本教材系统地论述了人工智能的经典理论及人工智能主要研究领域的基础知识与应用场景，目标是用通俗易懂的方法帮助读者构建完整的人工智能知识体系，为后续的深入学习打下基础。本教材通过讲解人工智能在诸多领域的经典应用案例，帮助读者更好地了解人工智能技术的发展和日常生活的关切度，以及未来人工智能的发展趋势及面临的挑战。本教材内容采

本书讲述了绪论、时标上的加权伪概周期函数与动力方程的加权伪概周期解、时标上神经网络的加权伪概周期解的存在性与稳定性等内容。

本书提到三个循环：第一个循环也是最核心的循环，即世代沿袭的人类本能。人类天生具有偏见，而且更倾向于使用大脑的系统1行事，在这个过程中，人类原有的偏见进一步被强化，形成第一个循环。第二个循环是来自现代的力量，如消费类技术、资本主义、营销和政治，它们对核心循环的人类行为进行采样，总结出模式，再将这些模式反作用于人类，最终引

自主无人系统及应用中的问题

机器学习数学基础

本书以PyTorch作为深度学习框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基础知识与常见深度学习算法实现，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高级神经网络实现，主要包括常见的深度学习网络结构，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～

阅读本书需要具备一定的Python语言编程基础知识。编者充分调研了行业、企业对人才技术技能的需求，将教学过程和企业深度学习模型的训练与部署、人工智能应用开发等生产过程衔接，与企业一线工程人员共同研究学生需要掌握的职业理论知识和技能，同时参照人工智能深度学习工程应用职业技能等级证书要求，将证书和岗位需求充分融入本书。本书

智能问答技术在自然语言处理和人工智能领域发挥着重要的作用。它将信息检索、知识表示和自然语言处理技术融合在一起，为智能推荐、网络客服等任务提供了杰出的支持。本书共分为11章，分为3个部分。第1部分主要介绍知识库的构建，包括现有的知识库构建技术、基础知识、数据采集技术、数据转换储存和查询流程、异构数据源实体对齐和面向知识图

图可以被用于表示各类对象之间的关系，而图神经网络是指专门用于处理图数据的深度学习模型，可实现对图数据的建模和推断。本书系统地介绍了图神经网络的基本原理、常用模型和应用领域等。首先介绍了两类最基本的图神经网络方法GCN和GraphSAGE，并给出了图神经网络的学习目标、评价方法；然后对图神经网络中常用的模型结构进行了深入

生成式AI是科技领域最炙手可热的话题。这本实践用书教授机器学习工程师和数据科学人员如何利用TensorFlow和Keras从零开始创建令人印象深刻的生成式深度学习模型，包括变分自编码器(VAE)、生成对抗网络(GAN)、Transformers、归一化流、基于能量的模型和去噪扩散模型。本书从深度学习的基础知识开始，逐步