本书系统介绍强化学习领域的理论基础、关键算法及其在实际场景中的广泛应用，以深入浅出的方式全面覆盖强化学习领域的核心知识体系与技术方法，包括强化学习的基本概念、经典算法、深度强化学习、奖励空间探索、模仿学习、基于模型的强化学习及该领域的最新研究进展。此外，本书还将对视觉强化学习、多任务强化学习、蒙特卡洛树搜索、通用智能体

本书首先阐释搜索智能、知识智能的简明原理，再聚焦机器学习、深度学习建模方法，以及计算机视觉、自然语言处理、时序数据分析等经典应用技术，最后介绍人工智能生成内容、大语言模型(LLM)、检索增强生成(RAG)、智能体(Agent)等前沿应用方向。全书以理解智能原理和应用实践为目标，采用案例驱动方式，并借助大语言模型赋能编写

本书旨在反映该领域的最新进展。包括对最近几项重要技术的重要报道，如transformers主导了许多自然语言处理任务，批量归一化还有ADAM优化，在学习大型深度神经网络中很流行，以及最近流行的深度生成模型，如变分自动编码器(VAE)和生成性对抗网(GAN)。

本书提出独创的“实验五元素法”——任务(Task)、算法(Algorithm)、器材(Equipment)、程序(Program)、效果(Effect)，以结构化的方式指导教师与学生进行实验设计与数据分析。每个案例都提供了硬件连接图、程序代码和实验结果展示，能够在课堂教学、教师培训或学生科技创新活动中直接使用。内容涵盖

本书共七章：第一章概述基础概念与主要应用领域；第二章详解开发全流程与主流框架配置实验；第三章解析卷积神经网络结构及目标检测实验；第四章探讨循环神经网络及其文本分类应用实验；第五章阐释生成对抗网络与图像生成实验；第六章剖析Transformer及时序预测实验；第七章介绍模型压缩技术与轻量化部署实验。本书涵盖从环境搭建、模

全书共9章，基础算法篇(第1-4章)讲述线性方程组的直接解法、经典迭代解法和Krylov子空间法。应用算法篇(第5章和第6章)介绍特征值和最小二乘法问题算法，这些算法在人工智能中有着广泛应用。优化算法篇(第7-9章)介绍深度学习和人工智能中常用的优化算法，包括SGD、MBSGD、Adam、DFP、BFGS等；最后结合B

本书基于作者从事人工智能领域前沿研究和课程教学的经验编写，从人工智能的起源和发展历程出发，重点介绍了与人工智能相关的主要方法，包括搜索与求解算法、自动推理与定理机器证明、机器学习、自然语言处理和人机交互、文字图像和语音模式识别等，同时对人工智能与未来技术的发展进行了展望。此外，本书还对我国学者在数学机械化与人工智能其他

本书共分为三个部分。第一部分(第1-3章)：这部分是全书的逻辑起点。通过解析当前大模型的瓶颈与技术隐患，回答了“为什么需要寻找新范式”的问题。建议所有读者通读，以建立对行业现状的清醒认知。第二部分(第4-9章)：这部分是核心技术推演。从自主学习机制到四阶段发展路径，这部分都进行了详细介绍，涵盖了底层算法替代、软硬件协同

本书开篇介绍AI基础知识与攻防环境搭建，为后续深入探讨筑牢根基；随后深入剖析模型攻击，涵盖投毒攻击、木马篡改攻击、供应链攻击等多种类型，详细阐述其原理、实施方式及应对策略。针对已部署AI系统的攻击，如规避攻击、隐私窃取攻击等手段，书中也有全面解析，并给出防御方法。本书在生成式AI与对抗攻击部分，探讨GAN、大语言模型面

本书立足实践视角，由浅入深系统讲解DeepSeek高性能应用开发核心内容，细致梳理软件开发技巧与提示词工程相关知识。全书共六章，按行业领域划分应用方向，全面覆盖多领域DeepSeek实操应用，书中多数案例搭配实景效果图，直观展示界面样式与操作流程，降低学习理解难度。