《深入浅出强化学习：原理入门》用通俗易懂的语言深入浅出地介绍了强化学习的基本原理，覆盖了传统的强化学习基本方法和当前炙手可热的深度强化学习方法。开篇从最基本的马尔科夫决策过程入手，将强化学习问题纳入到严谨的数学框架中，接着阐述了解决此类问题最基本的方法——动态规划方法，并从中总结出解决强化学习问题的基本思路：交互迭代策略评估和策略改善。 基于这个思路，分别介绍了基于值函数的强化学习方法和基于直接策略搜索的强化学习方法。最后介绍了逆向强化学习方法和近年具有代表性、比较前沿的强化学习方法。 除了系统地介绍基本理论，书中还介绍了相应的数学基础和编程实例。因此，《深入浅出强化学习：原理入门》既适合零基础的人员入门学习、也适合相关科研人员作为研究参考。

本书的研究主要集中在对柔性细长杆件和薄板的变形分析上，对从经典的均质悬臂梁柔性杆变形模型到一般的柔性薄板大变形模型进行了理论阐述及案例验证。从伯努利欧拉形变力学模型、斯蒂芬·铁木辛柯力学模型入手，对比分析了基于解析解法、有限差分法、有限元法等的变形模型，逐步综合了弯曲、扭转、扭弯组合等几何非线性变形过程。本书在对柔性构件传统变形分析的基础上，引入了变形场重构的概念，即柔性构件可被看作是由有限个离散的微小段组合而成的，也可被看作是点云的集合。基于此，对柔性构件的变形分析可转化为空间点坐标重构问题，本书重点阐述了双目视觉重构法、模型分析法以及两者的融合。在变形分析的应用方面，本书以实例完整阐述了三维空间内全局大变形柔性杆变形可视化，以及柔性薄板在扭弯等复杂工况下动态变形场的快速重构和图像反馈等过程。

《简洁式智能计算及应用研究》以降低算法时间复杂度和空间复杂度为主线。首先，简单介绍群智能计算的专业基础知识，从降低算法时间复杂度的角度来陈述量化蚁群算法的设计思路，并用其来解决旅行商问题。然后，重点介绍基于gamma分布的扰动向量设计，并进一步改进猫群算法，减少算法的计算量，提高算法寻优能力。最后，利用简洁式猫群算法和支持向量机方法结合来解决人脸表情的识别问题，进一步扩展简洁式猫群算法的应用空间。

暂缺简介...

《机器学习——Python实践》系统地讲解了机器学习的基本知识，以及在实际项目中使用机器学习的基本步骤和方法；详细地介绍了在进行数据处理、分析时怎样选择合适的算法，以及建立模型并优化等方法，通过不同的例子展示了机器学习在具体项目中的应用和实践经验，是一本非常好的机器学习入门和实践的书籍。 不同于很多讲解机器学习的书籍，本书以实践为导向，使用 scikit-learn 作为编程框架，强调简单、快速地建立模型，解决实际项目问题。读者通过对《机器学习——Python实践》的学习，可以迅速上手实践机器学习，并利用机器学习解决实际问题。《机器学习——Python实践》非常适合于项目经理、有意从事机器学习开发的程序员，以及高校相关专业在的读学生阅读。

本书主要介绍深度学习的核心算法，以及在计算机视觉、语音识别、自然语言处理中的相关应用。本书的作者们都是业界第一线的深度学习从业者，所以书中所写内容和业界联系紧密，所涵盖的深度学习相关知识点比较全面。本书主要讲解原理，较少贴代码。本书适合深度学习从业人士或者相关研究生作为参考资料，也可以作为入门教程来大致了解深度学习的相关前沿技术。

本书以水平关节机器人为主要对象，基于SCARA机器人主流机型，结合SCARA机器人在工业应用中所需的知识储备、操作技能、项目应用三大方向，由浅入深、循序渐进地介绍了水平关节机器人的入门实用知识。从SCARA机器人发展现状切入，分析讲解了SCARA机器人的基础知识，最后结合应用实例，以LS3-401S和YK400XR两款常用机型作为典型系统介绍了EPSON水平关节机器人及YAMAHA水平关节机器人的基础知识、基础操作、简单调试、初级应用等实用内容。 本书图文并茂，通俗易懂，具有很强的实用性和可操作性，既可作为高等院校和中高职院校工作机器人相关专业的教材，又可作为工业机器人培训机构用书，同时可供相关行业的技术人员参考。

随着科技的不断发展，机器人逐渐成为现今和未来世界值得期待的又一科技产物。仿人机器人模拟人类的身体结构，可以与人类协同工作或者代替人类进行工作，全世界范围内都在积极地研究并开发它。本书通过6章内容，全面介绍了Robotis公司的ROBOTIS OP机器人。通过对基础理论、仿人机器人运动学、仿人机器人动力学、为仿人机器人创建动作及动作生成等章节的学习，读者将深度了解仿人机器人的各种知识点和关键技术点。本书适合机器人爱好者阅读，也适合机器人研发和竞赛等相关领域的专业人士参考 学习。

无

本书通过96个案例，全面讲解了深度学习神经网络原理和TensorFlow使用方法。全书共分为3篇，第1篇深度学习与TensorFlow基础，包括快速了解人工智能与TensorFlow、搭建开发环境、TensorFlow基本开发步骤、TensorFlow编程基础、识别图中模糊的手写数字等内容；第2篇深度学习基础——神经网络，介绍了神经网络的基础模型，包括单个神经元、多层神经网络、卷积神经网络、循环神经网络、自编码网络等内容；第3篇深度学习进阶，是对基础网络模型的灵活运用与自由组合，是对前面知识的综合及拔高，包括深度神经网络和对抗神经网络两章内容。本书特别适合TensorFlow深度学习的初学者和进阶读者阅读，也适合社会培训班和各大院校对深度学习有兴趣的学生阅读。