本书分为三篇，共15章。 第一篇为神经网络基础篇（第1~3章），主要内容包括生物神经网络理论基础、人工神经网络概述、人工神经网络数理基础，从生物神经网络角度出发介绍了神经元的结构、生物电活动，在细胞层面解释了神经网络进行信息传递和信息存储的机理，并对人工神经网络理论在各个阶段的发展、特点、应用，以及人工神经网络算法中运用到的导数、微分、梯度等重要数理知识进行了概述。 第二篇为人工神经网络理论篇（第4～13章），主要内容包括感知器、BP神经网络、RBF神经网络、ADALINE神经网络、Hopfield神经网络、深度卷积神经网络、生成式对抗网络、Elman神经网络、AdaBoost神经网络、SOFM神经网络。为了加强理论学习的深度，本篇在阐述理论算法时通过逐次迭代展开推导，而且在每种理论算法后面都给出了应用及实践案例。多年的课堂教学实践证明这种学习方式对于理解和掌握算法机理是非常有效的。 第三篇为人工神经网络实践及应用篇（第14～15章），主要内容包括基于Simulink的人工神经网络建模和基于GUI的人工神经网络设计。这些内容是进一步理解和掌握人工神经网络理论、实践和应用的基础。

本书主要介绍脑控智能车辆的概念、主要体系结构和关键技术。全书由10章构成，内容自成体系。第1章介绍脑控智能车辆产生的背景、概念、分类和发展趋势； 第2章介绍脑机接口技术； 第3章到第5章介绍第一类脑控智能车辆（基于任务层面共享控制的脑控智能车辆），其中第3章介绍基于任务层面共享控制的脑控智能车辆，特别介绍基于P300 BCI的目的地选择系统，该系统是第一类脑控智能车辆的核心部分，第4章介绍基于混合BCI的目的地选择系统，第5章介绍环境因素对基于BCI的目的地选择系统影响； 第6章到第8章介绍第二类脑控智能车辆（基于运动控制的脑控智能车辆），其中第6章介绍基于运动控制的脑控智能车辆，特别介绍基稳态视觉诱发电位（steady state visual evoked potential， SSVEP）和α波的脑控智能车辆的速度和方向控制方法，第7章介绍脑控智能车辆运动控制系统建模，第8章介绍脑控智能车辆运动的共享控制方法； 第9章和第10章介绍第三类脑控智能车辆（基于驾驶员或用户状态脑电识别的脑控智能车辆），其中第9章介绍驾驶员紧急刹车意图的脑电表征，第10章介绍驾驶员紧急刹车意图的脑电检测。 本书可供自动化、计算机、机械、人工智能、生物医学、电子工程等专业的高等院校师生和相关专业的研究机构或企业的研发人员参考使用。

未来30年是“AI大革命”。　在人工智能时代，我们的工作和生活发生了颠覆式改变。《人工智能时代，你的工作还好吗？》从人工智能如何重新定义工作出发，让读者了解到在人工智能时代，你是否会被人工智能取代？你的工作会发生哪些变化？你所处行业和所从事的工作将面临哪些潜在的机遇和威胁？只有尽早了解人工智能的变革本质，认清人工智能对职业冲击的规律，我们才能提前制定一套跟上时代的职业规划方案。　AI+金融：将工作转移到客户情感维护　AI+医生=更好的医疗未来　AI+电商：精准营销，流量自来　AI+HR：积累人才数据，颠覆人才招聘　AI+农业：科技兴农，发家致富　AI重新定义文娱：黑科技、高效率、新灵感　数据说话：AI威胁执行层的“饭碗”　面对威胁，执行层必备的4项技能　面对AI，文娱工作者应该如何创作　面对AI，教师的抉择　……

PyTorch是Facebook于2017年初在机器学习和科学计算工具Torch的基础上，针对Python语言发布的一个全新的机器学习工具包，一经推出便受到了业界的广泛关注和讨论，目前已经成为机器学习从业人员的研发工具。《PyTorch深度学习》是使用PyTorch构建神经网络模型的实用指南，内容分为9章，包括PyTorch与深度学习的基础知识、神经网络的构成、神经网络的知识、机器学习基础知识、深度学习在计算机视觉中的应用、深度学习在序列数据和文本中的应用、生成网络、现代网络架构，以及PyTorch与深度学习的未来走向。《PyTorch深度学习》适合对深度学习领域感兴趣且希望一探PyTorch的业内人员阅读；具备其他深度学习框架使用经验的读者，也可以通过本书掌握PyTorch的用法。

本书讨论大规模连续空间的强化学习理论及方法，重点介绍使用函数逼近的强化学习和动态规划方法。该研究已成为近年来计算机科学与技术领域中*活跃的研究分支之一。全书共分6 章。第1 章为概述；第2 章为动态规划与强化学习介绍；第3 章为大规模连续空间中的动态规划与强化学习；第4 章为基于模糊表示的近似值迭代；第5 章为用于在线学习和连续动作控制的近似策略迭代；第6 章为基于交叉熵基函数优化的近似策略搜索。本书可以作为理工科高等院校计算机专业和自动控制专业研究生的教材，也可以作为相关领域科技工作者和工程技术人员的参考书。

机器学习融合了计算机科学、统计学、数学、工程学等多个学科，应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题，聚焦于机器学习中的算法，清晰呈现算法背后的数学和统计学知识，同时提供必要的编程技巧和实验方法。书中全面涵盖各类算法，如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新，以反映机器学习的新发展，新增了两个章节来讨论深度置信网络和高斯过程，此外，还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。本书的代码示例采用Python语言编写，所有代码均可从stephenmonika.net免费下载。

《人工智能入门与实战　使用Raspberry Pi和Python演练》使用Raspberry Pi作为计算平台，介绍AI世界。本书探索了大部分主要的人工智能主题，包括专家系统、浅层和深层的机器学习、模糊逻辑控制等。主要内容： AI简介、基本的AI概念、专家系统的展示、游戏、模糊逻辑系统、机器学习、机器学习：人工神经网络、机器学习：深入学习、机器学习：ANN展示实践、演化计算、基于行为的机器人等。

本书从工程应用的角度论述了影像分析处理的基本原理和算法，深入应用实践，详细介绍了影像分析在法庭科学中应用的各个方面，阐述了影像分析方法的特性，并系统地讨论了主要影像分析工具。全书结合具体的影像分析工具以实例来说明影像分析方法的效果。

移动互联网、大数据、人工智能等新一代信息技术与制造业深度融合，孕育了智能制造的新理念。 本书以智能制造理念为起点，讲述了新一代信息技术对传统制造企业的渗透、支持、冲击和融合，给制造业带来的挑战和机遇，以及制造模式的变革、制造系统的发展及建模方法论； 探讨了包括智能产品、智能制造过程、智能管理和服务、智能制造模式、智能制造基础关键技术等内容的智能制造技术体系，以及面向网络协同的智能工厂架构和智能企业协作框架； 详细介绍了智能制造系统的组成、制造系统的建模方法和相关的基础关键技术等内容。 本书可供自动化、机械、计算机、管理工程等领域的管理人员、技术人员参考，也可作为相关专业高年级本科生和研究生的选修课教材。

本书是一本机器学习算法方面的理论+实践读物，主要包含机器学习基础理论、回归模型、分类模型、聚类模型、降维模型和深度学习模型六大部分。机器学习基础理论部分包含第1、2章，主要介绍机器学习的理论基础和工程实践基础。第3章是回归模型部分，主要包括模型的建立、学习策略的确定和优化算法的求解过程，最后结合三种常见的线性回归模型实现了一个房价预测的案例。第4至11章详细介绍了几种常见的分类模型，包括朴素贝叶斯模型、K近邻模型、决策树模型、Logistic回归模型、支持向量机模型、随机森林模型、AdaBoost模型和提升树模型，每一个模型都给出了较为详细的推导过程和实际应用案例。第12章系统介绍了五种常见的聚类模型，包括K-Means聚类、层次聚类、密度聚类、谱聚类和高斯混合聚类，每一个模型的原理、优缺点和工程应用实践都给出了较为详细的说明。第13章系统介绍了四种常用的降维方式，包括奇异值分解、主成分分析、线性判别分析和局部线性嵌入，同样给出了详细的理论推导和分析。最后两章分别是词向量模型和深度神经网络模型，其中，词向量模型详细介绍了Word2Vec和Doc2Vec模型的原理推导和应用；深度神经网络模型系统介绍了深度学习相关的各类基础知识。本书适合对人工智能和机器学习感兴趣的学生、求职者和已工作人士，以及想要使用机器学习这一工具的跨行业者（有最基本的高等数学、线性代数、概率基础即可），具体判别方法建议您阅读本书的前言。