《人工智能基础 数学知识》基于流行的Python语言，通俗易懂地介绍了入门人工智能领域必需必会的数学知识，旨在让读者轻松掌握并学以致用。《人工智能基础 数学知识》分为线性代数、概率和优化等3篇，共21章，覆盖了人工智能领域中重要的数学知识点。本书写作风格通俗有趣，读者可在潜移默化中掌握这些数学知识以及相关的编程操作，并能从工程落地的角度深刻理解数学在其中的扮演角色和魅力。《人工智能基础 数学知识》适合希望投身于人工智能领域且想有一番作为的人员阅读，还适合对人工智能领域背后的逻辑感兴趣的人员阅读。本书还可作为各大高校人工智能专业的参考用书。

本书面向初学者，采用全彩图解+视频讲解的形式介绍了人工智能的基础知识及开发案例，从无代码到图形化编程到代码编程，循序渐进，让读者逐步掌握人工智能技术，体验人工智能带给自己的乐趣。 本书首先通过mDesigner+开源硬件的结合赋予创客作品以“智能”，接着介绍了与人工智能密切相关的深度学习及其所需要的编程语言、编程框架及编程环境等知识，进而结合不同的场景，详细讲解了人工智能在视觉、听觉、无人驾驶等不同领域的实际应用。 本书强调人工智能理念的实战应用，书中涉及的程序源代码均可直接下载使用，方便读者动手实践，注重想象力、创造力以及动手能力的提升。对于青少年创客、人工智能初学者来说，本书将是一本不错的入门读物。

本书内容覆盖了机器学习领域从理论到实践的多个主题-总共分为10章。第1章为导论-介绍机器学习的背景、定义和任务类型-构建机器学习应用的步骤-以及开发机器学习工作流的方式。 第2章详细介绍数据预处理和特征工程技术-并辅以实例进行验证。 第3~6章介绍回归模型、分类模型、模型融合和聚类模型-这些内容是机器学习理论和实践中的传统重点。其中不仅介绍各种常见数据类型的处理方法-还针对删失数据进行了专门的综述和实践。 第7章介绍机器学习领域较难的图计算话题-并从工业界视角解读如何将图计算落地。第8章针对特征工程、建模过程中大量调参的场景介绍自动机器学习的理论和应用-并细致比较和测试了各种自动特征工程算法在不同数据上的表现。 第9章介绍自然语言处理（词向量、序列标注、关键词抽取、自动摘要和情感分析）技术-使用新闻文本数据搭建文本分类的流程。 第10章介绍计算机视觉中图像分类和目标检测的应用以及车辆检测的落地案例。 本书既适合作为高等院校计算机、软件工程、人工智能等相关专业的教学用书-同时也可供从事机器学习相关领域的工程技术人员阅读和参考-帮助他们掌握机器学习相关的算法原理-并能通过专业工具平台快速搭建各类模型-构建机器学习的行业应用。

随着计算技术的飞速发展，人共智能似乎在顷刻之间就悄悄地来到我们身边，一时间我们的周围到处舞动着人工智能，令人眼花缭乱。从手机到3D打印，从谷歌眼镜到全息投影，就连美图APP一键整容都要依靠人工智能；而且，人工智能的快速发展**人类的想象，一时间，人机交互、无人驾驶、虚拟现实等智能设备扎堆出现，智能机器人频频亮相。

《未来驾驶》内容简介：这将是蒸汽机时代后伟大的革命。自动驾驶技术、新能源汽车、人工智能和共享经济，无一不是当今的热点话题。当它们结合在一起时，对出租车司机、卡车司机来说，将意味着什么？对大众、宝马这类汽车企业的员工，对停车场的老板们来说，将意味着什么？对我们每个人来说，未来的城市，甚至未来的社会将会是什么样子？人类社会将面临什么样的机遇和挑战呢？马里奥？赫格尔博士在这本书中为读者展示了以汽车工业为代表的经济和技术领域的当前发展形势和未来发展趋势。阅读此书，创业者会感到振奋，“功成名就者”会猛然警醒，每个读者都会从中受益。

近年来机器学习是一个热门的技术方向，但机器学习本身并不是一门新兴学科，而是多门成熟学科（微积分、统计学与概率论、线性代数等）的集合。其知识体系结构庞大而复杂，为了使读者朋友能够把握机器学习的清晰的脉络，本书尽可能从整体上对机器学习的知识架构进行整理，并以Sklearn和Keras等机器学习框架对涉及的相关理论概念进行代码实现，使理论与实践相结合。 本书分为4个部分：第1章至第3章主要介绍机器学习的概念、开发环境的搭建及模型开发的基本流程等；第4章至第7章涵盖回归、分类、聚类、降维的实现原理，以及机器学习框架Sklearn的具体实现与应用；第8章至第12章主要阐述深度学习，如卷积神经网络、生成性对抗网络、循环神经网络的实现原理，以及深度学习框架Keras的具体实现与应用；第13章简单介绍机器学习岗位的入职技巧。 本书可作为机器学习入门者、对机器学习感兴趣的群体和相关岗位求职者的参考用书。

《自动驾驶汽车决策与控制/自动驾驶技术系列丛书》书主要介绍无人驾驶汽车的决策与控制平台技术，让读者从基础开始，由浅入深地了解自动驾驶汽车的全局路径规划、自动驾驶汽车的车辆行为决策、车辆动作规划、自动驾驶车辆控制等知识点，并通过实际案例介绍如何应用自动驾驶汽车决策与规划。

模式识别与机器学习系统介绍了模式识别与机器学习的基础理论、模型与算法，同时兼顾了前沿知识的适当融入。本书以贝叶斯学习的思想贯穿始终，并适时与其他重要知识点（如支持向量机、深度学习）等进行交叉和关联，便于读者在形成良好知识体系的同时保持对整个领域知识的全面把握。 全书共14章和4个附录，循序渐进地对模式识别与机器学习领域进行剖析。首先介绍贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场，接着介绍支持向量机、人工神经网络与深度学习、高斯过程、聚类、主成分分析与相关的谱方法，最后介绍确定性近似推理、随机近似推理和强化学习。附录包括传统的模式识别与机器学习方法近邻法和决策树，还有向量微积分和随机变量的变换等与本学科方向强相关的重要知识点。 本书内容深入浅出，生动有趣，力求反映这一领域的核心知识体系和新的发展趋势。每章内容都尽可能做到丰富完整，并附有思考与计算题，便于读者对知识的巩固和融会贯通。 本书适合作为本科生和研究生（硕/博）课程的教材，也可作为希望从事人工智能相关工作的科技工作者的自学参考书。

实用性是本书的基本出发点，书中介绍了近年来在工业界被广泛应用的机器学习算法，这些算法经受了时间的考验，不但效果好而且使用方便。此外，本书也十分注重理论的深度和完整性，内容编排力求由浅入深、推理完整、前后连贯、自成体系，先讲统计学、矩阵、优化方法这些基础知识，再介绍线性模型、概率图模型、文本向量化算法、树模型和深度学习。与大多数机器学习图书不同，本书还介绍了算法周边的一些工程架构及实现原理，比如如何实时地收集训练样本和监控算法指标、参数服务器的架构设计、做A/B 测试的注意事项等。本书理论体系完整，公式推导清晰，可作为机器学习初学者的自学用书。读者无需深厚的专业知识， 本科毕业的理工科学生都能看懂。另外由于本书与工业实践结合得很紧密，所以也非常适合于从事算法相关工作的工程技术人员阅读。

区块链技术是一种全新的分布式基础架构和计算方式，《区块链共识算法原理及应用——以多标识网络体系管理系统为例》着重阐述区块链系统中的共识算法理论及其场景应用。《区块链共识算法原理及应用——以多标识网络体系管理系统为例》共分7章。第1章介绍区块链的发展过程和基本知识。第2～5章介绍传统分布式系统的一致性算法和典型区块链系统的共识机制，并详细介绍基于投票和信任的两种共识算法。第6章介绍融合区块链的拟态分布式安全存储系统。第7章介绍基于联盟链共识的共管共治多标识网络体系管理系统。