本书重点阐述利用机器学习、深度学习、自然语言处理等多种方法，以及当前流行的Python库——Tensorflow和Keras构建实时数据的智能物联网IOT系统。还给出了工业物联网、智能城市和家庭自动化等物联网主要应用领域的实际案例。

正如本书前言所讲，这是一本内容比较全面且易于理解的介绍人工认知系统的科普读物。全书首先对人工认知系统做了操作性定义，然后在余下的章节中介绍了自治性、具身化、学习与发展、记忆与前瞻、知识与表征以及社会认知等关键问题。考虑到读者群体，作者没有涉及“如何构建人工认知系统”等具体算法的内容，也没有讲到机器意识等比较艰深的领域。在结构上，全书可以划分为正文与页下注两部分，可以看作是故事的两条主线。正文着重对关键问题做简明的描述，而页下注则讲到了更深入的细节，读者可以顺着注释里提到的专业文献去了解更多、更专业的内容。本书的特点之一是，在学术界尚未对何谓“认知”得到一致的结论的情况下，作者并没有着重介绍自己所持的领域观点，而是广泛介绍了这一领域内的不同观点，读者阅读这一本书就可以大致获得人工认知系统的概貌。

本书包括三个部分，首先介绍自动驾驶仪和库的特性。然后着重介绍对ArduPilot库的重要部分的理解，其中描述了代码的每个主要组成部分。第三部分是高级特性部分，目的是将获得的知识扩展到实时应用程序。每个部分都详细描述了代码及其组件、应用程序和交互。

本书简洁且全面地介绍了现代神经网络、人工智能和深度学习技术，专门为软件工程师和数据科学家设计。第1章逐步介绍神经网络的基础知识。第2章比较TensorFlow 1x和TensorFlow 20编程模型。第3章重点介绍回归。第4章介绍卷积神经网络及其在图像处理中的应用。第5章讨论了CNN在图像、视频、音频和文本处理方面的高级应用。第6章重点介绍生成对抗网络。第7章介绍词嵌入。第8章介绍基本嵌入方法的各种扩展。第9章介绍自动编码器。第10章深入研究无监督学习模型。第11章重点介绍强化学习。第12章介绍AutoML。第13章介绍用于移动设备和物联网的TensorFlow的基础知识。第14章讨论了云环境以及如何利用它来训练和部署模型。第15章讨论了深度学习背后的数学。第16章介绍TPU。本书内容丰富，易于理解，示例具有代表性，是学习深度学习的指南。

本书首先介绍了在具有完整位置和速度信息的全局坐标系中导航和运动规划的模型和算法。第二部分研究了机器人在势场中的运动，势场是由机器人的期望和知识的环境状态定义的。第三部分介绍了机器人在未知环境中的运动以及利用感测信息进行环境映射的相应任务。第四部分从二维和三维两个方面研究了多机器人系统和群体动力学。

本书是以Aelos机器人和其传感器套件为载体，引导小学生学习智能机器人、传感器技术以及图形化编程的入门教程。本书涵盖了人工智能的历史、发展、分类以及组成等相关知识，帮助学生掌握图形化编程的基本方法、常用传感器的基本原理及应用。书中介绍的Aelos机器人和传感器套件，既能引导学生举一反三，又能加深学生对计算机编程思想的理解。书中还包含大量贴近生活的案例，能充分地激发学生学习智能机器人相关技术的兴趣。《人工智能与机器人编程探索书》分为入门篇和进阶篇，本册为进阶篇，上百张精美的照片和程序代码图，将为读者展示人工智能这门极为重要的学科中的关键技术，以及这些技术如何影响着我们的生活。本书适合对机器人和人工智能感兴趣的读者阅读，可作为学生的课外科普读物。

强化学习是实现决策智能的主要途径之一。经历数十年的发展，强化学习领域已经枝繁叶茂，技术内容纷繁复杂，这也为初学者快速入门造成障碍。 本书是一本深度强化学习领域的入门读物，梳理了深度强化学习算法的发展脉络，阐述了各类算法之间的关联，它们之间既有继承也有更新和发展，这种写法可以帮助读者更好地掌握算法中不变的精髓，并理解在不同的场景下应如何根据情势作出调整。 全书分为四部分。第一部分主要阐述强化学习领域的基本理论知识；第二部分讲解深度强化学习常用算法的原理、各算法之间的继承与发展，以及各自的算法流程；第三部分总结深度强化学习算法在游戏、推荐系统等领域的应用；第四部分探讨了该领域存在的问题和发展前景。本书适合想了解强化学习算法的小伙伴作为入门读物，也适合对强化学习感兴趣的读者阅读。

数据驱动的研究正在革新复杂系统的建模、预测和控制。本书面向高年级本科生和研究生，提供了一个综合的视角，展示了如何将新兴的方法，如数据科学、数据挖掘和机器学习技术，应用到工程和物理科学中。

随着社会数字化和信息化的程度越来越高，数据资源作为一种互联网时代的新能源所表现出的数据流动价值越来越得到人们的重视。在大数据背景下，机器学习技术正被广泛应用在各个领域，充分发挥数据的价值。与此同时，在对数据隐私的担忧声中，政府开始行动制定数据使用合规法案。传统的机器学习方法受到了制约，大量的数据因为需要依法保护而无法被联合在一起进行建模，隐私保护机器学习的概念应运而生。本书将介绍隐私保护机器学习的原理、方法和应用，主要介绍机器学习和隐私保护技术的基础知识，并讲解隐私保护机器学习的应用，包括隐私求交、安全多方计算、线性模型、树模型、神经网络。同时本书还介绍隐私保护机器学习的具体应用场景，深入讲解其技术原理。本书既适合隐私保护机器学习领域的从业者阅读，也可供高等院校相关专业的本科生、研究生学习参考。

本书分为三个部分：基于知识图谱和神经网络的构建部分；结合知识图谱和神经网络的混合体系结构；实际应用部分。在三个部分中，主题通常是独立的，允许读者快速、轻松地阅读所需的信息。本书的两个特点是实用性和拥有前沿信息。书中准确地演示了如何创建和使用上下文表示，对意义嵌入和知识图谱嵌入有着明确的处理方法，解释了使用它们的语言模型和Transformer体系结构。