本书介绍了软件测试的基本概念、原理、基本方法及测试过程等内容，包括软件测试技术概述、静态测试、黑盒测试、白盒测试、集成测试、系统测试、测试报告管理、智能软件测试以及单元测试框架Junit、压力测试工具Jmeter的使用方法，同时还介绍了软件测试与质量保证等内容。本书为软件测试的基础教材，旨在让学生能够熟练地对实际软件进行有效测试，为后续核心课程的学习积累知识，培养学生专业技能，满足软件开发、软件测试、软件质量保障等技能要求。本书适合作为高等院校计算机相关专业学生的教材，也可作为软件测试及软件开发

2019年我社联合南京大学人工智能学院出版了国内外率先公开出版和发表的人工智能本科专业教育培养体系，在国内人工智能教育领域起到了很好的引领和示范作用，有效推动了中国人工智能高等教育的发展。经过3年多的探索和实践，南京大学完成了一整轮本科和研究生培养方案的修订，准备集结出版这本AI人才培养体系的第2版，一方面对原有的AI本科体系进行了调整，另一方面是新设了AI方向研究生培养的内容，使得体系更加系统化和全面化。

软件架构是指可以简化软件开发过程并提高应用程序质量的实现架构和系统。本书在第1版的基础上进行了全面修订和扩展，面向.NET5和C#9，介绍了一些能够助你成为一名卓越的软件架构师所需的关键技能、知识和**实践。第2版增加了对软件架构原则的额外讲述、Azure服务结构、Kubernetes和Blazor等新章节。另外，还增加了关于安全性、微服务和DevOps的讨论，以及软件开发周期的GitHub部署。首先，介绍如何将用户需求转换为软件架构需求，并探讨功能性需求和非功能性需求之间的差异。然后，探讨如何

本书将人工智能与人类智慧深度融合，系统、全面地介绍了类脑智能目标检测网络的构建原理、方法、过程，具有较高的学术价值；同时，本书将所构建的类脑智能目标检测网络在无人车交通标志检测、无人车-机械臂协同作业这两个场景进行了示范应用，具有较大的工程应用价值。本书主要的读者群体为从事类脑智能、计算机视觉、无人系统研究的科研工作者，以及人工智能、电子信息、计算机工程等相关专业的博士研究生、硕士研究生。

本书基于作者多年的研究成果，详细介绍了跨数据中心机器学习的训练系统设计和通信优化技术。本书面向多数据中心间的分布式机器学习系统，针对多数据中心间有限的传输带宽、动态异构资源，以及异构数据分布三重挑战，自底向上讨论梯度传输协议、流量传送调度、高效通信架构、压缩传输机制、同步优化算法、异构数据优化算法六个层次的优化技术，旨在提升分布式机器学习系统的训练效率和模型性能，突破跨数据中心机器学习的通信瓶颈和数据壁垒，实现多数据中心算力和数据资源的高效整合。本书可作为跨数据中心机器学习的参考资料，供人工智能

从取代简单机械的重复劳动到辅助内容创作、医药开发、科学实验，人工智能产品正以惊人的速度在各行业大展拳脚，预示着人类即将进入一个全新的发展阶段。本书通过浅显易懂的语言帮助你理解人工智能产品是什么，人工智能产品是怎么创造出来的以及人工智能产品是如何进行创新迭代的。人工智能行业的快速发展对产品经理提出了更高的要求，产品经理需要具备的专业技能是广泛的，从产品设计、开发、营销到服务，无一不包括在内。产品经理需要对人工智能的原理、应用场景、发展潜力等有扎实的了解，这样才能够将人工智能的优势转化为产品的优势。

深度学习是人工智能与机器学习领域的重要研究分支，经过短短十几年的发展，已经在计算机视觉与图像处理、自然语言处理等领域取得令人瞩目的成就。本书作为深度学习方面的专门书籍，融合了机器学习、人工神经网络和深度学习的相关概念，并且从信号处理视角呈现了深度学习背后的几何学原理，以便从统一的角度去深化理解深度学习的主要模型和算法，从而更好地用于指导理论分析和实践开发。全书分为三个部分，共14章。第1～4章为第一部分，主要介绍机器学习基础知识，包括向量空间、矩阵代数、凸优化等数学预备知识，以及支持向量机、核回

本书以人工智能下的大数据时代为背景,从数据素养、数据分析基础、统计分析、机器学习多个维度全面系统地介绍了如何探索数据、整理数据并分析数据。本书没有给出晦涩难懂的数学公式,也不涉及复杂烦琐的程序代码,而是在阐述基本原理的基础上,辅以简洁的Python程序,让读者能够快速入门,提升个人的数据综合素养。

本教材可以作为人工智能学科相关的机器学习技术的入门教材,目的不在于覆盖机器学习技术的所有知识点,而是介绍机器学习的常用算法及其应用,使读者了解机器学习的基本构成及不同场景下使用何种机器学习算法。为了增强实践效果,本教材引入了多个基础技术案例及综合实践案例,以帮助读者了解机器学习涉及的基本知识和技能。

本书主要讲述计算机博弈及其实现的过程。第1章介绍计算机博弈的一些基本情况。第2章介绍极大极小算法,并以井字棋为例实现。第3章介绍Alpha-Beta算法,并以亚马逊棋为例实现。第4章介绍期望极大极小算法,并以爱恩斯坦棋为例实现。第5章介绍UCT算法,并以海克斯棋为例实现。第6章介绍强化学习在计算机博弈游戏中的应用,并以不围棋为例实现。第7章介绍西洋跳棋的算法,重点介绍可下位置的生成算法。第8章介绍非完备信息博弈游戏的实现方法,并以军棋为例实现。