本书是以作者多年来从事人工智能研究的经验为基础，并广泛参考了国内外*新研究资料编写而成的。本书从人工智能的本源问题出发，着重介绍了人工智能各领域的概念体系、方法体系、经典算法与新的流行算法以及当前人工智能的研究热点——机器学习和机器视觉。 本书可供高等院校人工智能相关专业本科生、研究生作为教材或参考书使用，也可供相关科研及工程技术人员阅读。

软体机器人是机器人领域的新兴研究方向。软体机器人技术让机器人在非结构化、不稳定的环境下执行精巧、柔顺的操作任务成为了可能。实现这一目标的一切关键在于使用柔性的材料—— 硅胶、布料、气球、柔性塑料，以及它们的不同组合，并佐以神奇新颖却又易于实现的创新思路。本书以通俗易懂的语言和快速上手的制作项目，向同学们、发明家们、创客们介绍软体机器人技术各种概念。在本书中，你将会： ？ 了解生物模型对软体机器人这一新兴领域带来的变革 ？ 探索新颖的材料和制造工艺在机器人领域内外的应用 ？ 寻找传统机器人机构设计的柔性替代方案 ？ 体验低成本、易实现的机器人制作项目 ？ 学习面向更加复杂项目的手工制作技巧本书中介绍的项目涵盖了各种常用的工具使用及相关技术 —— 包括单片机技术、3D打印技术、模具加工与铸造技术等等，这些工具和技术能让你轻松创造有趣的软体机器人和装备。 时代进步，科技更迭。提升自我，更待何时！

人工智能是一门新的交叉学科，近年来涌现出了许多新的算法模型和框架。本书面向人工智能算法的实践与应用，参考了*级会议和国内外竞赛平台的内容，将所涉及的分类、检测、识别、预测等多项实验任务进行归类和优化整理。书中对每个实验的背景与内容都进行了详细阐述，对实验的要求与评估方法进行了深入讨论，对实验数据及来源进行了详尽描述，并给出了参考文献，以便于有兴趣的读者进一步研究和探索。 本书可为高等院校计算机科学、电子科学与技术、信息科学、人工智能等专业方向的研究人员提供参考，也可作为相关专业本科生和研究生的实践教学参考书，同时可供对人工智能应用感兴趣的研究人员和工程技术人员参考。

本书结合了分布式计算、大数据、机器学习、深度学习、强化学习等技术，以群体智能为主线，讲述了分布式人工智能的原理和应用。它介绍了分布式计算的框架技术、智能核心、分布式体系与架构。本书介绍了大数据的框架、高速计算、海量存储；介绍了人工智能的经典算法，并且结合分布式技术，进行大规模分布式架构与演进；介绍了群体智能与博弈，结合分布式、大数据、智能核心，讲解了群体智能技术系统的发展方向与开发方式。 本书内容通俗易懂，案例丰富，实用性强，特别适合分布式、人工智能、大数据相关的入门读者和进阶读者阅读，也适合游戏开发、推荐系统、群体智能底层研究者等阅读。另外，本书也适合作为相关培训机构的教材使用。

本书主要围绕人工智能平台ModelArts和人工智能应用开发流程，介绍基本概念、关键模块以及典型的场景化应用开发案例。全书共分为三篇： 第一篇人工智能应用开发概述（第1章和第2章），介绍了人工智能技术、应用、平台，以及人工智能应用快速开发流程； 第二篇人工智能应用开发方法（第3章~第9章），介绍了人工智能应用开发全流程及其子流程，包括数据准备、算法选择和开发、模型训练、模型评估和调优、应用生成、应用评估和发布、应用维护； 第三篇人工智能应用开发场景化实践（第10章~第12章），介绍了企业级人工智能平台、面向复杂行业的自动化人工智能系统、基于端边云协同的人工智能平台及应用开发。本书旨在通过一整套工具链和方法传递，使得每个开发者都可以借助ModelArts平台在具体业务场景下更快、更高效、更低成本地开发出人工智能应用，从而更好地解决各行业各领域面临的实际问题。本书适合有志于从事人工智能应用开发的开发者参考。

本书系统性地阐述智能语音处理技术，并重点以机器学习等技术及其在语音处理中的典型应用，理论与实践联系紧密。

本教材编写理念先进、重在应用，主要内容包括初探人工智能、认知人工智能的基础支撑、认知人工智能的应用技术、探索人工智能的行业应用四个项目。本教材通过文字、视频、动态图和实训平台等多种形式，立体、多角度地呈现内容，构成一个教与学的互动系统，让学习资源交互、联动起来。本教材可作为职业院校计算机公共课、信息技术公共基础课程的教学用书，也可供对人工智能感兴趣的读者阅读。

本书以理论和实践相结合的形式深入浅出地介绍强化学习的历史、基本概念、经典算法和一些前沿技术，共分为三大部分：第壹部分（1～5章）介绍强化学习的发展历史、强化学习的基本概念以及一些经典的强化学习算法；第二部分（6～9章）在简要回顾深度学习技术的基础上着重介绍深度强化学习的一些前沿实用算法；第三部分（*后一章）以五子棋为例详细讲解战胜了人类围棋选手的Alpha Zero算法的核心思想。

集成学习方法是一类先进的机器学习方法，这类方法训练多个学习器并将它们结合起来解决一个问题，在实践中获得了巨大成功。 《集成学习：基础与算法》分为三部分。第一部分主要介绍集成学习的背景知识；第二部分主要介绍集成学习方法的核心知识，包括Boosting、Bagging、Random Forests 等经典算法，平均、投票和Stacking 等模型和方法、相关理论分析工作，以及多样性度量和增强方面的进展；第三部分介绍集成学习方法的进阶议题，包括集成修剪、聚类集成和集成学习方法在半监督学习、主动学习、代价敏感学习、类别不平衡学习及提升可理解性方面的进展。此外，本书还在每章的“拓展阅读”部分提供了相关的进阶内容。

迁移学习解决的是系统如何快速地适应新场景、新任务和新环境的问题，在目标域中只有少量标记数据可用时，它赋予了机器学习系统利用辅助数据和模型来解决目标问题的能力。这使得机器学习系统更加可靠和健壮，并且让机器学习模型在面对不可预见的变化时尽可能达到预期的性能。在企业层面，迁移学习允许知识的重复利用，使得每次获得的经验可以重复地应用于现实世界。 本书为迁移学习方向首本算法、理论、应用方面成熟、成体系的总结，相关领域研究的系统性参考。为迁移学习领域的新加入者提供了坚实的基础，也为经验丰富的研究人员和开发人员提供了新的视野。 本书分为两部分。第1部分（第1～14章）介绍迁移学习的基础，其中第1章对迁移学习进行概述，第2～14章介绍迁移学习相关的各种理论和算法。第2部分（第15～22章）讨论迁移学习的许多应用领域。第23章是对全书的总结。