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。

本书介绍非线性复杂系统中数据处理的投影寻踪降维技术，给出投影寻踪在分类、评价和预测等方面的统计模型，包括Friedman-Tukey投影寻踪模型、投影寻踪Spearman相关系数模型、投影寻踪信息熵模型、聚类分析修正的投影寻踪模型、解不确定型决策问题的投影寻踪模型、投影寻踪回归及自回归模型。这些模型能充分提取数据信息、描述复杂系统的规律。书中深入浅出地介绍各种投影寻踪模型方法的思想、原理和步骤，通过实例分析论证投影寻踪模型稳健性好和准确度高等优点。

《数学书之补遗》用丰富的脚注和简略的叙述方式，以希腊、中国及其他国家的数学家出生时间为序，围绕初等数学和微积分学的内容，兼顾近代数学，为广大读者展现了一幅幅活生生的数学历史画面，使读者在不经意间就能了解数学发展概略，特别是能增强读者对数学学习的兴趣，并希望能够为读者的著书立说提供简明清晰的、尽可能准确的数学史实资料，《数学书之补遗》也有可能成为读者在著书立说中的脚注、附录和数学课程思政内容。在开卷前的“著者的话”中，读者还可以看到一些有趣的介绍。

《矩阵论》是作者在长期教学实践的基础上，参考国内外大量相关教材、文献，为工科硕士研究生编写的一本矩阵论教材。《矩阵论》内容包括线性空间、线性映射与线性变换、方阵的相似标准形、矩阵分解、矩阵函数以及矩阵微积分等。

广义可加模型（GAM）是处理建模结果和协变量之间非线性关系的首选方法。本书的第１版已成为国际上该领域的主流教材和参考书之一，并且是唯一一部包含大量实例和软件实现的导论指南。第２版比第１版更具可读性，不仅对全书进行了重构，而且添加了一些新材料，包括自适应平滑、位置尺度建模和函数性数据分析等。书中提供了线性模型、线性混合模型和广义线性模型（GLM）的必要背景，然后对GAM和相关模型的理论和应用都进行了深入讲授。作者将他的方法建立在惩罚回归样条模型框架的基础上，并且在大力关注GAM的实际方面的同时，讨论了这些方法背后的理论解释。使用R软件则更有助于解释理论并展示该方法的实际应用。书中每章都包含大量练习，并在全书最后的附录C和本书的配套R数据包gamair中提供了解答。本书可供统计工作者和高等院校有关专业师生阅读和参考，既可以作为授课教材，也可供自学使用。