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。

增强现实（Augmented Reality，AR）技术能够将计算机中的虚拟物体或信息融入到真实世界中，从而能够极大地增强人对现实世界的体验和认知。AR将为未来的信息系统和信息世界提供一种革命性的操作界面，必将改变诸如产品设计、设备操作与管理、培训学习等过程中的人机交互方式。近年来，AR已成为当今具影响力的新兴技术之一，受到学术界和产业界的广泛关注，被广泛应用于工业、医疗、社交、游戏娱乐、军事、教育等多个领域。 本书是广东省虚拟现实及可视化工程技术研究中心课题组在增强现实领域多年研究成果的总结，特别总结了在国家自然科学基金委员会资助下取得的成果（“增强现实装配操作空间的深度感知理论与方法研究”，编号：51275094）。本书从增强现实人机交互的特点出发，系统阐述了增强现实交互方法的基本原理、模型、主要技术与典型应用的实现。着重论述基于视觉、外设、体感及触摸屏四种典型人机交互方式的原理、方法与具体实现技术。主要内容包括：增强现实的理论基础与设备；基于标识、数据手套、机器视觉、移动终端的增强现实交互方法；增强现实应用系统开发案例。本书注重理论与实践相结合，五个与工业应用相关的增强现实典型应用案例均来源于实际科研项目，读者可从中全面了解与掌握增强现实系统人机交互的设计思路、软硬件构成、建模方法、关键技术实现方法、编程开发要点等。 本书可作为增强现实领域从事科研、技术开发人员的参考书和培训教材，也可供相关专业的研究生或高年级本科生使用。

语音识别已经逐渐进入人们的日常生活。语音识别技术是涉及语言、计算机、数学等领域的交叉学科。《深度学习：语音识别技术实践》介绍了包括C#、Perl、Python、Java在内的多种编程语言实践，开源语音识别工具包Kaldi的使用与代码分析，深度学习的开发环境搭建，卷积神经网络，以及语音识别中常见的语言模型——N元模型和依存模型等，让读者快速了解语音识别基础，掌握开发语音识别程序的算法。 《深度学习：语音识别技术实践》从语音识别的基础开始讲起，并辅以翔实的案例，既适合需要具体实现语音识别的程序员使用，也适合有一定机器学习或语音识别基础的学生、研究者或从业者阅读。

群智能优化技术是在自然群体基础上通过个体协作实现复杂系统优化的一种智能优化技术。智能物流系统作为智能制造系统的重要支撑，通过群智能优化方法可以有效解决复杂物流优化问题，提升问题优化效率、降低计算成本，提高对问题的响应效率。本书得到了国家自然科学基金面上项目“基于移动智能体调度的混杂工业无线传感器网络抗毁性研究”（编号：61571336）和青年科学基金项目“面向多移动智能物流资源调度的动态渐进群集智能优化方法研究”（编号：61603280）等项目的资助。在此背景下，开展了关于智能制造发展背景下若干复杂物流系统优化问题的系统研究和实践。本书详细介绍了目前群智能优化技术的原理、基于自适应和社会网络的算法性能提升方法，以及群智能优化算法在自动化立体仓库货位优化、冷链配送车辆路径优化、云物流下基于协同库存的集合覆盖的选址分配优化、集装箱多式联运优化和集装箱船舶贝位配载优化等具体实际问题中的应用。本书可帮助高校师生和工程技术人员系统掌握群智能优化技术的原理、改进途径及应用策略，了解群智能优化算法国内外新研究进展，掌握工程实际中典型物流问题的建模方法及群智能优化方法。本书对推广、提升智能制造环境下智能物流系统优化和发展具有重要意义。

《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》是一本场景式的机器学习实践书，笔者努力做到“授人以渔，而非授人以鱼”。理论方面从人工智能（AI）与机器学习（ML）的基本要素讲起，逐步展开有监督学习、无监督学习、强化学习这三大类模型的应用场景与算法原理；实践方面通过金融预测、医疗诊断概率模型、月球登陆器、图像识别、写诗机器人、中国象棋博弈等案例启发读者将机器学习应用在各行各业里，其中后三个案例使用了深度学习技术。 《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》试图用通俗的语言讲解涵盖算法模型的机器学习，主要内容包括机器学习通用概念、三个基本科学计算工具、有监督学习、聚类模型、降维模型、隐马尔可夫模型、贝叶斯网络、自然语言处理、深度学习、强化学习、模型迁移等。在深入浅出地解析模型与算法之后，介绍使用Python相关工具进行开发的方法、解析经典案例，使读者做到“能理解、能设计、能编码、能调试”，没有任何专业基础的读者在学习本书后也能够上手设计与开发机器学习产品。 本书内容深入浅出、实例典型，适合对机器学习感兴趣的产品设计、技术管理、数据分析、软件开发或学生读者。阅读《从机器学习到深度学习：基于scikit-learn与TensorFlow的高效开发实战》既能了解当前工业界的主流机器学习与深度学习开发工具的使用方法，又能从战略方面掌握如何将人工智能技术应用到自己的企业与产品中。

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。