本书是一本Python编程和机器学习零基础入门书。书的内容由Python基础语法和机器学习两部分组成，力求前面所学为后面所用。前半部分，着重介绍了Python语言的输入输出、条件分支、循环、列表、函数、类等，力求“手把手”地帮助读者攻克初学编程的难关，边学边练，使抽象的内容得以在实践中明晰。后半部分，是基于Python语言的机器学习入门，先介绍了机器学习领域最常用的工具库NumPy和matplotlib，继而以sklearn为依托讲解了分类、回归、聚类三个经典的机器学习应用场景。经过前面层层铺垫，最后带领读者完成一个识别手势的项目，体验机器学习的全过程。本书适合Python编程学习与应用的青少年爱好者阅读，也可作为中小学生Python相关课程的教材。希望读者借由本书进入Python程序设计和人工智能世界的大门，并逐步探寻更深的领域。

本书以Altium Designer 22为基础，兼容Altium Designer 09、17、19等版本，通过大量的实战演示，总结了项目设计过程中设计者可能遇到的软件使用的难点与重点，详细讲解了多达400个问题的解决方法及软件操作技巧，以便为工程师提供PCB设计一站式解决方案。该软件利用Windows平台的优势，具有更好的稳定性、增强的图形功能及超强的用户界面，设计者可以选择**的软件设计方法，实现更高效率的工作。 本书适合作为从事电子、电气、自动化设计工作的工程师的学习和参考用书，也可作为高校相关专业本科生和研究生的参考用书。

本书以Python的安装、语句、数据类型和图像相关计算模块以及图像及其属性知识为基础，重点阐述Python图像处理中的空间滤波器、图像增强、仿射变换、傅里叶变换、图像分割、形态学操作、图像测量等主题技术和相关的深度学习中的神经网络和卷积神经网络，同时还介绍图像采集设备及其构成与成像原理，包括X射线和计算机断层扫描、磁共振成像、光学显微镜和电子显微镜。 全书共分3部分： 第1部分（第1～3章）为Python计算与图像介绍，着重介绍Python语言与图像本身，包括数据类型和图像属性； 第2部分（第4～12章）为Python图像处理，着重讨论基于Python的各种图像处理技术的软件包和函数的示例应用； 第3部分（第13～16章）为Python图像采集，基于不同的成像原理介绍各类成像设备的构成。全书提供了大量应用实例，每章后均附有总结与习题。 本书适合作为高等院校计算机、软件工程和数学等相关专业的高年级本科生、研究生的教材，同时可供对Python比较熟悉并且对计算机视觉有所了解的开发人员和研究人员参考。

2019年我社联合南京大学人工智能学院出版了国内外率先公开出版和发表的人工智能本科专业教育培养体系，在国内人工智能教育领域起到了很好的引领和示范作用，有效推动了中国人工智能高等教育的发展。经过3年多的探索和实践，南京大学完成了一整轮本科和研究生培养方案的修订，准备集结出版这本AI人才培养体系的第2版，一方面对原有的AI本科体系进行了调整，另一方面是新设了AI方向研究生培养的内容，使得体系更加系统化和全面化。

暂缺简介...

基于多传感器融合的定位方法是目前移动机器人定位的主流方式。相对于单一传感器定位，多传感器融合定位具有成本低、容错率高、抗干扰能力强的优点。然而，现有的多传感器融合定位算法，无法同时兼顾定位精度和系统容错率，在融合过程中，对信息分配、信号干扰、误差模型异常等问题考虑的较少，严重的影响了机器人的定位效果。针对诸多问题，本著作主要从多传感器融合及系统构建、移动机器人融合定位算法、移动机器人导航算法、移动机器人避障路径规划算法、移动机器人障碍物检测与避障算法实施以及移动机器人室内定位与导航系统的实现方法等相关内容一一给出解答。本著作可以作为科研工作者、高校教师以及在校研究生、本科生的指导书以及算法学习参考书目。

本书是《Scikit-learn机器学习详解》（潘风文编著）的进阶篇，讲解了Sklearn（Scikit-learn）机器学习框架的各种高级应用技术，包括数据集导入工具、集成学习、模型选择和交叉验证、异常检测、管道、 信号分解、模型持久化以及Sklearn系统高级配置。通过本书的学习，读者可快速掌握Sklearn框架的高级知识，迈入人工智能殿堂的大门。 本书适合有志于从事机器学习、人工智能技术开发的人员或爱好者使用，也可作为相关专业的教材。

本书介绍了经典人工智能（逻辑或演绎推理）和现代人工智能（归纳学习和神经网络）之间的覆盖范围。分别阐述了三类方法：演绎推理方法： 这些方法从预先定义的假设开始，并对其进行推理，以得出合乎逻辑的结论。底层方法包括搜索和基于逻辑的方法。这些方法在第 1 章到第 5 章中讨论。归纳学习方法：这些方法从例子开始，并使用统计方法来得出假设。示例包括回归建模、支持向量机、神经网络、强化学习、无监督学习和概率图形模型。这些方法在第 6 章到第 11 章中讨论。整合推理和学习：第 12 章和第 13 章讨论整合推理和学习的技术。例子包括知识图谱和神经符号人工智能的使用。

人工智能时代，数字数据的爆炸式增长推动了人们对使用机器学习（ML）的交易策略相关知识的需求。《机器学习在算法交易中的应用（第2版）》就以Python为基本工具，从全局、战略的视角介绍了相关的概念，以及机器学习在交易策略设计和执行中的价值及实践运用。全书分4部分，其中第1部分主要介绍基于机器学习的交易策略的基础知识，该部分内容围绕机器学习算法以及交易策略相关的数据展开，概述了如何有效捕获数据信号内容、如何准确提取特征，以及如何基于这些数据优化算法评估投资组合。第2部分重点阐述了在端到端工作流环境中，一些基本的监督学习、无监督学习是如何为交易策略的制定提供帮助的。第3部分是自然语言处理，这部分引入了无监督学习算法，力求从文本数据这种最关键的另类数据中高质量地提取信号。第4部分通过TensorFlow和PyTorch，重点介绍深度学习和强化学习在交易策略设计中的应用。 《机器学习在算法交易中的应用（第2版）》通过大量示例，详细介绍了如何使用不同机器学习算法设计交易策略，并通过大量的数学及统计知识，帮助读者更好地理解算法调优过程及整个计算过程。特别适合想获得用于交易的机器学习算法相关知识或想设计交易策略的数据分析师、数据科学家、Python开发人员、投资分析师或投资组合经理参考学习。

本教材主要内容包括计算机视觉历史回顾与介绍、数据驱动的图像分类方式：K最近邻与线性分类器、线性分类器损失函数与很优化、反向传播与神经网络、神经网络的训练、卷积神经网络、迁移学习之物体定位与检测、卷积神经网络的可视化与进一步理解、卷积神经网络工程实践技巧、深度学习开源库使用介绍、图像分割与注意力模型、视频检测与无监督学习等。本书适合高等学校图像处理、模式识别、机器视觉、人工智能相关专业本科高年级学生和研究生使用，也可作为相关专业领域科研工作者参考书。