暂缺简介...

图论是组合数学中一个重要而且发展迅速的主题，不仅在数学研究中占有重要的地位，在数学奥林匹克竞赛中也是如此。本书介绍了图论的相关知识，全书共分十个章节，分别为：引言、欧拉回路和哈密顿圈、树、色数、平面图、二部图中的匹配、极图理论、拉姆塞理论、有向图、无限图。每一章节中都配有相应的例题及习题，并且给出了详细的解答，以供读者更好地理解相应的内容。本书适合高等院校师生及数学爱好者研读。

内容简介奥数并不是数学解题技术的集合，而应是增进数学教育的一个体系，这是作者一直以来的一个理念。一个优秀学生要能灵活并严谨地思考问题。逻辑推理能力只是一个基本功，还要有能从直觉出发直击问题核心的能力。要能通过预测、归纳、想象、构造和设计来实现自己的创新性想法，并能在具体与抽象之间随意切换。这些都是本书作者希望通过奥数训练来让学生提升的能力。作者原是复旦大学数学系教授，后移居新加坡。这套书是根据作者在新加坡维多利亚初级学院、华侨中学、南洋女中、德明政府中学等名校教授了几十年的数学奥林匹克培训课程讲义改编而成的。其范围和深度不仅涵盖和超出了通常的数学教学大纲，而且还介绍了现代数学中的各种概念和方法。整套教程共4卷，初中、高中各2卷，每一卷包含15讲，每讲都以概念、理论和方法为核心，再举8―10个例题来进一步解释和丰富这些核心思想并表明它们的应用，每一讲还留有适当数量的题目以供读者练习和测试，这些题目选自中国、美国、俄罗斯、德国、英国、爱尔兰、罗马尼亚、匈牙利、保加利亚、波兰、白俄罗斯、波罗的海地区、摩尔多瓦、克罗地亚、斯洛文尼亚、希腊、意大利、巴尔干半岛、土耳其、新加坡、日本、韩国、越南、泰国、印度、伊朗、澳大利亚、新西兰、加拿大、哥伦比亚等世界各地的数学奥林匹克竞赛真题。本套书可作为数学奥数课程的教材，也可供优秀学生自学使用，或作为相关教师和研究人员的参考书。本套书的另一大特点是用英文写成，帮助读者了解数学研究是如何去专业表达的，与国际接轨，助力更多的年轻读者在未来走上科学研究之路。

本书是高等学校工科类非数学专业“概率论与数理统计”课程的教材．本书共9章，前5章是概率论部分，后4章是数理统计部分，各章都选配了典型应用案例及典型例题，还提炼出了各章各节的主要内容概要和典型问题答疑解惑，并附有配套教学习题及其答案等．其中，典型问题答疑解惑、习题及其答案都附有二维码，最后还给出了电子辅助内容附录部分，以二维码形式呈现．本书并不是习题的简单堆积，每道例题、习题、典型问题、应用案例都经过精选，力求具有代表性，同时注重典型案例的实践应用，并对重要典型疑难问题进行答疑解惑．希望带给读者更深刻的理解过程，注重体现工科类基础数学课程的基本要求，做到教材内容通俗易懂、应用性和典型问题完美融合．本书可作为高等学校理工科类、农医类、经济类、管理类等相关专业本科生的“概率论与与数理统计”课程的教材，也可作为科技工作者、研究生的自学参考书．

数学方法论主要研究和讨论数学的思想方法、数学的发现发明与创新的法则，以及数学的发展规律，是数学发展的一个必然结果。本书内容涵盖数学方法论研究对象的各个方面，从数学的本质入手，阐述具体的数学思想方法，以及数学家的发明创新活动和数学的发展规律，并结合中小学数学教育讨论数学方法论在中小学数学教学中的意义和作用。本书既可作为高等院校和师范院校数学相关专业学生的学习用书，又可作为中小学数学教师和数学爱好者的参考书

本书为周静、董春芳主编的《实用高等数学教程》的配套练习册。每章内容由习题和参考答案组成。本书可供高职高专院校各专业的学生学习使用。

本书依据教育部制定的《高职高专教育高等数学课程教学基本要求》和秉持为专业课服务的理念编写而成，以培养学生的基本学习能力为目的，重基础，轻技巧，保持必要的严谨性，并且对一些高等数学教学中常见的概念上的漏洞进行了弥补。本书内容包括集合与函数、极限与连续、导数与微积分、定积分与不定积分、一元微积分应用、概率与统计初步、线性规划模型等共7章。本书适用于高职院校各专业学习使用。

聚类技术作为数据挖掘和学习的典型技术，已经广泛应用于金融欺诈、医疗诊断、图像处理和信息检索等领域。CFS是Alex和Alessandro在2014年于Science杂志提出的新聚类算法，该算法聚类结果精确、效率离，已成为数据挖掘领域和机器学习非常具有潜力的聚类算法之一。然而，大数据的海量性、实时性和异构性特点对CFS聚类算法提出了严峻的挑战。为了提升CFS聚类算法在大数据领域聚类的有效性，《面向大数据聚类分析的CFS算法》提出了支持隐私保护的云端安全CFS聚类算法、基于自适应Dropout模型的高阶CFS聚类算法和增量式CFS聚类算法，以及基于改进CFS聚类算法的不完整数据填充算法。

《统计机器学习及Python实现》主要介绍统计机器学习领域常用的基础模型、算法和代码实现。包括统计机器学习、Python语言基础，常用的线性回归、贝叶斯分类器、逻辑回归、SVM、核方法、集成学习，以及深度学习中的多层感知器、卷积神经网络、循环神经网络、变分自编码器、对抗生成网络和强化学习等模型与优化方法，使用Scikit-Learn、TensorFlow和PyTorch定制模型与训练等。

本书就是一部以19世纪产生并完善的多元微积分为主要内容的英文数学教程，中文书名或可译为《多元实函数教程》。本书的作者有两位，一位以马丁.莫斯科维茨（Martin Moskowitz），美国数学家，美国纽约城市大学教授，另一位为福蒂奥斯.帕里奥詹尼斯（Fotios Paliogiannis），也是美国数学家，美国圣弗朗西斯学院教授。