人工智能與開源硬件

《人工智能與信息技術(shù)教程》作為高等職業(yè)院校學(xué)生人工智能和信息技術(shù)通識課程的教材，是按照高等職業(yè)教育各專業(yè)領(lǐng)域高素質(zhì)技術(shù)技能人才培養(yǎng)目標的要求編寫的。本教材采用項目導(dǎo)向、任務(wù)驅(qū)動方式組織內(nèi)容，全書共包含6個知識板塊：人工智能信息獲取、人工智能技術(shù)的應(yīng)用、Word2010文檔制作與處理、Excel2010表格處理與分析、P

類腦人工智能是研究、開發(fā)用于模擬、延伸和擴展人腦智能的理論、方法及應(yīng)用的技術(shù)科學(xué)，將類腦人工智能技術(shù)應(yīng)用于目標檢測與跟蹤，可大幅提升復(fù)雜背景、干擾條件下的目標檢測概率及跟蹤精度，具有重要而廣泛的應(yīng)用前景。本書系統(tǒng)闡述了人腦視覺信息處理機制的基本原理、主要特性、數(shù)學(xué)建模及算法設(shè)計等。同時，結(jié)合深度神經(jīng)網(wǎng)絡(luò)（DNN）、類腦

《智能之門：神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)入門（基于Python的實現(xiàn)）》是作者在總結(jié)多年的實際工程應(yīng)用經(jīng)驗的基礎(chǔ)上編著而成的，是一本面向本科生的神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的入門教材。通過閱讀該書，讀者可以掌握神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的基本理論，并通過大量的代碼練習(xí)，在做中學(xué)，提高將理論知識運用于實際工程的能力。該書內(nèi)容豐富，以“提出問題-解決

本書的目標，是讓非機器學(xué)習(xí)領(lǐng)域甚至非計算機專業(yè)出身但有學(xué)習(xí)需求的人，輕松地掌握機器學(xué)習(xí)的基本知識，從而擁有相關(guān)的實戰(zhàn)能力。本書通過AI“小白”小冰拜師程序員咖哥學(xué)習(xí)機器學(xué)習(xí)的對話展開，內(nèi)容輕松，實戰(zhàn)性強，主要包括機器學(xué)習(xí)快速上手路徑、數(shù)學(xué)和Python基礎(chǔ)知識、機器學(xué)習(xí)基礎(chǔ)算法（線性回歸和邏輯回歸）、深度神經(jīng)網(wǎng)絡(luò)、卷積

《零基礎(chǔ)實踐深度學(xué)習(xí)》從人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)三者的關(guān)系開始，以深度學(xué)習(xí)在計算機視覺、自然語言處理和推薦系統(tǒng)的應(yīng)用實踐為主線，逐步剖析模型原理和代碼實現(xiàn)。書中的內(nèi)容深入淺出，通過原理與代碼結(jié)合、產(chǎn)業(yè)實踐和作業(yè)題結(jié)合的方式，幫助讀者更好掌握深度學(xué)習(xí)的相關(guān)知識和深度學(xué)習(xí)開源框架的使用方法。為了讓更多的讀者從中受益，快

本書系統(tǒng)全面地覆蓋了深度學(xué)習(xí)的主要原理、方法和應(yīng)用實踐。介紹了深度學(xué)習(xí)的概念、主流工具及框架，分析了神經(jīng)網(wǎng)絡(luò)原理并實現(xiàn)，對卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和生成對抗網(wǎng)絡(luò)（GAN）這些常用的深度學(xué)習(xí)模型進行了演練，在此基礎(chǔ)上展開基于深度學(xué)習(xí)的目標檢測、圖像分割、人臉識別、文本自動生成等熱門應(yīng)用，為讀者提供了

《統(tǒng)計學(xué)習(xí)要素：機器學(xué)習(xí)中的數(shù)據(jù)挖掘、推斷與預(yù)測(第2版)》在一個通用的概念框架中描述通用于數(shù)據(jù)挖掘、機器學(xué)習(xí)和生物信息學(xué)等領(lǐng)域的重要思想和概念。這些統(tǒng)計學(xué)范疇下的概念是人工智能與機器學(xué)習(xí)的基礎(chǔ)。全書共18章，主題包括監(jiān)督學(xué)習(xí)、回歸的線性方法、分類的線性方法、基展開和正則化、核光滑方法、模型評估和選擇、模型推斷和平均、

本書系統(tǒng)地描述了深度學(xué)習(xí)的基本理論算法及應(yīng)用。全書共14章，第1~3章論述了數(shù)學(xué)基礎(chǔ)、機器學(xué)習(xí)基礎(chǔ)和深度學(xué)習(xí)基礎(chǔ)；第4~7章介紹了一些經(jīng)典網(wǎng)絡(luò)及計算機視覺領(lǐng)域中常用的CNN、RNN、GAN等網(wǎng)絡(luò)結(jié)構(gòu)技術(shù)；第8~9章介紹了深度學(xué)習(xí)在計算機視覺領(lǐng)域的目標檢測及圖像分割兩大應(yīng)用；第10~14章介紹了計算機視覺領(lǐng)域主要的優(yōu)化方

深入深度神經(jīng)網(wǎng)絡(luò)，揭開對抗性輸入如何欺騙深度神經(jīng)網(wǎng)絡(luò)。 探討如何生成對抗性輸入去攻擊深度神經(jīng)網(wǎng)絡(luò)。 探索真實對抗性攻擊場景和為對抗性威脅建模。 評估神經(jīng)網(wǎng)絡(luò)的健壯性；學(xué)會增強人工智能系統(tǒng)應(yīng)對對抗性數(shù)據(jù)的能力。 考察未來幾年可用哪些方式讓人工智能更擅長模擬人的感知。