本书研究的灵感来自于近期的强化学习（RL）和信息物理系统（CPS）领域的发展。RL植根于行为心理学，是机器学习的主要分支之一。不同于其他机器学习算法（如监督学习和非监督学习），RL的关键特征是其独特的学习范式，即试错。与深度神经网络相结合，深度RL变得如此强大，以至于许多复杂的系统可以被人工智能智能体在超人的水平上自动管理。另一方面，CPS被设想在不久的将来给我们的社会带来革命性的变化。这些例子包括新兴的智能建筑、智能交通和电网。

本书是一本关于人类智能和人工智能的科普读物。人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。本书通过“意识的奇妙”“追逐大脑中意识的踪影”“意识的实验性研究——操作实验”“如何看待意识的自然法则”“意识是信息，还是算法”“大脑的意识和机器的意识”等章节，介绍了意识产生的机理、外界因素对意识形成的影响、对意识的自然法则的诠释以及机器是否能实现对意识的模拟等内容。

这是一本非常好看的人工智能领域的入门读物，神经网络、机器人等当下的热门研究课题都有涉及。具体来看，全书共分为六个模块，涵盖了人工智能研究的各个方面，介绍了经典人工智能和现代人工智能，内容涉及智能是如何定义的、机器是如何思考的、机器系统中的感知输入、意识的原理等，包括了人工智能背后的哲学、技术和基础方法等。虽然也给出了人工智能编程的基本框架，但并没有涉及复杂的程序编写细节。因此这本小书可以说是对人工智能的全面概览——它对每个特定的主题不会讲得过深，同时也给出了延伸阅读的资料，方便感兴趣的读者进一步阅读。

Keras是一个用Python编写的开源人工神经网络库，可以作为TensorFlow、CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。本书从初学者的角度出发，为读者构建一个完整的Keras技术体系。 本书共分为9章，主要内容包括深度学习框架Keras的背景、搭建学习环境、深度学习的理论基础、卷积层与MNIST实战、多层感知机与MNIST实战、TensorFlow Datasets和TensorBoard、ResNet及其兄弟ResNext，最后是两个项目实战案例——词嵌入与情感分类。 本书既适合Keras深度学习初学者、深度学习算法技术人员阅读，也适合作为高等院校与培训机构人工智能相关专业的师生参考。

大数据和机器学习等的兴起使得商业分析领域越来越倚重数据科学。本书详细介绍了商业数据科学中的关键元素，汇集了机器学习、经济学以及统计学领域的核心原则和最佳实践，内容涵盖识别商业政策中的重要变量、通过实验测量这些变量，以及挖掘社交媒体以了解公众对于政策修改的反应，为从事商业数据科学的数据科学家和商业人士提供了必备工具。书中通过大量数据分析示例讲解如何利用R语言编写脚本来解决复杂的数据科学问题。

自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU 激活、随机梯度下降、交叉熵、正则化、Dropout 及可视化等。

机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。《可解释机器学习：黑盒模型可解释性理解指南》书是一本关于使机器学习模型及其决策具有可解释性的书。本书探索了可解释性的概念，介绍了简单的、可解释的模型，例如决策树、决策规则和线性回归，重点介绍了解释黑盒模型的、与模型无关的方法，如特征重要性和累积局部效应，以及用Shapley值和LIME解释单个实例预测。本书对所有的解释方法进行了深入说明和批判性讨论，例如它们如何在黑盒下工作、它们的优缺点是什么、如何解释它们的输出。本书将解答如何选择并正确应用解释方法。本书的重点是介绍表格式数据的机器学习模型，较少涉及计算机视觉和自然语言处理任务。《可解释机器学习：黑盒模型可解释性理解指南》适合机器学习从业者、数据科学家、统计学家和所有对使机器学习模型具有可解释性感兴趣的人阅读。

本书采用了一种实用的、项目式的方法来进行VR开发。本书使用了4个易于理解而又启发人思考的创意，在Unity开发平台上就实现VR项目的一些细节展开教学。每一个项目都从分步式指南开始，之后还包括对VR*佳实践、设计选择、技术挑战的讨论，以及对读者解决方案改进和实现的指导建议。 我们期望你在完成本书学习后，能够获得一套新的技能并热爱上VR开发，同时具备使用Unity平台创建丰富的、沉浸式体验的想法和创意。

本书系统地介绍了机器人技术与智能系统的基础知识、工作原理以及设计与应用实例。全书共分8章，主要内容有：机器人的定义与分类，机器人的基本组成、技术参数、移动机构和传动机构，机器人的液压驱动、气压驱动、步进电动机驱动、直流伺服电动机驱动、交流伺服电动机驱动等，机器人传感器的类型与工作原理、多传感器信息融合，机器人位置控制、运动轨迹控制、动作与知觉及相关的机器人软件等，不同领域机器人的设计与应用，机器人新技术与系统，美国机器人技术发展路线图。本书从机器人学及其所运用的人工智能等领域的关键技术出发，在内容安排上突出科学性与系统性，注重理论与工程实际的结合、基础知识与现代技术的结合、系统设计与应用的结合。 本书可作为科研工作者和工程技术人员的参考书，也可作为高等院校机器人工程、智能制造工程、机械电子工程及相近专业师生的参考书。

精心选取十个大数据与机器学习的实战案例，采用迭代递进模式，边理论边实践，深入浅出，让读者在工程实践中熏陶成长，在复杂系统设计中淬炼过硬本领。十个案例全部采用国际著名机构发布的真实数据，研究领域涉及生物信息、图像处理、商业零售、银行金融、自然语言处理等。每个案例采用的数据集规模相对较大，鲜明体现了机器学习在大规模数据挖掘处理方面独领风骚。