本书立足于基础性研究和实证性研究相结合的基本原则，分别选择“智能经济的理论逻辑前提”“智能革命与智能经济”“智能经济形态的理性认知”“现代化经济体系与智能经济形态”“数字基础设施建构”“数字经济类别及其典型场景应用”等关键领域，较为系统地提出了智能革命驱动智能经济演进的理论，尝试着阐明有关数字经济、智能经济实践应用方面的理论基础，围绕数字基础设施等主要应用场景展开了深入研究，并探讨了我国现代化经济体系的建构问题，对于指导数字经济和智能经济实践提供了重要参考，从而助力中国经济更加清晰、从

本书从祖先的“仿生”入手，到机器“仿人”，到人工智能技术在人们生活中的应用，集科技与生活于一书，分为八个话题，图文并茂地向读者介绍以“灵性”为核心的“人工智能”基础科学知识，讲述作为世界第一梯队的中国科技工作者在人工智能领域取得伟大成就背后的故事。本书主要讲述民用人工智能技术的基本情况，能够激发读者的阅读兴趣，引领读者了解人工智能，展现了在国家强盛、科技发达的背景下，中国人工智能迅猛发展的宏伟蓝图。

本书系统阐述了智能算法在波束形成设计、波达方向估计与声源定位中的应用。全书分三篇，共11章，主要涉及仿人智能算法、仿生物进化智能算法、群体智能优化算法和深度学习等的原理、方法及实现框架，宽带波束形成、稳健自适应波束形成、混响背景下波束形成的设计原理与方法，以及宽带信号波达方向估计与近场声源定位算法，也给出了智能算法在波束形成器设计、波达方向估计和声源定位中的应用实例。
本书内容涉及较广，在内容组织上力求系统、科学、合理，特别注重逻辑性，介绍由浅入深，便于自学。本书可作为人工智能、

本书重点围绕众智科学智能理论与计算方法展开介绍，主要内容包括众智的定义和建模、众智的分析与计算方法、单个智能体和多个智能体的智能进化方法、众智水平分析方法，以及众智科学智能理论在典型场景的应用。

概念认知学习是人工智能、大数据领域关注的多学科交叉研究方向，涵盖了哲学、数学、心理学、认知科学以及信息科学等领域．《概念认知学习理论与方法》旨在为广大学者和科研工作者提供概念认知学习领域的基础理论与学习方法．《概念认知学习理论与方法》主要内容包括概念认知学习的基本概念和基础知识、概念认知系统的逻辑推理、概念认知的双向学习机制、对象 -属性诱导概念学习理论、多注意力概念认知学习模型、渐进模糊三支概念的增量学习机理、复杂网络下的概念认知学习以及概念的渐进式认知等理论体系．

本书立足于AIGC技术前沿与发展趋势，全面阐述了AIGC的概念内涵、底层技术与应用场景，详细梳理全球科技巨头在AIGC领域的战略布局，并辅之以大量生动有趣的案例，深度剖析AIGC在各行业领域的应用场景，旨在引导读者真切感受AIGC革命浪潮蕴含的商业创造力。
全书分为五个部分，共18章。第一部分主要厘清AIGC技术的起源与演变，阐述席卷全球的AIGC背后的技术架构以及AIGC的应用场景；第二部分重点剖析AIGC产业现状与生态图谱，以及AIGC产业的发展机遇、挑战与未来趋势；第三部分着

本书以PyTorch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PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内容。 本书可以作为高等学校数据科学与大数据技术或人工智能相关专业的教材，也可作为深度学习爱好者的自学

本书系统介绍了众包学习的概念、应用领域、前沿课题和研究实践。在基础知识方面，本书介绍了众包的起源与发展、众包技术的研究方向，分析众包模式给机器学习带来的机遇与挑战。在前沿技术方面，本书详细阐述了众包标注真值推断与面向众包标注数据的预测模型学习等前沿研究课题。在研究实践方面，本书介绍了面向偏置标注的众包标签真值推断、基于机器学习模型的众包标签噪声处理、众包标签利用方法与集成学习模型、基于不确定性度量的众包主动学习等典型研究案例。

本书全面介绍了统计机器学习的主要算法，内容涉及多元线性回归、对数线性回归、逻辑斯蒂回归、岭回归、Lasso回归、判别分析和聚类分析等传统方法，也涉及支持向量机、深度神经网络以及集成学习等比较热门的算法，并给出相应算法的R语言实现。本书还给出了向量和矩阵函数求导以及拉格朗日对偶等数学基础，便于读者理解相关算法推导。 本书可以作为统计机器学习等相关专业的教材和参考书，也可供从事相关领域研究的人员参考。

人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。本书面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、分析方法、理论思想进行介绍。结合相应组学挖掘的具体研究案例，向读者展示组学人工智能驱动的生命健康交叉研究的绚烂图景。