近年來機器學(xué)習(xí)取得了長足的進(jìn)步。深度學(xué)習(xí)系統(tǒng)使得一些以往不可能實現(xiàn)的智能應(yīng)用成為現(xiàn)實，推動了圖像識別和自然語言處理的巨大變革，也成功識別出了數(shù)據(jù)中的復(fù)雜模式。Keras深度學(xué)習(xí)庫為使用R語言的數(shù)據(jù)科學(xué)家和開發(fā)者提供了處理深度學(xué)習(xí)任務(wù)的工具集�！禦語言深度學(xué)習(xí)》基于強大的Keras庫及其R語言接口介紹了深度學(xué)習(xí)。本書源于

全書共6章：第一章概論，第二章物理系統(tǒng)的數(shù)學(xué)模型，第三章時域分析法，第四章根軌跡法，第五章頻率響應(yīng)法，第六章線性系統(tǒng)頻率法校正。每章除控制理論外，還介紹了相關(guān)內(nèi)容的MATLAB在經(jīng)典控制理論中的應(yīng)用，并附有本章小結(jié)和習(xí)題。書后附有3個附錄——附錄一拉普拉斯變換、附錄二部分分式展開法和附錄三部分習(xí)題參考答案作為書中內(nèi)容的

本書將人工智能的理論、實踐和創(chuàng)新型相結(jié)合，實現(xiàn)了先進(jìn)性與新穎性并舉，內(nèi)容涵蓋了圖像、語音、文本和□□等人工智能技術(shù)廣泛應(yīng)用的多個領(lǐng)域，涉及識別、分類、檢測、預(yù)測、跟蹤和三維重建等多類試驗任務(wù)。內(nèi)容與理論教學(xué)相呼應(yīng)，注重趣味性，極具實操性。

機器學(xué)習(xí)雖然對改進(jìn)產(chǎn)品性能和推進(jìn)研究有很大的潛力，但無法對它們的預(yù)測做出解釋，這是當(dāng)前面臨的一大障礙�！犊山忉寵C器學(xué)習(xí)：黑盒模型可解釋性理解指南》書是一本關(guān)于使機器學(xué)習(xí)模型及其決策具有可解釋性的書。本書探索了可解釋性的概念，介紹了簡單的、可解釋的模型，例如決策樹、決策規(guī)則和線性回歸，重點介紹了解釋黑盒模型的、與模型無關(guān)

本書主要闡述了單輸入、單輸出線性定常系統(tǒng)中自動控制的基本理論及其應(yīng)用。全書共分為6章，主要內(nèi)容包括：緒論，控制系統(tǒng)的數(shù)學(xué)模型，線性系統(tǒng)的時域分析法，線性系統(tǒng)的根軌跡分析法，線性系統(tǒng)的頻域分析法，線性系統(tǒng)校正。全書內(nèi)容深入淺出，注重實際應(yīng)用，各章節(jié)都附有較豐富的典型例題及其詳解。本書可作為應(yīng)用型高等院校自動化、電氣工程及

本書主要以人工智能的幾種核心技術(shù)與發(fā)展應(yīng)用為脈絡(luò)，以深入淺出的方式系統(tǒng)、清晰地介紹了人工智能的基本概念、發(fā)展歷程、關(guān)鍵技術(shù)和典型應(yīng)用。全書涉及圖像識別、語音識別、大數(shù)據(jù)挖掘、智能控制、智能機器人、腦機接口、5G等前沿技術(shù)，為讀者構(gòu)造并描繪出一幅人工智能全景圖，向讀者展示了一個全新、智慧、前沿的科技新時代，使讀者能快速、

這是一本寫給普通人了解AI的趣味科普，它還有超級可愛的漫畫！這本書“非常易讀、有料，而且妙趣橫生、令人捧腹”（《萬物發(fā)明指南》作者瑞安·諾思），帶領(lǐng)普通人走進(jìn)人工智能那個奇妙古怪又不可思議的世界，是一場幽默可愛的導(dǎo)覽。本書的主要內(nèi)容是人工智能可以做什么、不能做什么，以及它為什么已經(jīng)影響了我們生活的方方面面

本書詳細(xì)闡述了與神經(jīng)進(jìn)化網(wǎng)絡(luò)開發(fā)相關(guān)的基本解決方案，主要包括神經(jīng)進(jìn)化方法概述、Python庫和環(huán)境設(shè)置、使用NEAT進(jìn)行XOR求解器優(yōu)化、擺桿平衡實驗、自主迷宮導(dǎo)航、新穎性搜索優(yōu)化方法、基于超立方體的NEAT和視覺辨別、ES-HyperNEAT和視網(wǎng)膜問題、協(xié)同進(jìn)化和SAFE方法、深度神經(jīng)進(jìn)化等內(nèi)容。此外，本書還提供了

本書是《自動控制基礎(chǔ)》(薛弘曄等編寫，西安電子科技大學(xué)出版社出版）的學(xué)習(xí)指導(dǎo)配套用書。全書按教材內(nèi)容、結(jié)構(gòu)、編排，對教材中的習(xí)題進(jìn)行了全解，以方便讀者參考。

自早期以來，神經(jīng)網(wǎng)絡(luò)就一直是人工智能的支柱�，F(xiàn)在，令人興奮的新技術(shù)（例如深度學(xué)習(xí)和卷積）正在將神經(jīng)網(wǎng)絡(luò)帶入一個全新的方向。在本書中，我們將演示各種現(xiàn)實世界任務(wù)中的神經(jīng)網(wǎng)絡(luò)，例如圖像識別和數(shù)據(jù)科學(xué)。我們研究了當(dāng)前的神經(jīng)網(wǎng)絡(luò)技術(shù)，包括ReLU激活、隨機梯度下降、交叉熵、正則化、Dropout及可視化等。