《锂离子电池剩余寿命预测方法》主要介绍不同工况下的锂离子电池剩余寿命预测方法。第1章主要分析锂离子电池剩余寿命的研究现状；第2章到第4章，分别针对**锂离子电池剩余寿命预测算法（粒子滤波、*小二乘支持向量机和极限学习机）进行改进研究，解决了算法精度低、实时性差，以及电池容量在线测量困难等问题；第5章到第9章，分别针对现场退化数据不足、容量再生现象、不同充电策略、不同放电策略及早期循环数据的锂离子电池剩余寿命预测方法进行研究，实现了不同工况下的锂离子电池剩余寿命预测。《锂离子电池剩余寿命预测方法》论述了基于模型和基于数据驱动的剩余寿命预测方法，并且均在实例数据上进行了仿真分析，反映了锂离子电池剩余寿命预测方法研究的新进展。
为了 好地满足煤制甲醇企业高技能人才素质的提升需求，在广泛征求企业领导、管理人员及技术人员的意见和要求后，结合煤制甲醇生产企业岗位的设置状况，按原料煤的进入到产品甲醇的形成过程顺序，进行了本书的编写。围绕企者甲醇生产岗位进行编写，通过对岗位理论知识、岗位操作知识进行总结，使读煤制甲醇生产过程有比较全面的了解。以问答的形式进行编写，同时问答题可以作为学校、企业的题库及培训教材，同时可以作为生产企业对各岗位员工的日常技能考核。全书分为5章：空分、气化、气体净化、硫回收、合成精馏。按照主岗位生产知识的需求，涵盖岗位理论知识、岗位操作知识、岗位安全环保三部分。
石墨烯是零带隙半金属材料，集众多优点于一身，被人们称为“新材料 ”，是 未来高科技产业竞争的战略新兴材料。石墨烯涉及的基础科学和产业应用领域 广，尤其在电子信息、光通信、新能源、新材料、节能环保、医疗健康、航空航天等与国计民生和 安全密切相关的领域有着广阔的应用前景。本书重点分析石墨烯材料、石墨烯应用技术和中国石墨烯产业技术的 外发展现状、关键技术瓶颈及存在问题及发展方向，提出未来15年的发展路线图。
《白云鄂博稀土矿冶炼技术》详细阐述了稀土元素的物理性质和化学性质，并进行深入剖析，为后续提取工艺和处理方法提供了理论依据。重点介绍了白云鄂博混合稀土精矿的传统与*新冶炼技术，着重介绍了提取过程中关键环节—分解工艺，包括酸法、碱法、铝盐络合分解法等不同的分解途径，以及相应的反应原理、工艺流程、反应条件等内容。分解工艺是整个提取过程的关键环节，涉及多种化学和物理原理的综合运用。稀土精矿的有效分解是稀土分离提取的基础，分解稀土矿物的方法有多种，但具体*适合的工艺，还需要企业根据实际情况进行分析判断。《白云鄂博稀土矿冶炼技术》有助于读者全面了解白云鄂博混合稀土精矿的各种分解工艺，为后续的稀土元素分离和提纯奠定基础。除稀土元素外，白云鄂博稀土矿中还含有其他有价元素，《白云鄂博稀土矿冶炼
《玻璃精密加工损伤基础及应用》取材于国内外玻璃精密加工损伤基础与应用*新进展以及作者多年从事该领域的研究成果，系统阐述玻璃精密加工损伤的基础理论和应用，全面反映玻璃精密加工损伤基础的*新研究现状和发展趋势。 《玻璃精密加工损伤基础及应用》共10章，由玻璃及其精密加工的基础知识、玻璃加工损伤的表征、玻璃加工损伤的基础理论和玻璃加工损伤的智能检测四部分组成。在阐明玻璃及其精密加工的基础知识、玻璃加工损伤表征方法的基础之上，从玻璃表面的应力腐蚀、玻璃的压痕损伤、玻璃的划痕损伤以及玻璃的磨损损伤方面，全面阐述玻璃加工损伤的基础理论，*后以机器视觉和机器学习在玻璃加工损伤中的工程应用为例说明其在工程中的实际应用。
\\\\\\\\\\\\\\\"机器学习是计算机科学的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共 16 章，大致分为 3 个部分：第 1 部分（第 1～3 章）介绍机器学习的基础知识；第 2 部分（第 4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第 3 部分（第 11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索. 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.\\\\\\\\\\\\\\\"
\\\\\\\\\\\\\\\"机器学习是计算机科学的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共 16 章，大致分为 3 个部分：第 1 部分（第 1～3 章）介绍机器学习的基础知识；第 2 部分（第 4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第 3 部分（第 11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索. 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.\\\\\\\\\\\\\\\"
\\\\\\\\\\\\\\\"机器学习是计算机科学的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共 16 章，大致分为 3 个部分：第 1 部分（第 1～3 章）介绍机器学习的基础知识；第 2 部分（第 4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第 3 部分（第 11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索. 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.\\\\\\\\\\\\\\\"
\\\\\\\\\\\\\\\"机器学习是计算机科学的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共 16 章，大致分为 3 个部分：第 1 部分（第 1～3 章）介绍机器学习的基础知识；第 2 部分（第 4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第 3 部分（第 11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索. 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.\\\\\\\\\\\\\\\"
