机器学习算法的应用示例主要以ScikitLearn机器学习扩展库来实现，隐马尔可夫模型示例用hmmlearn扩展库来实现，条件随机场模型示例用CRF++工具来实现。深度学习算法的示例采用TensorFlow 2框架和MindSpore框架来实现。
本书将基础理论和案例实战相结合，循序渐进地介绍了关于机器学习领域中的经典和流行算法，全面、系统地介绍了使用Python实现机器学习算法，并通过PyTorch框架实现机器学习算法中的深度学习内容。第一部分为基础篇，包括第1~8章，系统地介绍了机器学习基础、数据预处理、简单分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络与多层感知机；第二部分为综合篇，包括第9~12。
