本书全面且深入地呈现了深度学习领域的知识体系，系统梳理了该领域的核心知识，阐述了深度学习的关键概念、基础理论及核心思想，剖析了当代深度学习架构与技术。全书共 20 章。本书首先介绍深度学习的发展历程、基本概念及其在诸多领域（如医疗诊断、图像合成等）产生的深远影响；继而深入探讨支撑深度学习的数学原理，包括概率、标准分布等；在网络模型方面，从单层网络逐步深入到多层网络、深度神经网络，详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用，同时涵盖卷积网络、Transformer 等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。本书还对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深入分析，阐释其原理、算法流程及实际应用场景。对于机器学习领域的新手，本书是全面且

本书是《工程控制论》（第三版）的下册。这一册共九章。第十三章讨论摄动理论在控制系统设计中的应用，其中特别说明在飞行控制系统中的应用。第十四、十五两章介绍控制系统在随机干扰下的分析和设计。第十六、十八章讨论了适应性控制系统的设计。第十九章介绍了提高控制系统可靠性的各种方法。第十七、二十、二十一这三章分别是：逻辑控制和有限自动机（第十七章），信号与信息（第二十章），大系统（第二十一章）。这些方面已构成工程控制论这门学科的重要研究方向。书末还附有“有关中文著作目录选辑”，可供读者查阅。

《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。

传统材料研发模式主要基于实验“试错法”，其研发周期长、效率低，人工智能驱动的科研范式变革和新材料数字化研发模式能有效地降低研发成本，缩短研发周期。本书基于计算、数据、AI和实验“四位一体”的新材料集成式智能化研发理念，提出了基于材料基因编码的新材料智能设计范式，从企业级新材料研发和面向科研的材料计算视角，重点围绕高通量材料集成计算、多尺度材料计算模拟、材料数据库、材料数据机器学习、新材料研发制造软件等介绍了新材料数字化智能化研发和设计基本概念、方法、技术和应用。本书同时也介绍了国产的高通量多尺度集成式材料智能化设计工业软件MatCloud+，并通过一些精选案例介绍了材料计算、数据和新一代人工智能等数字化研发方法技术在新能源、金属/合金、石油化工、复合材料、新型功能材料等重点材料行业或领域的

本书以人工智能方法和生物组学数据分析为主线，阐述了人工智能中的群智能优化、机器学习、深度学习等算法的基本原理，并探讨了如何将这些算法应用于生物信息学相关问题的研究中，如蛋白质复合物挖掘、关键蛋白质识别、疾病基因预测、多种组学（转录组学、代谢组学、微生物组学）数据与疾病的关联关系预测、circRNA-RBP结合位点预测、RNA甲基化位点预测以及药物发现等。本书系统收集整理了生物组学相关数据库，另结合应用问题，从人工智能算法设计到具体流程计算，再到结果分析，均给出了详细步骤，以上均是本书的特色所在。

本书系统地论述了水下机器人设计与分析的基本原理、方法和技术，介绍了FLUENT、MATLAB/Simulink、ANSYS、ADAMS等现代设计分析软件在水下机器人设计中的应用，并以作者及研究团队的科研成果为主线，系统地阐述了水下机器人设计与分析方法。全书共十章，包括水下机器人结构及流线型设计、能源与动力、系统辨识方法、运动分析、底层控制系统、虚拟样机技术、路径规划与轨迹跟踪、仿生侧线感知及局域导航定位方法等方面的内容。

本书系统介绍了知识图谱的概念、发展历程、技术体系、前沿技术与应用实践。在基础知识方面，本书囊括了知识图谱从源数据到产生决策的全生命周期的各个环节，分析了数据图谱和知识图谱的核心区别，介绍了图谱构建和知识表示等相关关键技术。在前沿技术方面，全面介绍了知识图谱自动构建、知识图谱融合和智能推理等问题和挑战。在应用实践方面，结合营销智能国家新一代人工智能开放创新平台建设，介绍了知识图谱在信息检索、推荐系统、可视化、问答机器人等场景下的实际操作案例。

本书对所有主要的深度学习方法和最新研究趋势进行了深入探索。全书分为上下两卷，五个部分。上卷包括两个部分：第一部分是基础算法，包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法；第二部分是判别式模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、注意力机制和记忆网络。下卷包括三个部分：第三部分是生成式模型，包括深度置信网络/深度玻尔兹曼机、自编码器（AE）/变分自编码器（VAE）、生成对抗网络（GAN）、像素级生成、深度聚类等；第四部分是前沿技术，讨论深度强化学习；第五部分是安全保障，包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿，对包括胶囊网络在内的当前最新成果进行了细致的讨论。全书构建了一套明晰的深度学习体系，同时

本书对所有主要的深度学习方法和**研究趋势进行了深入探索。全书分为上下两卷，五个部分。上卷包括两个部分：第一部分是基础算法，包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法；第二部分是判别式模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、注意力机制和记忆网络。下卷包括三个部分：第三部分是生成式模型，包括深度置信网络/深度玻尔兹曼机、自编码器（AE）/变分自编码器（VAE）、生成对抗网络（GAN）、像素级生成、深度聚类等；第四部分是前沿技术，讨论深度强化学习；第五部分是安全保障，包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿，对包括胶囊网络在内的当前**成果进行了细致的讨论。全书构建了一套明晰的深度学习体系，同时各章内

《机器人大脑》主要介绍机器人大脑的基础理沦和关键技术及实际应用，内容包括机器人大脑的基础知识、构成原理、网格计算、云计算、学习方法、视觉处理、人机对话、情感交互、作业控制、未来发展等。通过阅读《机器人大脑》，读者可以进一步开扩视野、增强知识，深入了解和掌握与机器人大脑相关的体系结构、数学模型、认知计算、学习策略、模式识别、情感建模、自律作业、人工生命、法律道德等基础知识和相关技术，从而为今后研究、开发、应用各种类型的智能机器人等打下坚实的基础。

无创式脑调制(noninvasivebrainmodulation，NBM)是一种采用电场或磁场调节神经系统活动的技术，已成为诊断、康复和治疗神经精神疾病的一个有效手段，同时也是研究脑生理、结构和功能的常用工具。本书以作者多年来相关研究工作为基础，结合NBM技术与神经计算领域的**发展撰写而成。内容深入浅出，在介绍电场神经调节效应和神经系统建模的基础上，从非线性动力学角度剖析了神经元的放电起始过程，系统阐述了电场对放电起始动态的影响规律，深入探讨了电场调制神经活动的生物物理机制。

本书阐述了社会机器学习的概念，系统总结了机器学习、社会计算等相关理论与方法并将两者有机融合，将大数据分析、深度机器学习、复杂网络分析等*的理论和方法应用到社会计算中，重点研究和解决了社会机器学习中的聚类学习、关联学习、角色学习、行为学习、弱项学习和异常学习等问题，针对每类研究问题分别从"问题-概念-模型-算法-实验"进行系统研究，提出了许多创新的理论、技术和方法，针对实际问题给出解决思路和实验验证，具有重要的理论创新和应用创新，是作者多年工作和实践的总结，对从事该领域的相关研究者具有重要的借鉴意义。

建模与仿真是机器人研究的重要手段。本书介绍了机器人系统建模与仿真的基础理论、基本方法和常用软件，并通过大量的研究实例，介绍了智能机器人系统建模和仿真领域当前的一些研究成果。本书以基础理论、研究方法和实际应用为主线，内容由易到难，循序渐进，旨在将机器人系统仿真过程中的建模理论、控制算法和具体实现过程完整地展示给读者。书中部分内容来自于作者的科研课题，叙述力求通俗易懂，并注重理论与实际相结合，同时也吸取了国内外学者在该领域的一些主要研究成果。

本书主要内容分为四部分：①人工智能算法基础；②数据基础与表征；③人工智能与药物设计；④程序代码。通过系统介绍人工智能算法，阐述不同算法的原理、应用场景和算法特点，为后续介绍人工智能与药物研发的交叉内容提供基础。全书以药物研发流程为脉络，针对每个人工智能算法融入的关键步骤，首先介绍药物设计基础原理与现存挑战，进而系统性回顾介绍人工智能算法在该研究方向上的进展情况，每部分都穿插介绍已有的交叉应用实例，以利于加深对图书内容的理解与灵活运用。提供原始的代码文件，为读者开展实践应用提供直接资料。

人工智能是研究解释和模拟人类智能、智能行为及其规律的一门学科，建立智能信息处理理论，研制智能机器和智能系统，延伸和扩展人类智能。《BR》本书共16章。第1～6章讨论人工智能的认知问题和自动推理，论述逻辑基础、约束推理、定性推理、基于案例的推理、概率推理；第7～14章重点讨论机器学习和知识发现，包括归纳学习、支持向量机、解释学习、强化学习、无监督学习、关联规则、进化计算、知识发现；第15章阐述主体计算；第16章讨论互联网智能。与本书第二版相比，增加了两章新内容。其他章节也作了较大的修改和补充。