本书基于图神经网络研究网络表示学习，具体内容包括:改进了高阶图卷积神经网络、图注意力网络、自编码架构和图的小波神经网络等模型，构建网络表示学习模型，并在图基础任务(如链路预测和节点分类)上取得了有效的性能。此外，本书采用前沿的图对比学习架构，通过增强图数据表示有效缓解数据稀疏问题，并在知识图谱的基础任务上显著提升性能。

本书是畅销书深度学习入门&进阶系列第五本书，主要围绕生成模型进行讲解。生成模型是一种非常重要的技术，对于人工智能的发展有着重要的作用。本书延续了作者通俗易懂的行文风格，以深入浅出的方式介绍正态分布到扩散模型所涉及的技术，并最终完成一个类似于StableDiffusion的图像生成人工智能。读者可在创建这个图像生成人工智

本书是一本专门为AI初学者撰写的入门指南，以备受关注的AI大模型DeepSeek为切入点，借助丰富的案例和通俗易懂的讲解，全面且系统地介绍有关AI的知识，帮助读者走出AI认知误区，逐步掌握AI应用技巧，进而抓住AI时代的机遇。本书不仅剖析了DeepSeek的特点和影响，还深入探讨AI在学习、生活、内容创作等多个领域的应

本书系统解析DeepSeek大模型的技术架构与应用生态，构建技术认知-环境搭建-领域攻坚三维能力体系。第1部分从人工智能技术演进切入，剖析深度学习、Transformer架构及大模型革命的技术哲学，详解开发环境配置、API调用与智能系统构建方法论；第2部分聚焦6大核心场景，覆盖智能办公、数据可视化、数字内容生产、教育创

人类智能是否能迁移到人工智能，人工智能是否能接近或达到人类智能？这些问题一直备受争议。本书基于语境的适应性表征方法论，系统地探讨了人工智能的适应性表征范畴架构，人工智能的逻辑主体、搜索主体、学习主体、决策主体和问题-解决主体的适应性表征特征，以及人工智能适应性表征的语境建构及其哲学、伦理问题和未来走向，力图论证这样一种

本书站在科学研究制高点——范式(即科学观与方法论)——的立场上揭示了人工智能的深层学术本质，并通过范式革命(以信息学科范式取代物质学科范式)构筑了全新的人工智能研究模型，发现了普适性智能生成机制，开辟了基于智能生成机制的人工智能统一研究路径，创建了机制主义通用人工智能理论以及与之和谐适配的泛逻辑理论和因素空间数学理论，

本书系统梳理了深度强化学习的核心理论、关键算法及其在智能控制、机器人技术和多智能体系统中的应用。全书涵盖强化学习的基本概念、深度强化学习的主要框架，以及多智能体强化学习的协同决策、任务分解与优化控制等前沿问题，并结合大量实验案例，深入探讨强化学习在飞行器控制、移动机器人导航与避障等领域的实践应用。

本书针对分布式机器学习中网络通信、在线学习、隐私保护等问题，研究无中心的分布式优化算法。主要内容包括：①分布式一阶梯度算法，提出在线学习的自适应次梯度算法和随机块坐标的次梯度投影算法、自适应最小最大优化算法，旨在研究分布式的优化算法，理论分析所提算法的收敛性能；②分布式无投影梯度算法，提出随机块坐标无投影梯度算法、面向

本书立足于无人系统的自主寻源任务，围绕近十年来动态复杂环境中无人系统优化控制和轨迹规划相关研究的难点和热点问题，从信号场类型、不完全量测信息、决策控制方法等多个角度出发，系统地解决了仅可获得场源方位角量测、信号场强度量测条件下的自主寻源控制问题，时空动态信号场场源的协作定位问题，以及无人系统在自主寻源任务下的多约束轨迹

"《神经网络理论及应用实践》在全面介绍人工神经网络基本理论的基础之上，首先，系统地阐述了单层感知器神经网络、BP神经网络、竞争学习神经网络、自组织神经网络、学习向量量化神经网络、对偶传播神经网络、径向基函数神经网络、支持向量机等浅层神经网络的典型网络结构、学习算法、工作原理和应用案例；其次，系统地阐述了深度学习中卷积神