在這本書中，作者著力討論了幾種獲取機器學習和數(shù)據(jù)挖掘算法性能的相關(guān)知識的方法。作者展示了如何再次利用這些知識來選擇、組合、編撰和調(diào)整算法和模型，從而為數(shù)據(jù)挖掘提供更快、更有效的解決方案，幫助研究人員改進算法，并開發(fā)能夠自我改進的學習系統(tǒng)。本書的新版在舊版基礎(chǔ)上就內(nèi)容做了非常大的擴充。作者介紹了最新的自動機器學習方法，闡

數(shù)系的擴充始終貫穿于數(shù)學理論的發(fā)展之中. 本書利用交互式定理證明工具Coq,在Morse-Kelley公理化集合論形式化系統(tǒng)下, 給出中國科學與技術(shù)大學汪芳庭教授在其《數(shù)學基礎(chǔ)》中采用算術(shù)超濾分數(shù)構(gòu)造實數(shù)的機器證明系統(tǒng),包括超濾空間與算術(shù)超濾的基本概念、超濾變換以及用算術(shù)超濾構(gòu)造算術(shù)模型的形式化實現(xiàn),構(gòu)建了非標準實數(shù)模

本書主要包含以下內(nèi)如：最優(yōu)化問題的簡介，凸分析基礎(chǔ)，無約束優(yōu)化的理論及線搜索算法框架，信賴域算法，線搜索收斂性分析及收斂速度分析，半光滑牛頓算法，共軛梯度算法，約束優(yōu)化理論及延伸理論，罰方法，增廣拉格朗日算法及算法在實際問題(支持向量機模型、超圖匹配)中的應(yīng)用。本書對知識點的分析緊密結(jié)合當前研究前沿問題，并通過對應(yīng)用問

圖像融合技術(shù)可將多源圖像的互補特征進行綜合，以得到更加完整和準確的場景描述，從而彌補單一傳感器單幅圖像的不足，是一種廣泛應(yīng)用的圖像預(yù)處理技術(shù)，如多攝像頭拍照、微光夜視、醫(yī)學診斷、遙感等應(yīng)用領(lǐng)域。本書以多源圖像融合技術(shù)為主要內(nèi)容，在研究圖像尺度分析、遷移學習、深度學習算法與模型的基礎(chǔ)上，針對多聚焦圖像融合、多模態(tài)醫(yī)學圖像

本書針對推薦系統(tǒng)中的二部圖、社交網(wǎng)絡(luò)和知識圖譜的圖結(jié)構(gòu)模式，研究基于圖表示學習的深度推薦系統(tǒng)。通過挖掘圖信息中的隱性關(guān)系和高階關(guān)系，使用圖學習的方式探索用戶和產(chǎn)品的潛在關(guān)聯(lián)，彌補相關(guān)推薦系統(tǒng)研究在挖掘用戶之間或者產(chǎn)品之間隱性關(guān)系方面的不足，形成一系列合理而且有效的推薦技術(shù)。增加推薦系統(tǒng)輸入的多樣性，運用社交網(wǎng)絡(luò)和知識圖

人工智能（AI）已成為世界各地的熱門話題，因為它可以為人類帶來顯著的好處，以及可能隱藏在該技術(shù)中的感知和實際危險。在《人工智能風險·回報·未來》：中，KevinChen用清晰簡單的語言闡述了人工智能的許多方面，詳細介紹了人工智能如何給世界的運作方式帶來深刻的變化。人工智能正在交通、物流、醫(yī)學

奇異跳變系統(tǒng)是一類具有廣泛形式的動力系統(tǒng)，能有效地描述電力系統(tǒng)、電路系統(tǒng)、社會經(jīng)濟系統(tǒng)等實際系統(tǒng)。本書以時滯奇異跳變系統(tǒng)為研究對象，旨在提出有效的容許性分析與控制器設(shè)計方法。本書主要介紹時滯奇異跳變系統(tǒng)容許性分析與狀態(tài)反饋控制、時滯奇異跳變系統(tǒng)觀測器設(shè)計與異步反饋控制、時滯奇異跳變系統(tǒng)濾波器設(shè)計與故障檢測、時滯奇異跳變

數(shù)智平臺設(shè)計與用戶行為研究-認知神經(jīng)科學視角

自主無人系統(tǒng)及應(yīng)用中的問題

機器學習數(shù)學基礎(chǔ)

本書闡述了分布式人工智能原理及其應(yīng)用，基本原理的主要內(nèi)容包括的分布式人工智能的內(nèi)涵、基本原理、計算框架等；研究了分布式人工智能學習與優(yōu)化、強化學習與演化計算、群智能體強化學習等前沿方法；給出了分布式信息融合、視覺感知、協(xié)同搜索、對抗博弈決策和智能博弈推演等典型應(yīng)用，建立起了較為全面的知識體系與脈絡(luò)，為后續(xù)研究奠定了良好

《四元數(shù)神經(jīng)網(wǎng)絡(luò)穩(wěn)定性理論及應(yīng)用》旨在介紹四元數(shù)神經(jīng)網(wǎng)絡(luò)穩(wěn)定性理論及應(yīng)用的研究現(xiàn)狀、典型模型、常用研究方法.具體內(nèi)容包括四元數(shù)神經(jīng)網(wǎng)絡(luò)漸近穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡(luò)魯棒穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡(luò)μ-穩(wěn)定性及均方穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡(luò)Mittag-Leffler穩(wěn)定性、四元數(shù)神經(jīng)網(wǎng)絡(luò)Lagrange穩(wěn)定性及H-U穩(wěn)定性、四元數(shù)神

中國原創(chuàng)學科可拓學，用形式化的模型，研究事物拓展的可能性和開拓創(chuàng)新的規(guī)律與方法，并用于創(chuàng)新和處理矛盾問題.《可拓學（第二版）》系統(tǒng)地闡述了可拓學的基本理論——可拓論、基本方法——可拓創(chuàng)新方法及其在各領(lǐng)域的應(yīng)用——可拓工程，并給出可拓工程方法的應(yīng)用案例.《可拓學（第二版）》理論與應(yīng)用相結(jié)合，分析透徹，可操作性強.讀者可以

本書介紹了文心一言的操作技巧和提示詞，列舉了文本、文案方案、個人IP內(nèi)容、個人學習成長和個人生活助手等多個領(lǐng)域的輔助生成應(yīng)用案例�！笆谌艘詽O，給人工具”“拿來即用，來即參”，本書旨在為讀者提供使用文心一言的工具方法、案例和技巧，幫助讀者十倍甚至百倍提升工作的創(chuàng)造力和生產(chǎn)力。

學科的范式(科學觀與方法論)是指導(dǎo)學科研究的**引領(lǐng)力量。然而作者發(fā)現(xiàn)：作為信息學科高級篇章的人工智能卻遵循著物質(zhì)學科的范式，使人工智能的研究嚴重受限。因此，本書實施了人工智能的范式革命：總結(jié)了信息學科的范式，以此取代物質(zhì)學科范式對人工智能研究的統(tǒng)領(lǐng)地位；在信息學科范式的引領(lǐng)下，構(gòu)筑人工智能的全局模型，揭示普適性智能生

概念認知學習是人工智能、大數(shù)據(jù)領(lǐng)域關(guān)注的多學科交叉研究方向，涵蓋了哲學、數(shù)學、心理學、認知科學以及信息科學等領(lǐng)域．《概念認知學習理論與方法》旨在為廣大學者和科研工作者提供概念認知學習領(lǐng)域的基礎(chǔ)理論與學習方法．《概念認知學習理論與方法》主要內(nèi)容包括概念認知學習的基本概念和基礎(chǔ)知識、概念認知系統(tǒng)的邏輯推理、概念認知的雙向?qū)W

本書重點圍繞眾智科學智能理論與計算方法展開介紹，主要內(nèi)容包括眾智的定義和建模、眾智的分析與計算方法、單個智能體和多個智能體的智能進化方法、眾智水平分析方法，以及眾智科學智能理論在典型場景的應(yīng)用。

本書系統(tǒng)介紹了眾包學習的概念、應(yīng)用領(lǐng)域、前沿課題和研究實踐。在基礎(chǔ)知識方面，本書介紹了眾包的起源與發(fā)展、眾包技術(shù)的研究方向，分析眾包模式給機器學習帶來的機遇與挑戰(zhàn)。在前沿技術(shù)方面，本書詳細闡述了眾包標注真值推斷與面向眾包標注數(shù)據(jù)的預(yù)測模型學習等前沿研究課題。在研究實踐方面，本書介紹了面向偏置標注的眾包標簽真值推斷、基于

本書系統(tǒng)地介紹了人工智能的基本概念、主要方法及代表性模型算法。本書根據(jù)人工智能的知識體系，在兼顧傳統(tǒng)的人工智能方法的基礎(chǔ)上，重點突出前沿性內(nèi)容，并對自動推理、遺傳算法、神經(jīng)網(wǎng)絡(luò)、啟發(fā)式優(yōu)化、機器學習、異常檢測、梯度下降、邏輯回歸、反向傳播、卷積網(wǎng)絡(luò)、語言模型、詞向量等常見技術(shù)進行詳細闡述和討論。本書結(jié)合應(yīng)用安排了示例和

本書對應(yīng)課程屬于一門概論性課程。本書將傳統(tǒng)的和新一代的人工智能/智能制造融于一體，從傳承與發(fā)展視角出發(fā)概述人工智能與智能制造的發(fā)展現(xiàn)狀及其相互關(guān)系，重點闡述人工智能與智能制造共性基礎(chǔ)技術(shù)、知識驅(qū)動的符號智能、數(shù)據(jù)驅(qū)動的機器學習、智能制造理論與技術(shù)體系、智能制造的物理系統(tǒng)和信息系統(tǒng)，并指出人工智能與智能制造的未來發(fā)展方向