本书是近年来作者对混合智能系统研究成果及经验的总结。本书界定了混合智能系统的研究范围和研究层次，给出了混合智能系统的概念。以设计科学的思想为基础，以基于案例推理的混合智能系统技术选择为核心，依据“从定性到定量综合集成研讨厅”的基本思想，提出了基于案例推理的混合智能系统构造方法。在对串型混合智能系统、并型混合智能系统、反馈型混合智能系统、内嵌型混合智能系统、混联型混合智能系统的应用特点进行分析的基础上，对基于案例推理的混合智能系统构造方法进行了实证研究，并将混合智能系统引入商务智能的应用中。最后对

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。机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多,但是最快捷的办法还是带着机器学习的具体问题来掌握背后的数学原理。因为线性代数和概率理论使用较多,本书在最后

本书针对高等学校人工智能本科生专业人才培养的专业内涵、定位和知识体系,设置了数学与统计、科学与工程、计算机科学与工程核心、人工智能核心、认知与神经科学、先进机器人技术、人工智能与社会、人工智能工具与平台等专业课程群,重点介绍了八大课程群中各课程的概况和知识点,为培养具有科学家素养的工程师奠定知识和能力的基础。

本书系统介绍以相机和惯性测量单元为主传感器的视觉、视觉惯性SLAM算法。本书通过选取该领域有代表性的两个开源项目,从原理阐述、公式推导、代码解析和工程经验等多个维度,对SLAM技术进行全面的解读。为了让读者在轻松的氛围中快速理解专业知识,本书以小白和师兄对话的形式娓娓道来,帮助读者在学习的过程中不断思考和提升。

本书是《Scikit-learn机器学习详解》（潘风文编著）的进阶篇，讲解了Sklearn（Scikit-learn）机器学习框架的各种高级应用技术，包括数据集导入工具、集成学习、模型选择和交叉验证、异常检测、管道、信号分解、模型持久化以及Sklearn系统高级配置。通过本书的学习，读者可快速掌握Sklearn框架的高级知识，迈入人工智能殿堂的大门。本书适合有志于从事机器学习、人工智能技术开发的人员或爱好者使用，也可作为相关专业的教材。

本书介绍了软件测试的基本概念、原理、基本方法及测试过程等内容，包括软件测试技术概述、静态测试、黑盒测试、白盒测试、集成测试、系统测试、测试报告管理、智能软件测试以及单元测试框架Junit、压力测试工具Jmeter的使用方法，同时还介绍了软件测试与质量保证等内容。本书为软件测试的基础教材，旨在让学生能够熟练地对实际软件进行有效测试，为后续核心课程的学习积累知识，培养学生专业技能，满足软件开发、软件测试、软件质量保障等技能要求。本书适合作为高等院校计算机相关专业学生的教材，也可作为软件测试及软件开发

2019年我社联合南京大学人工智能学院出版了国内外率先公开出版和发表的人工智能本科专业教育培养体系，在国内人工智能教育领域起到了很好的引领和示范作用，有效推动了中国人工智能高等教育的发展。经过3年多的探索和实践，南京大学完成了一整轮本科和研究生培养方案的修订，准备集结出版这本AI人才培养体系的第2版，一方面对原有的AI本科体系进行了调整，另一方面是新设了AI方向研究生培养的内容，使得体系更加系统化和全面化。

软件架构是指可以简化软件开发过程并提高应用程序质量的实现架构和系统。本书在第1版的基础上进行了全面修订和扩展，面向.NET5和C#9，介绍了一些能够助你成为一名卓越的软件架构师所需的关键技能、知识和**实践。第2版增加了对软件架构原则的额外讲述、Azure服务结构、Kubernetes和Blazor等新章节。另外，还增加了关于安全性、微服务和DevOps的讨论，以及软件开发周期的GitHub部署。首先，介绍如何将用户需求转换为软件架构需求，并探讨功能性需求和非功能性需求之间的差异。然后，探讨如何

本书基于作者多年的研究成果，详细介绍了跨数据中心机器学习的训练系统设计和通信优化技术。本书面向多数据中心间的分布式机器学习系统，针对多数据中心间有限的传输带宽、动态异构资源，以及异构数据分布三重挑战，自底向上讨论梯度传输协议、流量传送调度、高效通信架构、压缩传输机制、同步优化算法、异构数据优化算法六个层次的优化技术，旨在提升分布式机器学习系统的训练效率和模型性能，突破跨数据中心机器学习的通信瓶颈和数据壁垒，实现多数据中心算力和数据资源的高效整合。本书可作为跨数据中心机器学习的参考资料，供人工智能