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。

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。

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。

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。

如今绝大多数数据科学家和数据工程师基于高质量的标记数据集来训练学习模型。但是，人工构建训练集既耗时又昂贵，以至于很多公司的机器学习项目无法完成。有一种更为实用的方法。在本书中，Wee Hyong Tok、Amit Bahree和Senja Filipi向你展示了如何使用弱监督学习模型创建产品。你将学习如何通过使用Snorkel（斯坦福大学人工智能实验室的一个衍生产品），在弱标记数据集上构建自然语言处理和计算机视觉项目。由于很多公司研究的机器学习项目从未走出他们的实验室，所以本书还提供了如何在真实案例中使用你所构建的深度学习模型的指南。

本书从基本概念和理论入手，通过近千张图和简单的例子由浅入深地讲解深度学习的相关知识，且不涉及复杂的数学内容。 本书分为上下两册。上册着重介绍深度学习的基础知识，旨在帮助读者建立扎实的知识储备，主要介绍随机性与基础统计学、训练与测试、过拟合与欠拟合、神经元、学习与推理、数据准备、分类器、集成算法、前馈网络、激活函数、反向传播等内容。下册介绍机器学习的 scikit-learn 库和深度学习的 Keras 库（这两种库均基于 Python 语言），以及卷积神经网络、循环神经网络、自编码器、强化学习、生成对抗网络等内容，还介绍了一些创造性应用，并给出了一些典型的数据集，以帮助读者更好地了解学习。 本书适合想要了解和使用深度学习的人阅读，也可作为深度学习教学培训领域的入门级参考用书。

暂缺简介...

暂缺简介...

暂缺简介...

本书力求用兼具浅白和学术的语言介绍量子张量网络中的抽象概念，包括量子、叠加、纠缠、测量、量子概率、三种著名的量子算法——Shor算法、Grover算法和HHL算法、张量、张量分解、四种典型张量网络态、TEBD算法、密度矩阵重整化群等，进而揭开这些概念自身本质和概念之间关系的面纱，内容涉及量子力学基本概念、三种著名的量子算法、张量基础、张量网络与量子多体物理系统、量子多体系统的张量网络态算法和基于张量网络的量子机器学习。本书在内容编排上主要是通过数学方式对量子张量网络机器学习进行阐述，而不会在物理学上对它们进行过多的精确解释，为张量网络机器学习提供捷径。