《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

大约在一百年前，电气化改变了交通运输行业、制造业、医疗行业、通信行业，如今AI带来了同样巨大的改变。AI的各个分支中发展为迅速的方向之一就是深度学习。
本书主要涉及以下内容：第1部分是神经网络的基础，学习如何建立神经网络，以及如何在数据上面训练它们。第2部分进行深度学习方面的实践，学习如何构建神经网络与超参数调试、正则化以及一些高级优化算法。第3部分学习卷积神经网络(CNN)，以及如何搭建模型、有哪些经典模型。它经常被用于图像领域，此外目标检测、风格迁移等应用也将涉及。后在第4部

本书重点讲解基于云平台的超参数优化、神经构架搜索以及算法选择等内容，是自动机器学习的基本任务。介绍了基于三个主要云服务提供商（包括 Microsoft Azure、Amazon Web Services (AWS) 和 Google Cloud Platform）进行 AutoML，同时部署 ML 模型和管道，具有较强的实用性。在应用场景中评估 AutoML 方面，例如算法选择、自动特征化和超参数调整，并区分云和 OSS 产品等。本书适用于从事机器学习或人工智能方向的数据科学家或工程师学习，也适

本书详细介绍了人工智能的主要概念、技术和应用等。全书共5章，首先介绍了现阶段数据标注岗位相关基础知识；其次按照数据标注任务分类，分别介绍了图像、视频、自然语言和音频数据标注方法和标注平台使用的实用技术。本书面向高职院校人工智能技术应用等专业方向低年级学生及广大人工智能初学者，书中内容紧跟课程思政要求，内容由浅入深，事实鲜明。通过本书可以在概览人工智能深度学习范畴下数据标注员岗位全貌的同时，也可以对该岗位实用技术有全面且细致的掌握。

本书面向广大数据科学与人工智能专业的学生及初学者，力求通俗易懂、简洁清晰地呈现学习大数据与人工智能需要的基础数学知识，助力读者为进一步学习人工智能打好数学基础。
全书分为 4 篇，共 19 章：微积分篇（第 1～5 章），主要介绍极限、导数、极值、多元函数导数与极值、梯度下降法等；线性代数篇（第 6～10 章），主要介绍向量、矩阵、行列式、线性方程组、特征值和特征向量等，并介绍这些数学知识在人工智能中的应用；概率统计篇（第 11～17 章），主要介绍概率、随机变量、数字特征、相关分