本书深入浅出地介绍了人工智能历史和技术，对现阶段人工智能技术的应用成果进行了展示、解读，让读者在详细了解人工智能发展历史的基础上，清晰认知人工智能的关键技术。本书适合人工智能研究者，以及对人工智能感兴趣的读者阅读。

为适应工业机器人、海陆空机器人和共融机器人快速发展的需要，突出机器人学的综合性、新颖性和前瞻性等特点，《机器人学：建模、控制与视觉》一书分建模、控制与视觉三个部分系统地阐述了机器人学的基础内容。全书包含十七章。第1章为概述，介绍机器人的内涵、应用以及机器人学的研究方向。建模部分包括第2章至第7章，系统介绍机器人机构，刚体位姿描述和齐次变换，刚体速度和静力，操作臂运动学、雅可比矩阵和操作臂动力学。控制部分包括第8章至第13章，介绍轨迹生成、轨迹控制、力的控制、运动规划、协调控制和自适应控制。视觉部分包括第14章至第17章，介绍视觉图像处理、视觉运动控制、轮式移动机器人和飞行机器人。

本书根据国家产业结构转型升级要求和职业（技工）院校工业机器人应用专业建设需要，组织职业（技工）院校骨干教师和企业技术人员共同编写。本书采用项目任务的框架结构，以任务导向的教学方法，介绍工业机器人操作基础和工业机器人基本应用等内容。全书通过工业机器人示教器简单使用、工业机器人基本操作、机器人程序数据设定等基础知识和基本技能，以及通过轨迹描绘任务的编程与操作、图块搬运任务的编程与操作、工件装配任务的编程与操作等6个工业机器人基本应用的典型案例学习与训练，初步掌握工业机器人基本应用的方法和技巧，体验工业机器人基本工作站的安装、编程、调试与运行维护操作。本书内容新颖、选材典型、易教易学，注重实际操作训练与基本应用体验。本书可作为职业（技工）院校工业机器人应用专业、机电一体化技术专业等相应课程的教材，也可作为工业机器人应用与维护岗位培训教材，以及企业工程技术人员、机器人爱好者的参考书。

本书全面梳理了各个学科与智能研究相关的成果，在此基础上归纳了一般智能的构成要素，形成了生物智能和非生物智能统一的智能理论体系。系统分析了智能的进化、发展、使用和评价，提出了语义逻辑的主要准则和不同于冯？诺伊曼体系的智能计算架构。并且为构建本书所述非生物智能体或人工智能学界讨论的通用人工智能提出了一条可实现的路径。本书适合对智能和人工智能感兴趣的学生、学者和实践工作者阅读。

本书通过实验操作的方法向读者传授竞赛机器人的相关技术，在介绍多种竞赛机器人的功能及其国内外赛事和竞赛机器人的控制器技术、软件开发平台使用方法、整体结构设计、硬件电路设计与制作、软件模块的编程方法、机器人走迷宫的数学算法以及迷宫场地制作之后，进行了竞赛机器人工程化应用的研究分析，以门座式起重机控制系统为例，分析多自由度协调控制及在线监测等工程应用案例。

本书主要介绍自主研抛机器人技术的相关理论基础与前沿技术，是作者近年来在国家“863”等项目中所取得的学术研究成果和技术实践的总结。书中基于实现用小型装备对大型自由曲面进行精整加工的目标，利用移动操作机器人具有较好的操作灵活性和工作空间大的特点，提出了一种研磨大型自由曲面自主作业机器人的机械结构，并进行了关键技术的研究。重点针对研磨大型自由曲面自主作业机器人的曲面重构与定位方法、5-TTRRT机器人运动学动力学建模、运动规划与运动控制、主被动结合的柔顺控制方式等进行了深入论述。力求设计理念符合国内外先进技术的发展要求，设计内容与国内外新研究成果同步。

本书以软件工程的角度把一个看似不可能完成的大型金融软件系统，抽丝剥茧，层层剥离，逐步完善，从而提高技术人员的大局观、合作意识和问题分解能力。全书一共五章，第一章介绍了专家系统与金融专家系统，起到提纲挈领点明任务主题的作用。第二章是系统设计的核心思想是需求是设计更是算法，通用性极强。第三章则以PHP开发者的角度详细介绍了几个有代表性模块的开发与实现，从而达到举一反三的目的，为了增加读者的印象，第四章我们特意从基本面、技术面和高频方面分别列举了两个策略。最后我们通过一些小案例的方式提高读者的开发能力，从而突破金融专家系统的单一局限。

本书结合实际应用介绍神经网络和深度学习等技术领域相关信息，从结构上重点介绍了前馈型神经网络、反馈型神经网络，以及自组织竞争型神经网络，并针对当下深度学习中比较重要的网络进行了详细介绍，包括卷积神经网络、循环（递归）神经网络、深度信念网络、生成对抗网络，以及深度强化学习。本书不仅能让读者对当前神经网络和深度学习技术有体系的认知，更能让读者在人工智能领域进行一些深入思考。

深度学习：基于Matlab的设计实例 本书共包含6章内容，可以分为3个主题。书中例子均用MATLAB编写而成。 第1个主题是机器学习。深度学习起源于机器学习，这意味着如果想要理解深度学习的本质，就必须在某种程度上知道机器学习背后的理念。第1章从机器学习与深度学习的关系开始讲起，随后是解决问题的策略和机器学习的基本局限性。 第2个主题是人工神经网络这是第2~4章的重点内容。由于深度学习就是采用一种神经网络的机器学习，所以不能将神经网络与深度学习分开。第2章从神经网络的基本概念讲起：它的工作原理、体系结构和学习规则，也讲到了神经网络由简单的单层结构演化为复杂的多层结构的原因。第3章介绍了反向传播算法，它是神经网络中一种重要和典型的学习规则，深度学习也使用这种算法。本章解释了代价函数和学习规则是如何联系起来的，哪一种代价函数在深度学习中被广泛使用。第4章介绍了将神经网络应用到分类问题中的方法。其中单列一节专门讲分类，因为它是目前流行的一种深度学习应用。例如图像识别是一个分类问题，也是深度学习的一种主要应用。 第3个主题是深度学习，也是本书的重点，将在第5章和第6章中讲解。第5章介绍了使深度学习能够产生卓越性能的驱动因素。第6章讲解了卷积神经网络，本章首先介绍了卷积神经网络的基本概念和结构，并与前面的图像识别算法进行了比较;随后解释了卷积层和池化层的作用和运算方法，它们是卷积神经网络的重要组成部分。第6章也包含了一个用卷积神经网络进行数字图像识别的例子，并研究了图像通过各层的演化过程。

Python量化回溯、TensorFlow、PyTorch、MXNet深度学习平台以及神经网络模型，都是近年来兴起的前沿科技项目，相关理论、平台、工具目前尚处于摸索阶段。 TensorFlow是近年来影响大的神经网络、深度学习平台，本书从入门者的角度，对TensorFlow进行了介绍，《零起点TensorFlow与量化交易》中通过大量的实际案例，让初学者快速掌握神经网络和金融量化分析的基本编程，为进一步学习奠定扎实的基础。 《零起点TensorFlow与量化交易》中的案例、程序以教学为主，且进行了高度简化，以便读者能够快速理解相关内容，短时间了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络的应用。 《零起点TensorFlow与量化交易》仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch等新一代深度学习平台来获得。更重要的是，广大的一线实盘操作人员需要结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报收益。