本书以水平关节机器人为主要对象，基于SCARA机器人主流机型，结合SCARA机器人在工业应用中所需的知识储备、操作技能、项目应用三大方向，由浅入深、循序渐进地介绍了水平关节机器人的入门实用知识。从SCARA机器人发展现状切入，分析讲解了SCARA机器人的基础知识，最后结合应用实例，以LS3-401S和YK400XR两款常用机型作为典型系统介绍了EPSON水平关节机器人及YAMAHA水平关节机器人的基础知识、基础操作、简单调试、初级应用等实用内容。 本书图文并茂，通俗易懂，具有很强的实用性和可操作性，既可作为高等院校和中高职院校工作机器人相关专业的教材，又可作为工业机器人培训机构用书，同时可供相关行业的技术人员参考。

《创造智能》主要分三个章节外加一个番外篇。一章从生物学的角度衍生出计算机视觉识别以及虚拟现实的实现方法。作者通过对人眼眼颤现象和机理的剖析，提出了一种对空间的三维信息的采集、处理及还原的方法。第二章详细说明了利奥的设计指导原则和设计原理。第三章作者对人工智能相关的哲学话题发表了看法，并着重对利奥项目在现实中的可应用领域进行了详细说明。在番外篇中，作者试图人工智能的相关问题在生物学方面的结论应当与在物理学方面的结论一致，以主流科学家的理论作为基础，对于理论物理中的物质、空间、时间话题发表了个人见解。

本书在研究方法上参考了国内外相关研究成果，依据脑信息学系统方法学原理，利用ACT-R平台建立相应的认知假设模型并仿真，同时，对抑郁症患者和正常对照组完成不同情绪刺激下认知计算任务的信息加工过程从更细的时间微粒上进行解释和验证。本书提出采用模糊近似熵方法研究不同性别、不同年龄及抑郁症患者和正常对照组之间的差异，这在国内尚属首次。本书在研究内容上也是一种新的尝试，属于探索性研究。本书的主要创新点如下：①针对被试完成加法计算和减法计算的任务信息加工过程差异问题，分别建立了对应的认知假设模型，模拟数据和真实数据的有效拟合，证明了假设模型的有效性。首次采用ACT-R建模的方式对加法计算和减法计算任务的信息加工过程差异性进行解释和验证，提出加法计算主要以提取策略为主，减法计算则是提取策略与计算策略共同完成，该结果与Deheane提出的三联体模型相一致。②针对正常人完成不同情绪刺激下加减法计算任务的差异问题，依据行为实验数据、事后问卷调查表结果，分别对其信息加工过程建立了对应的ACT-R假设模型。首次采用ACT-R结合fMRI技术对正常人完成不同情绪刺激下加减法计算任务之间的差异问题进行了分析和研究，提出了正常人具有正性情绪偏向和负性情绪偏离的特点。③针对抑郁症患者具有情绪功能障碍和认知功能障碍特点，首次提出了抑郁症患者与正常对照组完成不同情绪刺激下加法计算的ACT-R假设模型，并进行了仿真验证。模拟数据和真实数据的有效拟合验证了假设模型的有效性，首次从更细的时间微粒上解释正常对照组和抑郁症患者完成不同情绪刺激下加法计算任务的脑区内部信息加工过程。④针对不同性别、不同年龄的抑郁症患者及抑郁症患者和正常对照组的BOLD信号数据的非线性动力学之间差异性问题，首次提出采用模糊近似熵的方法对其进行分析和研究，并与样本熵进行比较。结果表明，模糊近似熵更适合BOLD信号数据分析，从而可能为抑郁症患者的临床诊断和康复治疗提供一个新的客观量化指标，为抑郁症患者的BOLD信号研究提供一个新的手段和方法。本书从计算机建模角度对抑郁症患者的情绪功能障碍与认知功能障碍进行了研究，获得了一些结论，丰富了抑郁症、情绪和认知交互作用的研究内容，有利于从更细的时间微粒方面了解人脑内部各脑区信息加工过程与脑损伤的神经机制，同时也为抑郁症患者BOLD信号数据的非线性动力学研究提供了新的研究方法。

Google、微软和Facebook等公司正在积极发展内部的深度学习团队。对于我们而言，深度学习仍然是一门非常复杂和难以掌握的课题。如果你熟悉Python，并且具有微积分背景，以及对于机器学习的基本理解，本书将帮助你开启深度学习之旅。* 检验机器学习和神经网络基础 * 学习如何训练前馈神经网络 * 使用TensorFlow实现你的第1个神经网络 * 管理随着网络加深带来的各种问题 * 建立神经网络用于分析复杂图像 * 使用自动编码器实现有效的维度缩减 * 深入了解从序列分析到语言检验 * 掌握强化学习基础

在引入开源Deeplearning4j（DL4J）库用于开发产品级工作流之前，作者Josh Patterson和Adam Gibson介绍了深度学习——调优、并行化、向量化及建立管道——任何库所需的基础知识。通过真实的案例，你将学会在Spark和Hadoop上用DL4J训练深度网络架构并运行深度学习工作流的方法和策略。* 深入机器学习一般概念，特别是深度学习相关概念* 理解深度网络如何从神经网络基础演化* 探索主流深度网络架构，包括Convolutional和Recurrent * 学习如何将特定的深度网络映射到具体的问题* 一般神经网络和特定深度网络架构调优基础概览* 为不同的数据类型使用DL4J的工作流工具DateVec实现向量化* 学习如何在Spark和Hadoop本地使用DL4J

无

本书通过96个案例，全面讲解了深度学习神经网络原理和TensorFlow使用方法。全书共分为3篇，第1篇深度学习与TensorFlow基础，包括快速了解人工智能与TensorFlow、搭建开发环境、TensorFlow基本开发步骤、TensorFlow编程基础、识别图中模糊的手写数字等内容；第2篇深度学习基础——神经网络，介绍了神经网络的基础模型，包括单个神经元、多层神经网络、卷积神经网络、循环神经网络、自编码网络等内容；第3篇深度学习进阶，是对基础网络模型的灵活运用与自由组合，是对前面知识的综合及拔高，包括深度神经网络和对抗神经网络两章内容。本书特别适合TensorFlow深度学习的初学者和进阶读者阅读，也适合社会培训班和各大院校对深度学习有兴趣的学生阅读。

暂缺简介...

随着科学和医学技术的迅猛发展，人类的寿命延长到数百年，甚至摆脱疾病和死亡的困扰，将不再是遥不可及的想象。 在未来的新世界里，是否每个人都有机会享受技术带来的奇迹？科学突破和技术创新，将如何帮助我们克服人类与生俱来的“缺陷”？我们会拥有一个被科技解放的未来，还是成为人工智能的奴仆？ 本书作者、美国基因政策研究中心负责人伊芙·赫洛尔德，细致入微地分析了随着计算机、微电子和纳米技术的突飞猛进，以及细胞、基因疗法和机器人技术的相互关联，医疗技术将如何延长我们的生命，显著地改变我们的生活。 本书既从医生、科学家和工程师的角度探讨了医学前沿新技术的发展，也讲述了一些病患勇于尝试还未正式使用的新疗法的故事。

《深入浅出强化学习：原理入门》用通俗易懂的语言深入浅出地介绍了强化学习的基本原理，覆盖了传统的强化学习基本方法和当前炙手可热的深度强化学习方法。开篇从最基本的马尔科夫决策过程入手，将强化学习问题纳入到严谨的数学框架中，接着阐述了解决此类问题最基本的方法——动态规划方法，并从中总结出解决强化学习问题的基本思路：交互迭代策略评估和策略改善。 基于这个思路，分别介绍了基于值函数的强化学习方法和基于直接策略搜索的强化学习方法。最后介绍了逆向强化学习方法和近年具有代表性、比较前沿的强化学习方法。 除了系统地介绍基本理论，书中还介绍了相应的数学基础和编程实例。因此，《深入浅出强化学习：原理入门》既适合零基础的人员入门学习、也适合相关科研人员作为研究参考。