本书讲述了绪论、时标上的加权伪概周期函数与动力方程的加权伪概周期解、时标上神经网络的加权伪概周期解的存在性与稳定性等内容。

本书提到三个循环：第一个循环也是最核心的循环，即世代沿袭的人类本能。人类天生具有偏见，而且更倾向于使用大脑的系统1行事，在这个过程中，人类原有的偏见进一步被强化，形成第一个循环。第二个循环是来自现代的力量，如消费类技术、资本主义、营销和政治，它们对核心循环的人类行为进行采样，总结出模式，再将这些模式反作用于人类，最终引

自主无人系统及应用中的问题

机器学习数学基础

本书以PyTorch作为深度学习框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基础知识与常见深度学习算法实现，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高级神经网络实现，主要包括常见的深度学习网络结构，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～

阅读本书需要具备一定的Python语言编程基础知识。编者充分调研了行业、企业对人才技术技能的需求，将教学过程和企业深度学习模型的训练与部署、人工智能应用开发等生产过程衔接，与企业一线工程人员共同研究学生需要掌握的职业理论知识和技能，同时参照人工智能深度学习工程应用职业技能等级证书要求，将证书和岗位需求充分融入本书。本书

智能问答技术在自然语言处理和人工智能领域发挥着重要的作用。它将信息检索、知识表示和自然语言处理技术融合在一起，为智能推荐、网络客服等任务提供了杰出的支持。本书共分为11章，分为3个部分。第1部分主要介绍知识库的构建，包括现有的知识库构建技术、基础知识、数据采集技术、数据转换储存和查询流程、异构数据源实体对齐和面向知识图

图可以被用于表示各类对象之间的关系，而图神经网络是指专门用于处理图数据的深度学习模型，可实现对图数据的建模和推断。本书系统地介绍了图神经网络的基本原理、常用模型和应用领域等。首先介绍了两类最基本的图神经网络方法GCN和GraphSAGE，并给出了图神经网络的学习目标、评价方法；然后对图神经网络中常用的模型结构进行了深入

生成式AI是科技领域最炙手可热的话题。这本实践用书教授机器学习工程师和数据科学人员如何利用TensorFlow和Keras从零开始创建令人印象深刻的生成式深度学习模型，包括变分自编码器(VAE)、生成对抗网络(GAN)、Transformers、归一化流、基于能量的模型和去噪扩散模型。本书从深度学习的基础知识开始，逐步

本书包含代码实践和案例实践，运用OpenCV、PyTorch等框架工具详细讲解中文车牌识别检测、采用三元组的FaceNet人脸识别理论与实践、车道检测的两种深度学习思路及烟雾检测4大实践项目。相关理论可参考《基于深度学习的目标检测原理与应用》一书，从而学以致用、融会贯通。