本书是关于机器人学和机器视觉的实用参考书，部分“基础知识”（第2章和第3章）介绍机器人及其操作对象的位置和姿态描述，以及机器人路径和运动的表示方法；第二部分“移动机器人”（第4章至第6章）介绍其基本运动控制模式及其导航和定位方法；第三部分“臂型机器人”（第7章至第9章）介绍其运动学、动力学和控制方面的知识；第四部分“计算机视觉”（0章至4章）包括光照与色彩，图像形成和处理技术，图像特征提取，以及基于多幅图像的立体视觉技术；第五部分“机器人学、视学与控制”（5章和6章）分别讨论基于位置和基于图像的视觉伺服及更先进的混合视觉伺服方法。本书将机器人学与机器视觉知识有机结合，给出了实例算法和程序。作者有完备的代码可下载，用于验证书中知识点和实例，注重如何利用视觉信息控制机器人的运动。

本书介绍什么是数值模拟技术，以及数值模拟技术如何与工程科学相结合，解决实际的工程问题。本书从数理方程的基本知识出发，介绍各种经典数理方程以及应用，进而介绍目前应用最广泛的矢量有限元数值方法。接下来结合具体的工程问题从单物理场仿真、多物理场弱耦合仿真和多物理场强耦合仿真三个方面，解释实际问题如何抽象归结为合理的数学模型。读者可以系统地理清工程物理的仿真思路，理解并习惯用工程物理仿真，也就是物理理论与工程实践相结合的思维方式去看待问题。本书面向广大工程师，深入浅出地讲解有限元法及工程问题的多物理场仿真技术。全书涉及实际工程问题的方方面面，包括声学、结构力学、流体力学、热量传递、质量运移、电磁场计算、化学反应工程分析等，是真正的多物理数值仿真的入门指导书。作者希望通过本书，能让读

《深度学习》 《深度学习》由优选知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被认可为是深度学习未来的研究重点。《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。 《动手学深度学习》 本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将

《Virtual.LabAcoustics声学仿真计算从入门到精通》重点介绍的LMSVirtual.LabAcousties软件是专门从事噪声分析的CAE软件。书中详细讲解了声学有限元方法(包括无限元、PML和的AML技术)和声学边界元方法(包含快速多极边界元)。在传统振动声学问题的基础上，本书还重点介绍了气动噪声、声振、时域声学计算以及声线法等全新内容。本书基本涵盖了声学数值计算的方法，内容充实，结构清晰，并且以具体的算例和详细的步骤讲解了各种计算方法的流程，对象涉及汽车、船舶、航空航天以及家电等行业。《Virtual.LabAcoustics声学仿真计算从入门到精通》适合于高校相关专业师生，汽车、船舶、航空航天、家电等领域的工程技术人员以及其他关注噪声问题的读者阅读。本书由詹福良、徐俊伟编著。

本书介绍了如何设计和构建拥有良好对话体验的机器人，来提供新型的消费者服务或者提高企业效率，让人们的工作更高效。本书适合设计师、产品经理和创业者阅读。作者既总结了取得成功的机器人产品的经验，也剖析了那些失败者的教训。书中还介绍了实用的机器人设计模式。你将学会如何使用有效的引导流程、勾勒不同的工作流、为机器人设定合适的性格，以及呈现信息时如何在富控件与文本之间保持精妙的平衡。

《韦氏新世界大学词典》收录词目16万多条，其中约有7500条反映技术、社会和经济发展的词目，12000条富有美国特色的词目，各词目有释义，还有同义词用法比较及反义词提示。

21世纪以来，在决策制定过程中管理者们如何运用计算机化的支持方式已经发生了巨大变化。随着越来越多的决策制定者掌握计算机和Web知识，决策支持系统／商业智能正在不断地演变，从一开始的作为基本的个人支持工具，正迅速地成为整个机构中的共用品。数据仓库以及分析工具大大提高了跨越机构界限的信息获取。为团队提供的决策支持继续随着群体支持系统的新发展而不断改善，用以在任何时间、任何地点提高协同工作。人工智能方法正在提高决策支持的质量，并已经渗透到许多应用领域。智能代理执行常规任务，使决策者能够腾出时间更专注于重要工作，有组织的学习和知识管理的发展使得在任何时间、任何地点为有关问题提供整个机构的专门技术成为可能。互联网和企业内部息传递系统提高井促进了所有这些决策支持系统。本书的目的是向读者介绍这

统计学习理论是研究利用经验数据进行机器学习的一种一般理论，属于计算机科学、模式识别和应用统计学相交叉与结合的范畴，其主要创立者是本书作者。统计学习理论基本内容诞生于20世纪60~70年代，到90年代中期发展到比较成熟并受到世界机器学习界的广泛重视，其核心内容反映在Vapnik的两部重要著作中，本书即是其中一部，另一部是《统计学习理论的本质》。 由于较地考虑了有限样本的情况，统计学习理论与传统统计学理论相比有更好的实用性，在该理论下发展出的支持向量机方法以其有限样本下良好的推广能力而备受重视。