本书以Keras深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用Keras进行深度学习的重要内容。全书共7章，内容包括深度学习概述、Keras深度学习通用流程、Keras深度学习基础、基于RetinaNet的目标检测、基于LSTM网络的诗歌生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现诗歌生成等。本书大部分章包含实训和课后习题，通过练习和操作实践，读者可以巩固所学的内容。
本书可以作为高校数据科学或人工智能相关专业的教材，也可作为深度学

本书共分为七章。第一章主要介绍数学对应人工智能的重要性，以及代数学和分析学中的基础概念，是后面各章的基础。第二章和第三章分别介绍了微积分和线性代数核心内容，并将相关基础知识映射到人工智能领域，从这一视角理解数学基础知识的工程应用。第四章介绍了矩阵分解这一重要数学工具及其在人工智能领域的典型应用。第五章介绍了概率论基础知识及在人工智能领域的广泛应用。第六章介绍了最优化理论及算法，以及它们在机器学习和人工智能中的基础性应用。第七章主要介绍了信息论的基本概念和在人工智能中常见的应用。

本书分为三篇。第1篇是多智能体机器人系统的基础(第1-3章)，介绍多智能体系统的概念、必要的控制原理和数理知识。第2篇是多智能体机器人系统的控制(第4-5章)，分别针对一阶和二阶多智能体系统进行了各种情况下的一致性和编队控制与验证。第3篇是多智能体机器人系统的应用(第6-8章)，分别针对多无人车系统、多无人机系统以及由它们组成的异构多智能体系统，讲述了在各种情况下的一致性控制、编队控制和最优控制等的实验与应用。

本书是一本面向所有人的提示工程工具书，旨在帮助你掌握并有效利用以ChatGPT为代表的AI工具。学习完本书后，你将能够自如地将ChatGPT运用在生活和专业领域中，成为ChatGPT进阶玩家。 本书共分为9章，内容涵盖三个层次：介绍与解读、入门学习、进阶提升。第1～2章深入介绍与剖析了ChatGPT与提示工程，并从多个学科的角度探讨了提示工程学科。第3～5章演示了ChatGPT的实际运用，教你如何使用ChatGPT解决自然语言处理问题，并为你提供了一套可操作、可重复的提示设计框架，让你能够熟练

本书共分十章，主要内容包括：ChatGPT简介；ChatGPT是如何工作的；编写ChatGPT提示语；理解ChatGPT中的GPT模型；警告、伦理和“负责任的Al”；深入使用ChatGPT：专业及其他用途等。

本书以生活实际为抓手，通过走进先进科技企业或者文化发源地，自主研学、探索了解并学习前沿技术与课堂知识，在此基础上利用3D One AI软件在3D模型作品中配置电子元器件并编写程序，制作出“智慧化”项目产品，通过9个案例，让读者在玩(实践)、学习、研究、制作的过程中熟练掌握3DOneAI软件的操作、智能化电子元器件的使用、编程技巧以及人工智能相关知识。

本书共分为三篇，分别是基础篇、案例篇、项目篇，其中基础篇16章、案例篇10章、项目篇2章。从学Spring、Spring MVC和Spring Boot到用Spring、Spring MVC和Spring Boot的角度出发，帮助读者快速掌握基础知识的同时，引导读者如何使用它们开发应用程序。

本书从ChatGPT的基本知识、技术原理和应用场景出发，详细探讨了如何运用ChatGPT提升职场竞争力。全书共分为10章，内容包括ChatGPT在职场沟通、工作效率、个人品牌价值、职业发展、创意思维、领导力与管理、学习与自我成长、数据分析、服务与谈判等方面的应用。通过阅读本书，读者可以了解到ChatGPT的强大功能和在各领域的实际应用，从而有效提升职场竞争力。 本书内容丰富、实用性强，旨在帮助读者在职场中更好地运用ChatGPT技术。适合职场人士、管理者、开发者及对人工智能技术感兴趣的读者阅

数据是人类共同的财富数据是现代科学研究的基石。在当今这个大数据的时代，如何强调数据的重要性似乎都不为过。随着互联网及其应用的普及，传统关系数据库越来越难以满足计算机应用对数据存储、访问和安全的需要，非关系数据库和新兴数据库应运而生。本书主要面向新一代数据库系统，详细介绍数据库发展史、数据库设计原则、NoSQL和NewSQL的基本原理与设计思想。本书选取了新一代数据库发展历程中具有代表性的数据库展开讲解，如键值数据库实例的Redis与DynamoDB、列族数据库的HBase与Cassandr

机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率最大化思想估计模型参数，利用方差对不确定性的捕捉构造 k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。具体模型包括线性回归模型、K近邻模型、贝叶斯推断、逻辑回归模型、最大熵模型、决策树模型、感知机模型、支持向量