《机器学习中的数学》是一本系统介绍机器学习中涉及的数学知识的入门图书，本书从机器学习中的数学入门开始，以展示数学的友好性为原则，讲述了机器学习中的一些常见的数学知识。机器学习作为人工智能的核心技术，对于数学基础薄弱的人来说，其台阶是陡峭的，本书力争在陡峭的台阶前搭建一个斜坡，为读者铺平机器学习的数学之路。 《机器学习中的数学》共19章，分为线性代数、高等数学和概率3个组成部分。第 1 部分包括向量、向量的点积与叉积、行列式、代数余子式、矩阵、矩阵和方程组、矩阵的秩、逆矩阵、高斯—诺尔当消元法、消元矩阵与置换矩阵、矩阵的LU分解、欧几里得距离、曼哈顿距离、切比雪夫距离、夹角余弦等；第2部分包括导数、微分、不定积分、定积分、弧长、偏导、多重积分、参数方程、极坐标系、柱坐标系、球坐标系、梯度、梯度下降算法、方向导数、线性近似、二阶近似、泰勒公式、牛顿法、zuixiao二乘法、求解极值、拉格朗日乘子法、KKT条件、欧拉—拉格朗日方程等；第3部分包括概率、古典概型、几何概型、互斥事件、独立事件、分布函数、离散型分布、连续型分布等。 《机器学习中的数学》内容全面，语言简练，实例典型，实用性强，立足于“友好数学”，与机器学习完美对接，适合想要了解机器学习与深度学习但数学基础较为薄弱的程序员阅读，也适合作为各大高等院校机器学习相关专业的教材。机器学习及数学爱好者、海量数据挖掘与分析人员、金融智能化从业人员等也可选择本书参考学习。

《Scratch 3.0少儿人工智能编程指南》第1章介绍Scratch，以及它能够实现的内容；然后引出第2章Scratch 3.0的界面知识与操作方法，介绍Scratch 3.0的一些基本操作；接着在第3~6章以案例形式介绍了Scratch 3.0在动画制作、游戏设计、数学编程、硬件编程4个方面的实现方法和步骤；第7章介绍Scratch官方社区的相关内容。　《Scratch 3.0少儿人工智能编程指南》适合小学到高中阶段初次接触编程的少年儿童学习，既可以作为他们自学编程的入门教材，也可以作为一般培训机构的少儿编程入门教材。读者可以从Scratch图形化编程入手，首先了解计算机编程的一些基本概念，以便后续学习与理解高级编程语言。

《AI生态：人工智能+生态发展战略》的主要内容包括三大部分，即战略背景、战略设计和战略保障。战略背景从国内外人工智能发展情况、关键技术及未来发展趋势入手，分析人工智能发展的概况；战略设计提出了人工智能在生态领域应用的总体思路，科学规划“人工智能+生态”发展战略；战略保障设计制定“人工智能+生态”发展战略实施的各项保障措施。

《跨库语音情感识别技术研究》主要从两大方面对跨数据库的语音情感识别技术进行了研究：（1）从识别模型本身的角度出发，提出和改进一些方法来适应多数据库来源引起的样本空间失衡问题，进而提高SER系统的鲁棒性；（2）从特征的角度考虑，寻找新的特征类型来补充原有的特征空间，并将现有的特征进行优选和融合，提升它们在跨数据库任务中的有效性。

《深度学习与人体姿态动作识别》主要阐述了深度学习下人体姿态动作识别的相关技术和方法。全书共六章，章介绍了深度学习的发展历史；第二章介绍了各种相对深度学习来说属于传统浅层模型技术的原理和方法；第三章介绍了深度人体姿态动作识别相关的数据集；第四章介绍了传统人体姿态动作识别的相关技术和方法；第五章介绍了深度人体姿态动作识别的相关思路、原理和方法；第六章阐述了一些典型的深度人体姿态动作识别的技术方案。《深度学习与人体姿态动作识别》主要供图像处理与模式识别、计算机科学与技术、信息与通信工程等学科领域的研究人员、研究生以及工程技术人员参考使用。

机 械 工 业 出 版 社本书详细地介绍了机器人的特点、机器人的运动学和动力学知识、机器人的控制、机器人常用的传感器、机器人视觉、机器人关节轨迹的生成、机器人编程方法、机器人焊接应用等内容。本书内容精练，由浅入深。书中的公式只有小部分是需要读者理解记忆的，这在机器人运动学和动力学部分尤为明显。在控制部分，介绍了以机器人关节为对象建立控制模型的方法，这是当前的主流技术。在机器人轨迹规划部分，则以路径轨迹的产生为主，介绍了轨迹产生的方法。本书可作为普通高等院校机械、自动化、人工智能等相关专业的教材，也适合从事机器人学研究、开发和应用的科技人士学习参考。本书配有免费电子课件，选用本书作教材的老师可以登录wwwcmpeducom下载课件，或发邮件到jinacmp@163com索取。

本书全面介绍了用户体验（UX）设计在虚拟现实（VR）中运用的要素和原则，归纳总结了虚拟现实用户体验设计的具体流程和主要方法，分享了现阶段理论与实践的探索成果。全书共7章，第1章简要讲述了虚拟现实设计与技术相碰撞所产生的变迁和发展，第2～3章分别阐述了虚拟现实的用户体验要素和人机工程学特性。第4～6章详细论述了虚拟现实用户体验的设计规划、模型设计和交互设计等内容。第7章介绍了较为典型的设计案例和对实际操作的解读。本书的目标读者主要为用户体验设计师、工业设计师、用户研究员、产品经理、产品开发人员等；也适用于工业设计、产品设计和交互设计专业的师生作为专业课程教材，以及虚拟现实行业相关从业人员和对虚拟现实技术感兴趣的读者作为参考书。

《面向智能任务的专家遴选与推荐研究》对智能任务的专家遴选与推荐问题进行了较为深入、全面的研究，重点对专家兴趣建模、面向主题覆盖度评审专家推荐模型、融合专业度和兴趣趋势因素的评审专家推荐、基于利益冲突和回避原则的评审专家分配、融合主题重要性的评审组长及评审组员推荐模型等问题进行了研究。给出了多个不同问题场景下的专家推荐模型和算法，并通过大规模实验，利用多种指标说明了不同模型的可靠性。

本书着眼于处理时间序列数据的深度学习算法，通过基于Python 语言的库TensorFlow 和Keras来学习神经网络、深度学习的理论和实现。全书共六章，前两章讲解了学习神经网络所需的数学知识和Python 基础知识；中间两章讲解了神经网络的基本算法以及深度学习的基础知识和应用；最后两章详细介绍了专门用于处理时间序列数据的循环神经网络（RNN）。

不知不觉，人工智能已经走入我们的生活，尤其是图像识别、文本识别、语音识别、自然语言等技术。这些应用的核心技术就是深度学习，也正是本书的核心内容。 本书以TensorFlow为核心，分为3篇，共计15章节。第1篇是基础篇（第1~5章），主要介绍什么是深度学习、深度学习的本质是什么、深度学习所使用的教材和方法，以及深度学习在图像识别（MNIST）领域的应用。第2篇是发展演变篇（第6~14章），主要介绍在图像识别领域深度学习技术的发展与演变。主要是以ImageNet挑战赛为线索、以ImageNet挑战赛中的冠军模型为主干，介绍了卷积神经网络的发展历程、遇到的主要挑战、思路和对策，以及各种冠军模型的模型架构与模型训练。第3篇是前沿篇（第15章），介绍了生成对抗神经网络（GAN），它是一种能够自动生成图像的神经网络，这是与之前介绍的各种用于图像识别的卷积神经网络zui显著的区别。 本书讲解细致、深入浅出，即使没有机器学习的基础，也能快速学会，同时适合任何对深度学习技术或人工智能相关领域感兴趣的从业人员学习使用。