本书是基于冲突证据进行推理和决策的一部专著，综述了国内外同领域的研究现状，提出改进创新思路，是作者在该领域多年研究成果的凝练总结。全书共15章，主要内容有冲突的度量，对冲突证据进行定量计算来判断冲突；冲突原因分析，包括冲突度量函数、判定准则和组合规则的适用范围等；冲突证据推理，包括基于DS证据理论、改进后的D数理论和推广的BF-TOPSIS算法等进行冲突证据的合成；冲突证据决策，包括利用概率转换得到反馈证据、利用有序加权向量实现信息焦元集分配等。书中探讨了系列冲突证据推理与融合方法，考虑了多种推理逻辑与合成规则，一方面可为证据推理的理论研究提供借鉴，另一方面可为优化推理决策系统的性能提供参考，具有一定的理论和实用价值。本书适合具有信息融合、人工智能等理论基础，从事系统工程、指挥控制、运筹决策等相关领域的科研技术人员阅读和参考。

内容介绍 这是一部讲解如何基于机器学习技术实现数据缺失值填补的专著，与传统的基于统计学的缺失值填补方法相比，效率上得到了较大的提升。作者基于多年的研究和实践成果，创新性地提出了基于神经网络的缺失值填补方法和基于TS模型的缺失值填补方法。 全书共8章，可分为4个部分。 第壹部分（第1~3章）：首先介绍缺失值填补领域的缺失数据机制、基本概念、性能度量等基础知识，随后详细阐述目前基于统计学、机器学习的缺失值填补理论与方法。 第二部分（第4~5章）：对目前神经网络在缺失值填补领域的研究成果进行归纳总结，并从网络模型、填补方案角度阐述神经网络填补方法的设计及应用。 第三部分（第6~7章）：详细介绍面向不完整数据的TS建模过程，随后通过特征选择算法处理TS建模中的特征冗余问题，并从前提参数优化和结论参数优化两个角度改进TS模型。 第四部分（第8章）：以缺失值填补方法在我国贫困问题研究中的应用为例，展现缺失值填补方法的现实意义。

本书基于人手操作技能，综合运用智能算法、神经网络以及深度学习等方法，构建机器人灵巧手的人机交互模型；基于滑膜自适应控制理论、模糊控制理论以及高斯混合控制模型优化了机器人灵巧手的闭环控制方法，并建立了原型系统。

　　？？ 学习成功机器学习项目的最佳实践。 ？？ 使用Azure完成自动机器学习。 ？？ 理解分类和回归，以及模型可解释性和透明性等概念。 ？？ 了解如何在其他环境中使用Automated ML，如Azure Databricks、ML.NET和SQL Server。 ？？ 探索推动机器学习大众化的工具。

《树莓派智能小车嵌入式系统开发实战》基于树莓派智能小车的嵌入式应用开发进行讲解，主要内容包括树莓派智能小车介绍、图形化编程软件、机器人迷宫导航模拟器、迷宫导航算法、智能小车C语言编程、深度学习框架、树莓派机器视觉开发和语音识别开发。《树莓派智能小车嵌入式系统开发实战》既注重基础知识的讲解，又关注IT前沿技术发展的趋势，内容全面，具有极高的前瞻性和适用性。《树莓派智能小车嵌入式系统开发实战》叙述通俗易懂，书中的案例全部经过反复测试，详实可靠，并有课程教学网站http：//u.eec-cn.com/ti/thf/resourceStore/theroryCourse提供配套支持，既可以作为普通高校计算机嵌入式实训课程的教材，也可以作为职业培训教育的参考用书。

机器学习是一门多领域交叉学科，可以通过模拟来让计算机获取新的知识或技能。Apache Spark是一种通用大数据框架，也是一种近实时弹性分布式计算和数据虚拟化技术，Spark使人们可以大规模使用机器学习技术，而无须在专用数据中心或硬件上进行大量投资。本书提供了Apache Spark机器学习API的全面解决方案，不仅介绍了用Spark完成机器学习任务所需的基础知识，也涉及一些Spark机器学习的高级技能。全书共有13章，从环境配置讲起，陆续介绍了线性代数库、数据处理机制、构建机器学习系统的常见攻略、回归和分类、用Spark实现推荐引擎、无监督学习、梯度下降算法、决策树和集成模型、数据降维、文本分析和Spark Steaming的使用。本书是为那些掌握了机器学习技术的Scala开发人员准备的，尤其适合缺乏Spark实践经验的读者。本书假定读者已经掌握机器学习算法的基础知识，并且具有使用Scala实现机器学习算法的一些实践经验。但不要求读者提前了解Spark ML库及其生态系统。

内 容 简 介 书中以案例形式详细介绍了PyTorch的各种实战应用。具体内容包括PyTorch与TensorFlow的对比和PyTorch的发展现状，张量Tensor和自动微分Autograd及其具体应用，PyTorch构建神经网络，基于PyTorch构建复杂应用，PyTorch高级技巧与实战应用，网络剪枝应用。

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。

本书是高效学习树莓派（Raspberry Pi）的入门级实践指南，将帮助你快速地掌握树莓派的各项内容，指导你开展各种项目实践。树莓派是只有一张信用卡大小的卡片式计算机，具有功能强大、性能出色和价格便宜等特点，受到了计算机硬件爱好者以及青少年STEAM教育界的欢迎，风靡一时。 本书覆盖了树莓派的许多主题，包括设置和运行图形用户界面（GUI）、驾驭命令行、操作Linux系统、编辑文件、设置网络服务器、摄像与信息服务、搭建媒体中心等有趣的实践项目等内容。 本书适合创客、单片机学习者、电子爱好者、STEAM教育工作者、计算机软硬件爱好者及对树莓派感兴趣的读者阅读，也适合作为STEAM相关实践课程的基础教程。