本书是《动手学深度学习》的重磅升级版本，选用PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出基础的神经网络——多层感知机

本书本着培养高职学生的人工智能基本素养、人工智能思维和人工智能应用实践能力的目标，内容选取符合高职学生的特点，强调人工智能的通识性、典型性和实用性，具有可操作性。本书选取了涵盖人工智能领域的多个典型案例，采用项目化模式构建教学案例，突出实践。每个案例由循序渐进的递进式任务组成，支持课堂分层次教学实施。全书共分7章，主要

本书从图划分的视角系统介绍基于图论的机器学习方法，包括机器学习中的三类基本学习问题：无监督、半监督和监督学习问题，同时考虑协同正则化、多重正则化和路径传播对基于图论的学习方法进行了拓展。通过大量的实验验证，本书提供的方法合理有效，算法效率显著提高。

本书主要利用鲁棒控制理论和随机系统理论研究了噪声环境下多智能体系统的协同控制问题。具体包括噪声环境下异构多智能体系统的一致性，持续干扰下多智能体系统的一致性，噪声环境下多智能体系统的旋转运动和对抗编队控制，最后简要介绍了噪声环境下分数阶多智能体系统的一致性。

本书着重从方法论角度对基于知识图谱的可解释人工智能的相关研究进行分类梳理，并挑选了智能推荐、问答对话、关系推理等三个具有代表性的人工智能任务，在每个任务下遴选出近年来有具有里程碑意义的典型研究成果，详细介绍基于知识图谱的可解释人工智能的理论模型和应用情况。本书既涵盖了大量经典算法，又引入了近年来在该领域研究中涌现出的新

本书在归纳分析国内外关于多智能体系统分布式优化控制算法的基础上，研究了针对外部干扰、系统未建模动态、系统状态受限、固定时间内系统稳定等具体需求的高阶非线性多智能体系统的分布式控制器设计。主要内容包括：设计基于神经网络的自适应控制算法，利用神经网络的万能逼近能力对系统内的未建模动态进行估计，并通过设计神经网络自适应律和自

本书全面详尽地介绍了人工智能从诞生开始以来将如何塑造我们的世界和社会。通过色彩丰富、有趣的插图，和通读易懂的文字，生动地介绍了人工智能的方方面面。清晰地介绍了人工智能的起源、历史、应用情况、技术局限和未来展望，并通过一些简单、实用的科普知识，以生活场景作为切入点，以真实发生的事例作为例证，介绍了“图灵测试”“中国房间”

本书以工作场景和具体任务来驱动，包括53个场景展示、85项任务模拟、237次提问示范，让完全不懂技术的小白，也能成为ChatGPT工具使用方面的行家。

本书是一本全面介绍机器学习方法特别是算法的新书,适合初学者和有一定基础的读者。机器学习可以分成三大类别,监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。机器学习背后

本书围绕应用环境中实际问题的求解过程来阐述和讲解程序设计思想方法和相关技术知识,向学生展示如何设计和选择合适的数据结构来表示实际问题中的处理对象,如何把一个实际问题转化成一个程序可计算的逻辑模型,以及如何考虑程序运行的效率来满足问题求解对时间的要求等。