本书以零基础讲解为宗旨，面向学习数据科学与人工智能的读者，通俗地讲解每一个知识点，旨在帮助读者快速打下数学基础。 全书分为 4 篇，共 17 章。其中第 1 篇为数学知识基础篇，主要讲述了高等数学基础、微积分、泰勒公式与拉格朗日乘子法；第 2 篇为数学知识核心篇，主要讲述了线性代数基础、特征值与矩阵分解、概率论基础、随机变量与概率估计；第 3 篇为数学知识提高篇，主要讲述了数据科学的几种分布、核函数变换、熵与激活函数；第 4 篇为数学知识应用篇，主要讲述了回归分析、假设检验、相关分析、方差分析、聚类分析、贝叶斯分析等内容。 本书适合准备从事数据科学与人工智能相关行业的读者。

本书分为7章，其内容包括代数学和分析学的基础概念、微积分的基础概念、矩阵与线性变换、矩阵分解、最优化理论与算法、概率模型和信息论的基础概念。本书强调数学概念并采用图形化的方式对其进行解释，以利于读者理解，同时，本书给出了数学知识在机器学习和人工智能领域的具体应用，将数学知识和工程实践有机结合，以使读者能对数学知识有更深层次的理解。

本书是面向高级人工智能人才培养的高等学校人工智能相关专业规划教材中的一本，通过梳理人工智能涉及的相关数学理论，并通过Python实现相关案例，使抽象的理论具体化，从而加深读者对数学的感性认识，提高读者对数学理论的理解能力。本书首先介绍了人工智能所需的基础数学理论，然后根据数学内容的逻辑顺序，以微积分、线性代数、概率论、数理统计为基础，对函数逼近、最优化理论、信息论、图论进行了深入介绍，同时给出了它们在人工智能算法中的实验案例。另外，该书将免费提供配套 PPT、实验及应用案例等基本教学材料。

本书面向广大数据科学与人工智能专业的学生及初学者，力求通俗易懂、简洁清晰地呈现学习大数据与人工智能需要的基础数学知识，助力读者为进一步学习人工智能打好数学基础。 全书分为 4 篇，共 19 章：微积分篇（第 1～5 章），主要介绍极限、导数、极值、多元函数导数与极值、梯度下降法等；线性代数篇（第 6～10 章），主要介绍向量、矩阵、行列式、线性方程组、特征值和特征向量等，并介绍这些数学知识在人工智能中的应用；概率统计篇（第 11～17 章），主要介绍概率、随机变量、数字特征、相关分析和回归分析，并介绍数据处理的基本方法和 Pandas 在数据处理中的应用；应用篇（第18 章和第 19 章），主要介绍人工智能中典型的全连接神经网络和卷积神经网络。 本书既有理论又有应用，既可以用纸笔计算，也可以用 Python 编程计算，读者可在学习过程中根据需要合理地选择侧重点。 本书既可作为高职院校数据科学与人工智能专业的教材，也可作为相关产业从业者的自学或参考用书。

本书是面向高级人工智能人才培养的高等学校人工智能相关专业规划教材中的一本，通过梳理人工智能涉及的相关数学理论，并通过Python实现相关案例，使抽象的理论具体化，从而加深读者对数学的感性认识，提高读者对数学理论的理解能力。本书首先介绍了人工智能所需的基础数学理论，然后根据数学内容的逻辑顺序，以微积分、线性代数、概率论、数理统计为基础，对函数逼近、最优化理论、信息论、图论进行了深入介绍，同时给出了它们在人工智能算法中的实验案例。另外，该书将免费提供配套 PPT、实验及应用案例等基本教学材料。

人工智能基础（高中版）》是面向高中学生的教材。讲授人工智能的发展历史、基本概念以及实际应用，使学生理解人工智能的基本原理，特别是数据、算法与应用之间的相互关系。并结合常见的应用场景，理解人工智能技术（包括感知与决策）的基本工作方式，通过动手实践，更深入地理解人工智能技术的原理、能力，以及在实用中面临的挑战。本书强调人工智能基本理念与原理的传递，注重创造力、想象力、整体思考，以及动手能力的提升。

本书系统地梳理了人工智能知识体系,并对人工智能领域的核心基础和算法及应用技术进行了深入细致的介绍。 全书共 12 章。 第 1—5 章介绍人工智能的核心基础;第 6—9 章讲解人工智能领域代表性算法;第 10—12 章讨论人工智能的几个主要应用研究方向。 书中各章均配有习题,便于教师教学和学生自学。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可作为对人工智能感兴趣的研究人员和工程技术人员的参考用书。

本书是面向高中学生的教材。讲授人工智能的发展历史、基本概念以及实际应用，使学生理解人工智能的基本原理，特别是数据、算法与应用之间的相互关系。并结合常见的应用场景，理解人工智能技术（包括感知与决策）的基本工作方式，通过动手实践，更深入地理解人工智能技术的原理、能力，以及在实用中面临的挑战。本书强调人工智能基本理念与原理的传递，注重创造力、想象力、整体思考，以及动手能力的提升。

本书创新性地构建了五大知识模块：经典人工智能基础、现代人工智能基础、人工智能前沿基础、人工智能交叉应用基础，以及人工智能初级编程基础。内容体系完整覆盖了人工智能的核心原理与方法论、机器学习关键技术、计算机视觉与语音处理、多智能体系统与具身智能、大模型技术等前沿领域，并深入探讨了人工智能在科学智能、文科智能、产业智能化、启发式人工智能等跨学科应用场景，以及人工智能伦理等社会性议题。作为面向高等院校的通识教材，本书致力于培养学生的跨学科思维和创新能力，使其能够在各自的专业领域有效运用人工智能技术。本书内容的设计充分考虑了不同学科背景学习者的需求，建议采用差异化教学策略：对于文科专业学生，可着重关注人工智能与社会发展、伦理规范、人机交互等应用层面的内容；理科专业的学生可深入钻研算法原理、数学模型等理论基础；工科专业的学生则可侧重工程实践，重点学习系统开发、架构设计和性能优化等实用技能。

本书着眼于人工智能自身的安全问题，旨在将当前人工智能安全的基础问题、关键问题、核心算法进行归纳总结。本书的定位是学习人工智能安全的入门书籍，因此先详细介绍了人工智能安全相关的基础知识，包括相关的基础算法和安全模型，使得读者明确人工智能面临的威胁，对人工智能安全有一个大体的概念和初步认识。然后将人工智能系统的主要安全威胁分为模型安全性威胁和模型与数据隐私威胁两大类。模型安全性威胁主要包括投毒攻击、后门攻击、对抗攻击、深度伪造。模型与数据隐私威胁主要包括窃取模型的权重、结构、决策边界等模型本身信息和训练数据集信息。 本书在介绍上述经典攻击技术的同时，也介绍了相应的防御方法，使得读者通过这些攻击了解人工智能模型的脆弱性，并对如何防御攻击的方法、如何增强人工智能模型的鲁棒性有一定的思考。本书主要从隐私保护的基本概念、数据隐私、模型窃取与防御三个维度来介绍通用的隐私保护定义与技术、典型的机器学习数据隐私攻击方式和相应的防御手段，并探讨了模型窃取攻击及其对应的防御方法，使得读者能够直观全面地了解模型与数据隐私并掌握一些经典算法的整体实现流程。这本书还介绍了真实世界场景中不同传感器下的对抗攻击和相应的防御措施以及人工智能系统对抗博弈的现状。相比于数字世界的攻击，真实世界的攻击更需要引起人们的关注，一旦犯罪分子恶意利用人工智能系统的漏洞，将会给人们的生产生活带来安全威胁，影响大家的人身安全、财产安全还有个人隐私。读者可以通过阅读此书的知识内容及相关经典案例了解掌握人工智能系统面临的攻防技术，了解如何在前人的基础上，研究出针对各种攻击的防御方法，为可信人工智能助力。 本书适合期望入门人工智能安全的计算机相关专业的学生、技术工作者，人工智能领域的从业人员，对人工智能安全感兴趣的人员，致力于建设可信人工智能的人员。