本书围绕人工智能技术应用框架和认知规律，将“德”与“技”有机结合，由浅入深从“理念—开发—数据—算法—技术—产品—行业—情感”8个认知层面对人工智能技术进行剖析，构建全栈知识体系。本书基于BOPPPS教学方法重构教学环节，主要分为“导入—学习目标—知识探索—案例体验—拓展阅读—本章总结—学习评价—思考探索”8个环节，根据内容适时穿插案例，使读者通过项目实践获得所学即所用的成就感。本书配套案例源代码、习题、教学课件等资源。本书可以作为高等院校人工智能技术、电子信息类、机电一体化、应用电子技术及相关

《自动控制原理》（第二版）共分九章。第一章概述自动控制系统的基本概念以及发展的历程；第二章较为全面地描述控制系统各单元的微分方程、传递函数、方块图、状态空间等形式不一的数学模型和模型之间的关系；第三章讨论如何获取控制系统的时域响应和时域性能指标，着重分析二阶系统的特点；第四章说明系统的稳定性与稳态误差；第五章与第六章分别给出根轨迹与频率特性两种图解分析方法；第七章则将连续时间控制系统分析与综合的方法推广应用到线性离散时间控制系统；第八章阐述基于状态空间模型的线性系统理论基础；第九章简单介绍非线性

自动控制理论与控制技术正广泛深入地应用到机械工程、仪器科学等领域，本书从工程应用角度阐述了经典控制理论的概念、原理和各种分析方法，内容包括控制系统的基本概念与基本组成、控制系统的数学模型、控制系统的时域分析、控制系统的频域分析、控制系统的稳定性分析、控制系统的根轨迹分析、控制系统的综合与校正，以及MATLAB软件在控制系统分析与应用中的案例。本书突出论述自动控制的基本概念、基本原理和基本方法及其工程背景，并以“高速列车车辆垂向动力学振动建模、仿真分析及控制”这一案例贯穿其中。为便于学习，每章配有

本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法，以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状，以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法，包括Q-学习算法、蒙特卡洛算法和动态规划算法，以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法，主要包括TrAdaBoost算法和层

本书是机器学习领域的入门教材，详细阐述了机器学习的基本理论和方法。全书由12 章组成，包括绪论、线性模型与逻辑斯谛回归、决策树、贝叶斯分类器、k 近邻算法、支持向量机、人工神经网络、线性判别分析、主成分分析法、聚类、EM 算法与高斯混合聚类、集成学习等。 对每一种机器学习算法，均从算法原理的理论推导和MATLAB 实现两方面进行介绍。本书既注意保持理论分析的严谨性, 又注重机器学习算法的实用性，同时强调机器学习算法的思想和原理在计算机上的实现。全书内容选材恰当，系统性强，行文通俗流畅，具有较强的

计算神经科学作为脑科学与人工智能之间的桥梁，是一门高速发展的新兴交叉学科。本书采用理论与实践结合的方式为读者讲述计算神经科学的基础知识。它从基础的数学和物理原理出发，详细介绍了各类神经元模型、突触模型，以及具有不同结构和功能的网络模型，如兴奋—抑制平衡网络、决策网络、连续吸引子网络、库网络等。本书不仅讲解了理论知识，还基于BrainPy（专门针对计算神经科学设计的编程框架）提供了实践代码，使读者能够动手模拟和分析神经系统的行为和性质。本书既可以作为计算神经科学的教材，也可以作为对该领域感兴趣的读

本书主要对近年来新生的多种仿生智能计算理论与方法进行了研究，包括生物地理进化算法、 萤火虫算法、差分进化算法以及灰狼优化算法等，并基于这些人工仿生智能计算方法对片上系统的可测性设计进行了研究。本书共6章，主要内容包括片上系统可测性设计概述、基于生物地理进化算法的扫描链平衡理论与方法、基于多目标智能算法的三维Wrapper扫描链设计、基于灰狼优化算法的三维堆叠SoC测试规划方法研究等。
本书可供计算机、自动化、人工智能、测控技术与仪器等方向的工程技术人员参考，也可作为高等院校相关专

本书是《自动控制原理》（第3版）（王划一，杨西侠编著，2017.9，国防工业出版社出版）教材的配套教材。其中兼容了高职高专教材《自动控制原理》（第2版）（王划一，杨西侠等编著，国防工业出版社出版）的全部习题解答。同时编入了精选的若干重点大学数年的硕士研究生“自动控制原理”入学试题，并作了详细的解答。

本书从数据分析与机器学习算法入手，系统地介绍了机器学习各类算法的原理方法和实际应用。本书的主要内容包括：KNN算法、朴素贝叶斯、决策树、支持向量机、线性回归、K-means算法、人工神经网络、卷积网络深度学习以及基于Python数据分析进行职业规划。
本书作为大数据技术与人工智能领域的入门教材，在内容上涵盖了机器学习经典算法的基础知识和应用实例，采用Python作为编程语言，强调基本算法的应用理解，内容由浅入深。各部分内容均配有相应的任务，注重实践应用，便于读者学习和掌握。
本书可作

全书共 10 章，第 1 章介绍了机器学习算法的基本概念、分类及本书开发环境的搭建。第 2 章介绍了机器学习算法中经常用到的 NumPy 相关知识及绘图工具包 Matplotlib。从第 3 章开始介绍机器学习算法，第 3 章介绍了最简单也是最常用的线性回归算法。第 4 章介绍了搜索算法，包括梯度下降算法、随机梯度下降算法、小批量梯度下降算法、牛顿迭代算法及坐标下降算法。第 5 章介绍了二分类的 Logistic回归算法和多元回归算法 SoftMax，以及评价分类结果优劣的各种指标。第 6 章介