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。
9787115600820 动手学深度学习（PyTorch版） 109.80 9787115584519 动手学强化学习 89.90 9787115618207 动手学机器学习 89.80 《动手学深度学习（PyTorch版）》 本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络 多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用
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
本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识，包括均方、 小二乘和 似然方法，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
通过一系列的技术突破，深度学习推动了整个机器学习领域的发展。现在，即使是对这项技术几乎一无所知的程序员也可以使用简单、高效的工具来实现具备数据学习能力的程序。这本畅销书采用具体示例、小化理论和生产就绪的Python框架（Scikit-Learn、Keras和TensorFlow）来帮助你直观地理解构建智能系统的概念和工具。 在更新的第3版中，作者Aur lien G ron探究了一系列技术，从简单的线性回归开始，逐步推进到深度神经网络。书中的大量代码示例和练习有助于你学以致用。你需要具备一定的编程经验。
本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。
本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。
时间序列在现代生活中无处不在，它也是数据分析的重要对象。本书介绍时间序列分析的实用技巧，展示如何结合机器学习方法和传统的统计方法来分析各类时间序列数据，并提供Python示例和R示例。本书共有17章，首先概览时间序列分析的历史，然后介绍数据的获取、清洗、模拟和存储，接着关注可用于时间序列分析的建模技术，后探讨时间序列分析在几个常见领域中的应用。 本书适合与时间序列打交道的数据分析师、数据工程师、数据科学家及其他相关从业人员阅读。
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。
本书通过讲解监督学习的两大支柱 回归和分类 将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。
本书介绍了如何使用scikit-learn、TensorFlow等关键库来有效解决现实世界的机器学习问题。本书着重于实用的解决方案，提供多个案例，详细地讲解了如何使用Python生态系统中的现代库来构建功能强大的机器学习应用程序；还介绍了分类、聚类和推荐引擎等多种机器学习算法，以及如何将监督学习和无监督学习技术应用于实际问题；后，介绍了强化学习、深度神经网络和自动机器学习等应用示例。 本书适合数据科学家、机器学习开发人员、深度学习爱好者以及希望使用机器学习技术和算法解决实际问题的Python程序员阅读。
《AI绘画大师：Stable Diffusion快速入门与实战技巧 》 本书共9章，利用易学易用的Stable Diffusion为绘画设计从业者和爱好者提高生产力。一方面，提供350幅实操图解，一步步拆解，让读者掌握接到不同需求时如何使用Stable Diffusion出图。另一方面，提供游戏、电商、插画、建筑行业和头像设计等副业领域的实操案例与技巧，满足游戏角色、原画、图标、商品展示图、插画、室内设计和建筑设计的出图需求。结合18个主业和副业场景，提高生产力，实现AI商业化。 《Prompt魔法：提示词工程与ChatGPT行业应用》 这是一本能指引我们每个人赢在AI时代的著作，它将教会我们在各种场景中熟练使用ChatGPT等AI工具和编写提示词，大幅提升我们的工作效率，让我们实现AI普惠，成为AI高手。 本书的几位作者都是AI领域的技术专家和应用布道者，本书是他们丰富实践经验的总结。阅读本书
利用机器翻译技术实现不同语言之间的自由交流始终是令人期待的计算机应用之一。本书全面回顾了近30年来机器翻译的技术发展历程，遵循机器翻译技术的发展脉络，对基于统计和基于端到端深度学习的机器翻译关键技术及原理进行了深入讲解，力求做到简洁明了、全面透彻、图文结合。此外，本书着重介绍了近年来机器翻译领域的科研热点及其结果，旨在帮助读者全面了解机器翻译的前沿研究进展和关键技术。本书可供计算机相关专业高年级本科生及研究生学习使用，也可作为自然语言处理，特别是机器翻译相关研究人员的案边手册。
《机器人手册》（原书第2版）第1卷机器人基础共分两篇：机器人学基础和机器人设计。第1篇机器人学基础主要介绍了用于机器人系统建模、设计和控制的基本原理和方法，包括运动学、动力学、机构与驱动、传感与估计、模型辨识、运动规划、运动控制、力控制、冗余度机器人、含有柔性单元的机器人、机器人体系架构与编程、基于行为的系统、机器人人工智能推理方法和机器人学习等主题，这些主题是后续章节内容的基础，并被拓展和应用于特定的机器人系统中。第2篇机器人设计主要介绍了与机器人实际物理模型的设计和建模相关的主题，既阐述了机器人设计与性能评价，又介绍了包括肢系统、并联机构、机器人手、蛇形机器人与连续体机器人、软体机器人的驱动器、模块化机器人、仿生机器人、轮式机器人、水下机器人、飞行机器人和微纳机器人等在实际
本书按照机器学习十年来的教学经验将主要教学内容分为五大板块： 数学基础 回归问题 分类问题 无监督问题 以及 概率图模型 。既注重学习内容由浅入深和教学的先后顺序，又兼顾了内容的全面性，给予授课老师充分的授课自由。 本书内容新颖，结构化层次化地介绍了机器学习的重要内容，语言严谨详细，配图全面直白。而课后配套的习题、实验、网课与书本内容相对应，让学生能够快速入门机器学习，既可更深入更全面地掌握书本内容，课后巩固知识点充分理解理论知识，又可锻炼其面对实际人工智能问题的编程能力。
《机器学习》" 机器学习是计算机科学与人工智能的重要分支领域. 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。"。 《机器学习公式详解》周志华老师的《机
《半监督学习》是国际学术界论述半监督学习理论与方法*为详细、内容*为丰富的一部著作。《半监督学习》，数十位研究人员就半监督学习的各个方面阐述其研究成果，具体包含生成式模型、低密度分割、基于图的方法、表示的变换、半监督学习实践、视角六部分。
《Python深度学习：基于PyTorch 第2版》 这是一本能指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，提供了全栈解决方案。 第1版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为PyTorch领域的标准著作。第2版在第1版的基础上，去芜存菁，与时俱进，根据PyTorch新版本全面升级，技术性、实战性、丰富性、针对性、易读性均得到了进一步提升，必能帮助读者更轻松、更高效地进入深度学习的世界。 全书一共19章，在结构上分为三大部分： 部分（第1~4章） PyTorch基础 首先有针对性地讲解了Python和PyTorch的基石NumPy中的关键知识，然后详细讲解了PyTorch的基础知识、神经网络工具箱和数据处理工具箱等内容，帮助读者快速了解和掌握PyTorch。 第二部分（第5~10章） 深度学习基础 依次讲解了机器学习、视觉处理、自然语言处理
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。
本书面向智能信息处理研究的前沿领域，针对群体智能优化算法及其应用中的关键问题，系统地讨论了新型群体智能优化算法以及群体智能优化算法在三维模型处理和可信软件测试中的应用，比较全面地反映了国内外在三维模型智能处理和基于搜索的可信软件测试领域的**研究进展。本书主要内容包括经典群体智能优化算法、社会认知优化算法、自然社会认知优化算法、细菌群体趋药性算法、混沌细菌群体趋药算法、三维模型多特征提取、基于证据和区间数的智能三维模型融合匹配识别方法、基于群体智能的文物三维模型全局**匹配算法、基于群体智能的三维模型配准算法、基于粒子群算法的测试数据生成及优化、基于改进粒子群优化的测试用例扩增方法和基于蚁群算法的组合测试数据生成与优化。
