《微机与单片机原理及应用》详细介绍了与 MCS-51 单片机兼容的 80C51 单片机原理、接口及应用技术。《微机与单片机原理及应用》主要内容包括微型计算机的组成与结构，80C51单片机的硬件结构、指令系统、中断系统、定时器及应用、串行口通信及串行通信技术、单片机最小系统及片外扩展、汇编语言程序设计和80C51程序设计等。
《微机与单片机原理及应用》可作为各类工科院校工业自动化、智能仪器仪表、计算机、电子技术、自动控制、电气工程、机电一体化等专业单片机课程的教材，也可供从事单片机应用设计的

本书是“ Unity技术基础”与“增量式项目实战”的融合，给零基础入门 Unity又希望快速上手独立开发作品的读者，带来一次友好的虚拟现实学习与开发体验。全书共 7章，第 1章是 Unity操作基础，第 2章至第 7章是 Unity核心技术模块知识点讲解 +案例实战，包括动画系统、天空盒、地形、模型、物理系统和 UI系统。全书以“滚雪球”的方式，从创建一个新项目开始，逐渐添加项目的各个功能模块，到完成全部开发流程打包导出，形成一个相对完整的项目作品。各模块知识点和开发案例前后承接，目的是实现以点

本书针对工科院校普遍开设的“自动控制原理”课程，系统地阐述了经典控制理论和现代控制理论所涉及的基本内容。作为主要特色之一，本书将这些内容划分为模型篇、分析篇和设计篇三大部分。其中模型篇涵盖了连续时间系统的微分方程与传递函数模型、框图与信号流图模型、频域模型、离散时间系统的差分方程与脉冲传递函数模型，以及作为现代控制理论基石的状态空间模型；分析篇包括连续时间系统的稳定性、瞬态性能、稳态性能分析，以及离散时间系统的性能分析，其中每一种性能分析都用到了多种方法，例如稳定性分析用到了Routh

本书系统地介绍了区块链的基本理论与核心技术，以联盟链为切入点，着重介绍了Fabric项目的运行架构与智能合约的开发方法，并通过三个不同类型的实践项目进行了区块链应用的落地。

全书共分为三部分，第一部分（第1～4章）为区块链基础知识，主要介绍区块链技术的基本概念、原理、发展历史、应用场景及核心技术； 第二部分（第5～9章）为联盟链基础，主要介绍超级账本开源项目，聚焦于业界影响力比较大的超级账本Fabric项目，以Fabric体系架构为核心，延展出相关核心概念，同时介绍了项目开发与运行

本书是基于Python以及飞桨（PaddlePaddle）深度学习框架的实践性机器学习入门教程，内容涵盖Python基础语法、机器学习常用算法以及在计算机视觉和自然语言处理等经典领域的详细案例解析。

本书语言简洁易懂，注重实践与理论相结合，旨在帮助读者掌握机器学习的核心概念和技能。通过阅读本书，读者可以快速了解机器学习各种算法的应用场景，并掌握使用PaddlePaddle来解决机器学习问题的方法。对于想要入门机器学习的人来说，本书是一本实用性较强的参考书。

机器学习就是希望机器能够模拟人类学习的过程，使机器在没有明确人工指导的情况下通过分析数据不断获得经验和知识，再调整自身行为进行自我学习，从而改善性能。因此，机器学习融合了人工智能、信息科学、计算机科学、以及类脑科学的相关领域知识，被广泛应用于国防安全、智能制造、智慧医疗、智慧城市、以及数字娱乐等。本书共包含9章内容，第1-4章主要介绍了机器学习的基本方法，包括基本概念、无监督聚类分析、有监督统计学习和有监督判别学习；第5-7章主要介绍了深度学习基础知识、经典网络、以及前沿进展；第8-9

本书系统阐述了智能算法在波束形成设计、波达方向估计与声源定位中的应用。全书分三篇，共11章，主要涉及仿人智能算法、仿生物进化智能算法、群体智能优化算法和深度学习等的原理、方法及实现框架，宽带波束形成、稳健自适应波束形成、混响背景下波束形成的设计原理与方法，以及宽带信号波达方向估计与近场声源定位算法，也给出了智能算法在波束形成器设计、波达方向估计和声源定位中的应用实例。
本书内容涉及较广，在内容组织上力求系统、科学、合理，特别注重逻辑性，介绍由浅入深，便于自学。本书可作为人工智能、

深度学习技术作为人工智能领域的一门新兴技术，已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材由神经网络基本训练规则、感知器、BP网络作为基础，讲述神经网络基础训练方法。并通过自编码器网络，将浅层网络过度到深度神经网络部分，详细讲解卷积神经网络原理及训练方法、卷积神经网络的发展以及基于卷积神经网络的目标检测算法等。而后，对序列信息处理神经网络—循环神经网络进行讲解。本教程采用由浅入深的方式，对深度学习相关理论进行讲解，满足教学过程中的需要。

本书为十四五高等职业教育新形态一体化教材之一,通过贴近生活的挑橘子一例引出机器学习的概念,并展开介绍了机器学习的完整流程、算法分类以及常用工具等。 本书以项目任务的组织方式,以通俗的情境作为项目导入,制定明确的项目目标,以算法的基本原理为知识导入,然后开始项目实施环节,以多个实训任务分别练习算法在解决回归、分类或聚类问题时的一般流程,最后以习题的形式巩固所学知识和技能。本书的实训项目主要包含机器学习中基础的算法应用,即线性回归算法、k-近邻算法、逻辑回归算法、决策树算法、聚类算法、朴素

本书详细介绍机器学习主要算法，包括：C4.5决策树、k-均值（K-means）、支持向量机（SVM）、Apriori、最大期望值、PageRank算法、AdaBoost算法、k-近邻算法（kNN）、朴素贝叶斯算法和分类回归树算法以及神经网络和深度学习的简单介绍。