本書討論人工智能的理論和方法,我們從它的基本原理出發(fā),由此構(gòu)建它的理論和方法體系.本書由四部分組成,第一部分概論和算法,介紹并討論了它們的類型、特征、運算和應用,重點討論它們的定位問題.第二部分是學科,這就是人工智能和其他學科的關系問題.這些學科是生命科學、信息科學等六大學科.第三部分是系統(tǒng)和應用,其中典型的有圖像、數(shù)

本書深入探討了在網(wǎng)絡時代，專家系統(tǒng)在塑造社會信任方面的核心作用及其面臨的困境。本書選取公共衛(wèi)生事件作為研究的切入點，深入分析了專家系統(tǒng)對于風險社會中群體決策和輿論引導的重要性。書中不僅揭示了影響專家系統(tǒng)社會信任的內(nèi)生和外生因素，而且詳細討論了當這種信任失效風險來臨時可能引發(fā)的多方面負面效應，包括對媒體信任度、科學知識傳

本書主要把握計算機科學與技術的發(fā)展趨勢，熟悉人工智能的前沿知識和研究熱點。本書從人工智能的概述出發(fā)，介紹了人工智能研究領域的基礎知識，與此同時，對人工智能領域的核心算法--機器學習技術展開詳細介紹，讓讀者掌握對相關技術的算法創(chuàng)新以及工程實踐等。該教材緊密聯(lián)系計算機學科中的人工智能前沿內(nèi)容和所涉及的項目實踐技術，讀者通過

針對國內(nèi)外推薦系統(tǒng)技術熱點問題，作者在推薦系統(tǒng)、深度學習學科領域基礎理論方面 從事多年深入探索研究，借鑒國內(nèi)外已有資料和前人成果，經(jīng)過分析論證，收集大量專 家學者近年來有關深度學習推薦系統(tǒng)前沿問題的論壇、講座和報告等展開研究，圍繞基 于內(nèi)容和知識的推薦、混合推薦、深度學習、基于深度學習的推薦以及輔助學習的推薦 等五個方

機器學習雖然在改進產(chǎn)品性能、產(chǎn)品流程和推進研究方面有很大的潛力，但仍面臨一大障礙——計算機無法解釋其預測結(jié)果。因此，本書旨在闡明如何使機器學習模型及其決策具有可解釋性。本書探索了可解釋性的概念，介紹了許多簡單的可解釋模型，包括決策樹、決策規(guī)則和線性回歸等。本書的重點是模型不可知方法，用于解釋黑盒模型（如特征重要性和累積

本書以統(tǒng)一而較簡明的方式介紹人工智能算法在數(shù)值求解復雜系統(tǒng)中的基本方法及最新進展。首先從人工智能與機器學習的基礎算法開始講解，從最基礎的反向傳播神經(jīng)網(wǎng)絡模型開始，介紹一些經(jīng)典的機器學習算法的基礎及其原理。然后從一階常微分方程初值問題引入，分別介紹了常微分方程、偏微分方程以及積分微分方程數(shù)值求解的經(jīng)典算法。隨后分別研究了

本書闡述了邊緣智能的科學問題、基本原理、核心技術、落地方案及產(chǎn)業(yè)價值，全面介紹了人工智能服務應如何釋放到數(shù)據(jù)源附近的網(wǎng)絡邊緣，并指出人工智能和邊緣計算結(jié)合的巨大市場潛力。內(nèi)容包括邊緣智能的發(fā)展背景、應用場景、以及一系列邊緣智能與云邊端協(xié)同、機器學習、強化學習、深度學習、區(qū)塊鏈等技術共同部署應用的核心技術點與架構(gòu)方案。此

在人工智能飛速發(fā)展的今天，大眾對于這一前沿技術仍感神秘且難以窺探其深。為此，本書針對人工智能的核心問題進行了深入剖析，旨在幫助讀者揭開其神秘面紗。本書的主要內(nèi)容圍繞以下問題展開：什么是人工智能？人工智能能否解釋其決策？它能否承擔法律責任？它是否具有代理權？人類應該保留對這類系統(tǒng)的何種控制權，是否取決于所做決策的類型？如

本書全面介紹TensorFlow2.x框架及其在深度學習中的應用，內(nèi)容包括TensorFlow簡介、Python語言基礎、環(huán)境搭建與入門、TensorBoard可視化、多層感知機實現(xiàn)、卷積神經(jīng)網(wǎng)絡實現(xiàn)、循環(huán)神經(jīng)網(wǎng)絡實現(xiàn)、強化學習、遷移學習、生成對抗網(wǎng)絡和GPU并行計算等。

本書主要圍繞AI系統(tǒng)的理論基礎與技術基礎知識展開，結(jié)合實例進行介紹，旨在讓讀者了解AI系統(tǒng)的來龍去脈，形成對AI系統(tǒng)的系統(tǒng)化與層次化的初步理解，掌握AI系統(tǒng)基本理論、技術、實際應用及研究方向，為后續(xù)從事具體的學習研究工作和項目開發(fā)工作奠定基礎。本書首先介紹AI的歷史、現(xiàn)狀與發(fā)展及AI系統(tǒng)的基本知識，后分為AI硬件與體系