本书以穿戴式下肢外骨骼机器人为研究对象，以康复训练辅助和增力辅助为主要应用目标，对下肢外骨骼机器人研究中的运动学/动力学建模、运动意图识别、康复运动步态规划、外骨骼运动控制方法、康复训练辅助策略和增力辅助策略等进行了系统的研究与介绍，设计了相应智能控制算法并进行了验证。

本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。

本书展现了智能世界中通信网络自动化、智能化的愿景，阐述了华为自动驾驶网络的发展历程、应用场景、基础理论、参考架构及相关的关键技术。本书主要介绍自动驾驶网络的顶层架构、分层架构（包括自智网络引擎、网图、AI Native网元）、关键特征（包括分布式AI、内生安全）等的架构设计，以及网络可信任AI、网络分布式AI、网络数字孪生、网络仿真、网络知识和专家经验数字化、网络人机共生、网元内生智能、网络内生安全等关键技术。本书还介绍了产业组织、标准组织的标准全景和分级评估方法，并以华为自动驾驶网络解决方案为例，阐明如何推行实践。 本书可为通信网络自动化、智能化领域的专业人士，以及科研院所相关领域的研究者提供参考。

本书面向非专业人士、尤其是青少年群体，将硬核知识、技术方法与人文历史、人物故事有机融合，理顺人工智能纵向发展脉络与横向科学轮廓。作者以扎实的专业背景、流畅的文笔帮读者理顺人工智能的发展脉络，厘清人工智能的核心技术方法，帮读者看懂人工智能与其他学科交叉碰撞所引发的社会生活变化，从“成天下之才”的角度给青少年读者提供学习建议，树立其科学理想，端正其科学态度，培养其科学思维。每一位读者都可以开卷有益。 本书适合对人工智能感兴趣的读者阅读参考。

本书以非合作目标探测与识别为主线，深入挖掘了复杂动态环境对目标探测与识别的影响因素，围绕复杂动态环境强干扰导致的目标特征畸变与缺失、特征模糊不清等问题，提出了特征畸变与缺失下的非合作目标探测与识别方法、特征模糊下的非合作目标探测与识别方法，构建了小样本强干扰下的非合作目标探测与识别方法。更进一步，把多智能体协同协作机制引入到非合作目标识别与探测领域，分别构建了面向多自主水下航行器围捕的非合作目标探测与识别方法、基于多视角光场重构的非合作目标探测与识别方法。

本书参照产业界自动驾驶技术研发的基本流程，充分借鉴了产业界在自动驾驶技术领域中的实际研 发经验，以高性能的智能小车和高度仿真的车道沙盘为实验教具和运行环境，深入浅出地讲解自动驾驶技 术的原理与实际应用，为初学者打开一扇通往人工智能世界的大门。本书以帮助初学者如何从无到有地 打造出具备自动驾驶功能的智能小车为主线，内容分为看车（了解自动驾驶）、造车（设计智能小车）、开车 （收集训练数据）、写车（编写自动驾驶模型）、算车（训练和优化自动驾驶模型）、玩车（部署并验证自动驾驶 模型）6章。初学者可以通过边学习理论知识边动手实践的方式，系统学习人工智能的算法理论和应用实 例。本书没有堆砌艰深晦涩的公式推导，力求将枯燥难解的算法原理及模型进行直观的讲解，希望读者在 学习的过程中，了解现实中自动驾驶技术的发展并获得运用人工智能解决自动驾驶难题的乐趣。 本书适合作为高等院校智能科学与技术、人工智能相关专业的教材，也适合作为人工智能研究人员、 开发人员的参考书。

《细说PyTorch深度学习：理论、算法、模型与编程实现》由业界专家编撰，采用理论描述加代码实践的思路，详细介绍PyTorch的理论知识及其在深度学习中的应用。全书分为两篇，共16章。第一篇为基础知识，主要介绍PyTorch的基本知识、构建开发环境、卷积网络、经典网络、模型保存和调用、网络可视化、数据加载和预处理、数据增强等内容；第二篇为高级应用，主要介绍数据分类、迁移学习、人脸检测和识别、生成对抗网络、目标检测、ViT等内容。本书内容涵盖PyTorch从入门到深度学习的各个方面，是一本基础应用与案例实操相结合的参考书。 《细说PyTorch深度学习：理论、算法、模型与编程实现》理论兼备实例，深入浅出，适合PyTorch初学者使用，也可以作为理工科高等院校本科生、研究生的教学用书，还可作为相关科研工程技术人员的参考书。

本书共分为 8 章，主要内容包括与人工智能相关的数学知识，Python 语言所特有的语法和技巧，Docker 模型透明无缝地发布的实现，业界优秀的 Git 代码版本管理工具，模型开发环境的配置，高级人工智能开发工程师常用的 IDE 开发工具，经典神经网络模型的剖析和分解，RPC 远程调用的实现，训练样本的序化组织结构TFRecord，模型的训练、保存和封装发布，模型训练的 GPU 配置和机制策略的部署，模型从训练到发布的完整示例等。

本书基于大数据研究系统的能力评估框架与方法，针对传统的能力评估理论和方法主要存在的缺陷，从大数据中挖掘有价值的信息来辅助评估，以提高评估的客观性、科学性、可信性。本书借助鲁棒有序回归方法，构建了基于大数据的交互式能力评估新型框架；通过特征选择算法分析了行动效果关键影响要素；将鲁棒有序回归方法用于确定评估模型的参数，并提出了认知最优最劣方法、区间认知网络过程和区间最优最劣方法3种新的基于两两比较的方法，用于辅助专家提供评估的参考信息。本书提出的能力评估框架和方法可以推广到多种评估应用中，书中内容可为能力评估和大数据相关研究人员提供参考。本书可作为本科生和研究生的教辅资料，也适合企业与行业大数据从业人员阅读。

本书系统介绍推荐系统的技术理论和实践。首先介绍推荐系统的基础知识；然后介绍推荐系统常用的机器学习和深度学习模型；接着重点介绍推荐系统的4层级联架构，包括召回、粗排、精排和重排，以及谷歌、阿里巴巴等大型互联网公司在4层级联架构中的模型设计和实现原理；紧接其后介绍多目标排序在推荐系统中的应用，具体介绍阿里巴巴、谷歌等大型互联网公司的实践；最后从不同角度审视推荐系统，介绍公平性问题、知识蒸馏、冷启动等各种前沿实践。本书基于一线研发人员的视角向读者分享推荐系统的实践经验，所有模型结构和前沿实践都在业务场景中落地。 本书适合推荐系统领域的从业者、高校科研人员、高校计算机专业学生，以及对推荐系统感兴趣的产品研发人员和运营人员阅读。