《机器学习与人工智能》涵盖了与人工智能相关的机器学习核心方法，包括深度卷积神经网络、循环神经网络、生成对抗网络、蒙特卡罗树搜索、强化学习。《机器学习与人工智能》也包括一些应用非常广泛的机器学习方法，例如，支持向量机、决策树和随机森林、隐马尔可夫模型、聚类与自组织映射。《机器学习与人工智能》还包含一些重要的大数据分析方法

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。

计算智能是人工智能领域较为前沿的研究方向，它是受“大自然智慧”启发而被设计出的一类算法的统称。计算智能所具有的全局搜索、高效并行等优点为解决复杂优化问题提供了新思路和新手段，引起了国内外学者的广泛重视并掀起了研究热潮。目前，计算智能的相关技术已成功应用于信息处理、调度优化、工程控制、经济管理等众多领域。 本书在归纳近年

当前，人工智能作为一项引领未来的颠覆性战略技术，已在国家安全、国防军事、社会治理、文化教育、医疗健康、家居娱乐等领域初露峥嵘，成为世界各国极其重视的核心竞争力技术之一。本书主要研究人工智能新技术、新构想、新应用，面向未来，从人工智能发展历程、机器学习、感知认知、人机交互、机器人、脑科学、"智能+"未来应用，以及人工智能

本书主要利用控制论、代数图论、矩阵论及偏微分方程等理论和方法,重点阐述了多智能体系统一致性和复杂动态网络同步控制这两个问题,主要讨论以下几类问题：多智能体系统的**-跟随一致性问题;时滞复杂网络的同步问题;Lurie型动态网络的簇同步问题.

知识工程是创新方法的一种，是一个采用人工智能技术进行文本理解阅读，用知识图谱进行知识表达，并在知识图谱上构建的一个具有搜索、推荐、问答、舆情监测和社区服务功能的系统。本书概括了知识管理和知识工程的各种概念，描述了人工智能技术在知识挖掘中的应用发展趋势及实现知识工程的云架构技术，列举了知识工程在几个典型行业的应用实例，展

本书从统计学观点出发，以数理统计为基础，全面系统地介绍了统计机器学习的主要方法。内容涉及回归（线性回归、多项式回归、非线性回归、岭回归，以及LASSO等）、分类（感知机、逻辑回归、朴素贝叶斯、决策树、支持向量机、人工神经网络等）、聚类（K均值、EM算法、密度聚类等）、蒙特卡洛采样（拒绝采样、自适应拒绝采样、重要性采样、

《强化学习》一书内容系统全面，覆盖面广，既有理论阐述、公式推导，又有丰富的典型案例，理论联系实际。书中全面系统地描述了强化学习的起源、背景和分类，各类强化学习算法的原理、实现方式以及各算法间的关系，为读者构建了一个完整的强化学习知识体系；同时包含丰富的经典案例，如各类迷宫寻宝、飞翔小鸟、扑克牌、小车爬山、倒立摆、钟摆、

随着人工智能的发展以及TensorFlow在人工智能方面的火热应用，越来越多的大学逐步开设深度学习和人工智能课程。本书既是一本为读者量身定制的TensorFlow2.0入门教材，也是针对需要学习TensorFlow2.0新内容的读者提供的基础与进阶知识的深入型教材。本书分为10章，主要内容包括TensorFlow2.0

本书是一本体系完整、突出算法和教学资源丰富的人工智能教材，可帮助读者掌握人工智能脉络体系，从算法和模型方面来了解人工智能具能、使能和赋能的原理。全书共9章，第1章绪论；第2章逻辑与逻辑；第3章搜索求解；第4章监督学习；第5章无监督学习；第6章深度学习；第7章强化学习；第8章人工智能博弈；第9章人工智能未来发展和趋势。书