近年来机器学习是一个热门的技术方向，但机器学习本身并不是一门新兴学科，而是多门成熟学科（微积分、统计学与概率论、线性代数等）的集合。其知识体系结构庞大而复杂，为了使读者朋友能够把握机器学习的清晰的脉络，本书尽可能从整体上对机器学习的知识架构进行整理，并以Sklearn和Keras等机器学习框架对涉及的相关理论概念进行代码实现，使理论与实践相结合。 本书分为4个部分：第1章至第3章主要介绍机器学习的概念、开发环境的搭建及模型开发的基本流程等；第4章至第7章涵盖回归、分类、聚类、降维的实现原理，以及机器学习框架Sklearn的具体实现与应用；第8章至第12章主要阐述深度学习，如卷积神经网络、生成性对抗网络、循环神经网络的实现原理，以及深度学习框架Keras的具体实现与应用；第13章简单介绍机器学习岗位的入职技巧。 本书可作为机器学习入门者、对机器学习感兴趣的群体和相关岗位求职者的参考用书。

生成对抗网络（GAN）可以模拟任何数据分布方式，因而潜力巨大，为很多难以自动化的问题提供了解决途径。本书立足理论，着重实践，带领读者快速熟悉并上手GAN。本书首先介绍构建高效项目所涉及的概念、工具和库，然后利用不同类型的数据集，依次构建7个GAN项目，训练并优化GAN模型。这些项目涵盖了各种流行方法，包括3D-GAN、Age-cGAN、DCGAN、SRGAN、StackGAN、CycleGAN和pix2pix。

本书系统地介绍了机器人学的基础理论知识-重心放在机器人机构、规划与控制三个方面-为机器人学的入门教材-可纳入到机器人导论的范畴。 全书以现代数学分支之一——旋量理论为工具和桥梁-衔接全书知识体系。这既是书名定为《现代机器人学：机构、规划与控制》的主要依据-也是本书区别其他机器人导论类教材的重要特征。 全书总共13章-第1章为绪论。第2章主要介绍与机器人机构有关的若干基本概念-第3章作为全书的理论基础-详细讨论如何应用旋量理论构建刚体运动模型的过程；第4？7章主要讲述有关机器人运动学方面的基础内容-包括开链机器人正向运动学（第4章）、一阶运动学与静力学（第5章）、逆向运动学（第6章）和并联机器人运动学（第7章）。第8？11章主要讲述有关机器人动力学、规划与控制方面的基础内容-包括开链机器人动力学建模（第8章）、轨迹生成（第9章）与运动规划算法（第10章）以及经典的机器人控制方法等（第11章）。第12？13章主要介绍机器人的两种典型形态—操作手与移动机器人的基础知识与原理。此外-作为正文的补充-增加了4个附录内容-包括全书重要结论、刚体姿态描述方法、D-H参数法以及优化算法等。 本书可作为高年级机器人工程专业本科专业教材或研究生教材-也可作为相关科研人员与工程技术人员参考用书。

本书是人工智能技术的通识读本，全面展示人工智能技术的理论框架和应用价值，主要内容包括：人工智能的概况和发展历史，作为目前人工智能主流技术的深度学习及其基础神经网络技术，以及在人工智能技术发展过程中发挥了重要作用的人工智能方法，如专家系统、模糊技术、粗糙集、遗传算法和其他生物技术方法等。 本书主要面向非信息学科的大学生和研究生，为他们学习人工智能技术提供教学参考，也为他们今后继续在人工智能技术领域深入研学提供基础；同时本书也面向有一定教育背景的广大普通读者，力图为他们掀开门扉，一窥人工智能的神秘而有趣的世界。

这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作-在图神经网络领域具有重大的意义。 本书作者是图神经网络领域的资深技术专家-作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究与实践经验的总结-内容系统、扎实、深入浅出-得到了白翔、俞栋等多位学术界和企业界领军人物的高度评价及强烈推荐。 全书共10章： 第1～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识-是阅读本书的预备知识； 第5～6章从理论的角度出发-讲解了图信号处理和图卷积神经网络-深入剖析了图卷积神经网络的性质-并提供了GCN实现节点分类的实例； 第7～9章全面讲解了图神经网络的各种变体及范式、图分类机制及其实践-以及基于GNN的图表示学习； 第10章介绍了图神经网络的新研究和应用。

不知不觉，人工智能已经走入我们的生活，尤其是图像识别、文本识别、语音识别、自然语言等技术。这些应用的核心技术就是深度学习，也正是本书的核心内容。 本书以TensorFlow为核心，分为3篇，共计15章节。第1篇是基础篇（第1~5章），主要介绍什么是深度学习、深度学习的本质是什么、深度学习所使用的教材和方法，以及深度学习在图像识别（MNIST）领域的应用。第2篇是发展演变篇（第6~14章），主要介绍在图像识别领域深度学习技术的发展与演变。主要是以ImageNet挑战赛为线索、以ImageNet挑战赛中的冠军模型为主干，介绍了卷积神经网络的发展历程、遇到的主要挑战、思路和对策，以及各种冠军模型的模型架构与模型训练。第3篇是前沿篇（第15章），介绍了生成对抗神经网络（GAN），它是一种能够自动生成图像的神经网络，这是与之前介绍的各种用于图像识别的卷积神经网络zui显著的区别。 本书讲解细致、深入浅出，即使没有机器学习的基础，也能快速学会，同时适合任何对深度学习技术或人工智能相关领域感兴趣的从业人员学习使用。

本书内容覆盖了机器学习领域从理论到实践的多个主题-总共分为10章。第1章为导论-介绍机器学习的背景、定义和任务类型-构建机器学习应用的步骤-以及开发机器学习工作流的方式。 第2章详细介绍数据预处理和特征工程技术-并辅以实例进行验证。 第3~6章介绍回归模型、分类模型、模型融合和聚类模型-这些内容是机器学习理论和实践中的传统重点。其中不仅介绍各种常见数据类型的处理方法-还针对删失数据进行了专门的综述和实践。 第7章介绍机器学习领域较难的图计算话题-并从工业界视角解读如何将图计算落地。第8章针对特征工程、建模过程中大量调参的场景介绍自动机器学习的理论和应用-并细致比较和测试了各种自动特征工程算法在不同数据上的表现。 第9章介绍自然语言处理（词向量、序列标注、关键词抽取、自动摘要和情感分析）技术-使用新闻文本数据搭建文本分类的流程。 第10章介绍计算机视觉中图像分类和目标检测的应用以及车辆检测的落地案例。 本书既适合作为高等院校计算机、软件工程、人工智能等相关专业的教学用书-同时也可供从事机器学习相关领域的工程技术人员阅读和参考-帮助他们掌握机器学习相关的算法原理-并能通过专业工具平台快速搭建各类模型-构建机器学习的行业应用。

本书全面地介绍了人工智能的主要理论、技术和方法，主要包括：搜索策略、确定性推理、不确定性推理、专家系统、机器学习、自然语言理解和遗传算法。本书着重展现人工智能技术的基础方法和理论，同时引入了人工智能技术在机器人领域的研究应用实例，为读者知识进阶作铺垫。 本书内容丰富，深入浅出，通俗易懂，以基础理论为主，兼顾实用技术，可作为高等院校计算机、自动化、机器人及相关专业的教材或教辅，也可供相关领域的工程技术人员与科研人员阅读参考。

《智能控制原理与应用（第3版）》介绍智能控制的基本原理及其应用，着重介绍各种智能控制系统的基本概念、工作原理、技术方法与应用。全书共10章，涉及递阶控制、专家控制、模糊控制、神经控制、学习控制、分布式控制、进化控制、网络控制以及复合智能控制系统的控制机理、类型结构、设计方法和应用示例等，反映国内外智能控制研究和应用的新进展。与第2版相比，许多内容得到更新。全书系统全面、内容新颖、编排合理、可读性强，是一部高水平的智能控制教材。《智能控制原理与应用（第3版）》可作为高等院校自动化、电气工程与自动化、智能科学与技术、测控工程、机电工程、机器人、电子工程等专业本科生智能控制类课程教材，也可作为硕士和博士学位智能控制、智能系统等课程的教材与教学参考书，还可供从事智能控制和智能系统研究、设计、应用的科技工作者阅读与参考。

本书主要从应用的角度讲述人工智能、大数据、云计算相关技术，让读者从应用场景了解人工智能以及该应用场景下的核心技术。书中设计了简单而实用的体验环节，让读者去观察这些智能应用，通过观察增强对人工智能的了解；配备了操作类视频指导资源等，方便读者更直观地学习人工智能知识。 全书共9章，内容分别为人工智能发展史，人工智能主要研究方向，智能识别，无人驾驶，智能助理，虚拟、增强及介导现实，大数据技术与应用，云计算技术与应用，新一代人工智能的发展与思考。各章后附有参考文献。 本书是一本基础性强、可读性好、与生活贴近、易学易用、适合讲授和实训的人工智能教材，适用于电气信息类、机械类、电子信息科学类等高职高专、本科相关专业的学生，也可作为人工智能类、计算机类专业课程的先导学习教材。