《树莓派创客：手把手教你玩转人工智能》由资深树莓派玩家精心写作，由浅入深地介绍树莓派在人工智能中的热点应用，具有很好的前瞻性，主要内容包括：树莓派的Debian Linux操作系统及其命令行的常见操作；语音传感器的使用（以ReSpeaker和Google Voice语音套件为例），即语音唤醒、语音识别、语音转文字、语音控制设备等硬件的原理及使用等；智能图像深度学习传感器Pixy2和Google Vision Kit套件的玩法；火爆的边缘推理设备Edge TPU和Coral USB加速器，比如在Edge TPU上运行TensorFlow模型、进行目标检测和训练图像分类模型等酷炫应用。《树莓派创客：手把手教你玩转人工智能》紧跟技术热点，采用手把手的教学方法，其中涉及的硬件成本较低，相信任何对树莓派人工智能感兴趣的读者都会从中获益。

《TensorFlow深度学习从入门到进阶》以TensorFlow为主线进行讲解，书中每章节都以理论引出，以TensorFlow应用巩固结束，理论与实践相结合，让读者快速掌握TensorFlow机器学习。《TensorFlow深度学习从入门到进阶》共11章，主要包括TensorFlow与深度网络、TensorFlow编程基础、TensorFlow编程进阶、线性回归、逻辑回归、聚类分析、神经网络算法、卷积神经网络、循环神经网络、其他网络、机器学习综合实战等内容。《TensorFlow深度学习从入门到进阶》适合TensorFlow初学者阅读，也适合研究TensorFlow的广大科研人员、学者、工程技术人员学习参考。

知识图谱旨在将人类知识组织成结构化知识系统，是人工智能实现真正意义的理解、记忆与推理的重要基础。知识图谱作为典型的符号表示系统，如何有效用于机器学习算法，面临着知识表示、知识获取和计算推理等方面的诸多挑战。近年来，以神经网络为代表的深度学习技术引发了人工智能的新一轮浪潮。 本书介绍了作者团队在知识图谱与深度学习方面的研究成果，展现了数据驱动的深度学习与符号表示的知识图谱之间相互补充和促进的技术趋势。本书内容对于人工智能基础研究具有一定的参考意义，既适合专业人士了解知识图谱、深度学习和人工智能的前沿热点，也适合对人工智能感兴趣的本科生和研究生作为学习读物。

《从机器学习到无人驾驶》以机器学习为出发点，使用简易的代码讲解机器学习的核心算法（深度神经网络和强化学习），在算法学习的基础上使用增量方法开发包含定位、预测、路径规划和业务控制等一系列自动驾驶模块。该书代码实例涉及自动驾驶的普遍业务方法，可使读者理解自动驾驶背后的设计思想和原理，快速入门自动驾驶的算法和开发流程。　《从机器学习到无人驾驶》示例代码丰富，涵盖实际开发中所有的重要知识点，适合无人驾驶从业者、想要学习机器学习和无人驾驶的开发人员阅读，也可用作培训机构和高校相关专业的教学参考书。

阐述可穿戴传感器原理、设计、制造和实施。主要内容包括穿戴式柔性传感器的制备与表征，穿戴式传感器的物理特性、设计和应用穿戴式医疗传感器信号调理智能电路，以及基于Python的传感器数据采集、数据提取和数据分析的基于GUI的软件开发。

本书以童心制物出品的单板计算机光环板（Halocode）及编程软件慧编程（mBlock 5）为载体，面向中小学生进行编程和人工智能启蒙教育，让学生掌握基础的程序设计知识、认识常用的传感器并学会利用电子模块制作创客作品，以达到提高科学素养、培养动手能力、激发创新意识的目的。本书围绕光环板的板载资源和对应的软件模块进行了比较系统而全面的介绍，并辅以d创新颖的例程，涵盖了基本输入/输出、智能感应、物联网、人工智能等方面的应用。同时，本书配套了相关的微课视频，扫描书中二维码即可观看学习。本书可作为中小学生科技课教材，也可作为光环板学习者的入门读物。

本书研究面向强噪声场景的低秩稀疏学习视觉目标跟踪方法。基于变分法和分数阶微积分理论改善强噪声场景下的视觉信息质量问题；基于低秩表示和稀疏表示理论解决目标外观多样性情况下的表观建模问题；基于融合LASSO、变分法和分数阶微积分理论解决复杂环境遮挡带来的目标特征丢失问题和目标快速运动带来的跟踪漂移问题；基于反向稀疏表示描述解决跟踪模型在线学习的计算效率问题。本书可供高等院校自动化、计算机、电子信息等相关专业的本科生和研究生，以及从事计算机视觉和数字图像处理领域的工程技术人员和研究人员参考阅读。

本书从统计学观点出发，以数理统计为基础，全面系统地介绍了统计机器学习的主要方法。内容涉及回归（线性回归、多项式回归、非线性回归、岭回归，以及LASSO等）、分类（感知机、逻辑回归、朴素贝叶斯、决策树、支持向量机、人工神经网络等）、聚类（K均值、EM算法、密度聚类等）、蒙特卡洛采样（拒绝采样、自适应拒绝采样、重要性采样、吉布斯采样和马尔科夫链蒙特卡洛等）、降维与流形学习（SVD、PCA和MDS等），以及概率图模型基础等话题。此外，为方便读者自学，本书还扼要地介绍了机器学习中所必备的数学知识（包括概率论与数理统计、凸优化及泛函分析基础等）。 本书是统计机器学习及相关课程的教学参考书，适用于高等院校人工智能、机器学习或数据挖掘等相关专业的师生研习之用，也可供从事计算机应用，特别是数据科学相关专业的研发人员参考。

深度学习在许多领域已经取得了令人瞩目的成就。而今，它正在整个科学界特别是生命科学界掀起波澜。《基于深度学习的生命科学》是一本注重实际操作的书，为开发者和科学研究者讲述了如何在基因组学、化学、生物物理学、显微镜学、医学分析及其他领域中应用深度学习。《基于深度学习的生命科学》介绍了一些深度网络原型，非常适合那些准备将自己的技能应用于诸如生物学、遗传学和药物发现等科学应用的开发人员和科学家。你将跟随设计一个将物理、化学、生物学和医学联系在一起的新疗法问题的案例研究，该案例代表了科学研究中的一个具挑战性的问题。通过该书，你将学到：学习在分子数据上执行机器学习的基础知识。理解为什么深度学习是研究遗传学和基因组学的有力工具。应用深度学习理解生物物理系统。通过DeepChem获得机器学习的简单认识。使用深度学习分析显微图像。使用深度学习技术分析医学扫描图像。了解变分自编码器和生成对抗网络。解释你的模型在做什么以及它是如何工作的。

《基于RISC-V的人工智能应用开发》较全面地介绍人工智能芯片K210的特点和应用开发，深入浅出地讲解人工神经网络、卷积神经网络的应用设计，特别是全面和深入分析YOLO网络与目标检测方法，并把YOLO网络应用于K210之中。第一部分为RISC-V及人工智能芯片，主要介绍RISC-V构架人工智能芯片K210应用开发，包括RISC-V构架及人工智能芯片K210介绍、输入，输出、串口通信、定时器与日历、音频输入／输出接口、显示屏驱动、摄像头数据采集、外部存储器、K210的WS2812驱动、K210的ESP8266驱动以及K210的MicroPython编程。第二部分为深度学习，主要介绍Keras及TensorFlow Lite应用开发，包括Keras人工神经网络应用设计、Keras卷积神经网络及深度学习、TensorFlow Lite安卓应用开发。第三部分为YOLOv3目标检测，主要介绍YOLOv1/v2/v3深度卷积神经网络目标检测应用开发，包括YOLO网络与目标检测基础、YOLO网络样本标注与训练、YOLO网络结构分析、YOLO网络在安卓中的应用。第四部分为YOLO和K210综合应用，主要介绍K210卷积神经网络应用实例，包括K210人工神经网络应用设计、K210卷积神经网络应用设计、K210神经网络处理器工作原理分析、K210神经网络处理器应用实例。《基于RISC-V的人工智能应用开发》适合于从事物联网、人工智能、嵌入式系统以及电子技术应用开发初学者作为参考资料，或者作为本专科物联网、人工智能、嵌入式系统、单片机等相关课程的教材，也适合于作为课程设计、毕业设计以及各类专业竞赛指导教材。