本书是机器人学科的通识教材。从机器人历史，基本概念出发，引出机器人的分类。涵盖了机械原理，材料科学，电子自动化等众多学科内容介绍。再转而介绍了机器人系统设计的一些优秀工具软件，以参加比赛为切入点来学习机器人的系统设计。最后介绍了常见机器人赛事和相关机器人设计思路。本书紧紧结合机器人赛事**热点，适合所有理工科背景对机器人感兴趣的学生做为入门书籍学习。

本书详细阐述了工业机器人基本命令和作业命令的编程格式、编程要点、应用技巧；系统介绍了工业机器人手动操作、示教编程、再现运行的方法和步骤。本书以华数机器人 I 型 HSR-612 为平台，采用理实结合的方式，以项目式教学模式讲解了工业机器人操作及程序编写方面的知识，着重培养学生对工业机器人的实际应用能力。本书选材典型、内容先进、案例丰富，理论联系实际，面向工程应用，可供工业机器人设计、使用、维修人员和高等学校相关专业师生参考。

本书在全面介绍Python语言中基本数据类型、组合数据类型、程序控制结构、函数及模块化编程、文件与数据处理、文本分词与词云可视化、绘图及数据可视化等知识的基础上，着重介绍基于Python语言的编程方法和第三方库工具解决医学实践中的问题，并通过对多个综合案例进行案例描述、问题分析、编程实现、代码解析，展现解决问题的实现过程和基本原理。
全书共分3部分： 第1部分（第1～5章）为语言篇，着重介绍Python语言的基本语法，包括Python语言的数据类型和语法元素；第2部分（第6～8章）为数据处

本书将引领读者进入Python机器学习领域。机器学习是一套先进、深刻且内容丰富的算法集合，已成为数据科学中数据建模与分析的重要方法。Python是一款简明、高效且功能强大的开源工具，也是数据科学实践中最常用的计算机语言。学好机器学习的理论方法，掌握Python这个实用工具，是成长为数据科学人才所必需的。本书采用理论与实践相结合的方式，理论上突出可读性并兼具知识深度和广度，实践上强调可操作性并兼具应用广泛性，对机器学习的原理部分进行了深入透彻的讲解，对机器学习的算法部分给出了Python代码，并且

本书基于卷积神经网络和图像识别方法，介绍了PyTorch和PaddlePaddle两种框架，并结合移动机器人讲解了具体的开发过程。书中所用的硬件平台，带有两个摄像头传感器，为机器人和无人驾驶车辆多摄像头导航提供了理论指导。书中提到的模拟沙盘，正是机器人作为园区巡检或无人配送实例的缩影。通过基于理论的实践，本书不局限于具体的平台和场景，可以作为实现深度学习的通用化方法。本书源于工程化实践，抽象为具体方法和案例，为学习基于深度学习的机器人技术提供了指南。

本书力图系统、详细和通俗地介绍区块链部署与运维技术，目的是推动区块链技术应用专业的教学、研究和应用。本书以区块链基础、区块链平台、区块链平台部署、区块链平台监控为主线，内容涵盖区块链的基本概念、运行原理、数据结构、以太坊平台、FISCO BCOS、智能合约、区块链网络通信、区块链平台维护和监控等。本书在系统介绍区块链理论知识的基础上，结合丰富的案例进行操作实践的讲解，力求使读者在实践中深入理解区块链技术，具备主流区块链平台的部署与运维能力。本书对接区块链技术相关的国家职业技能标准要求，同时编者与

本书的主要内容涵盖机器学习领域的主要模型和算法, 包括监督学习的分类和回归模型与算法、非监督学习的聚类和降维算法、强化学习的主要算法、迁移学习的实例以及最新前沿的相关模型和算法的实践。本书以实验项目或案例为单元, 每个单元有明确的实验目的、原理和实验步骤, 包括基础验证性实验、综合设计性实验和系统开发项目实践。

本书是写给没有学过任何计算机语言的读者的，例如大学生。本书主要讲授MATLAB的基本知识，从如何打开MATLAB的指令窗口，输入最简单的指令开始，利用MATLAB提供的交互式环境，用简明的实例向读者示范如何调用MATLAB的内部函数实现数值计算、符号运算和平面曲线、空间曲线与曲面图等图形输出，以及机器学习和线性代数与微积分的应用。本书的应用篇介绍了MATLAB在机器学习中的应用，讨论了如何应用线性代数与函数求极值的基础知识以及MATLAB 的内置函数来编程实现常用的机器学习算法，例如，（广义）线

机器学习是人工智能的重要分支。本书立足实用且易于上手实践的原则，系统地介绍机器学习领域的经典算法，以及这些算法的Python实现和典型应用。本书分4部分: 第1部分介绍监督学习，包括线性模型、决策树分类、贝叶斯分类器、集成学习和支持向量机；第2部分介绍无监督学习，包括关联规则、聚类分析和数据降维；第3部分介绍深度学习，包括神经网络、深度学习和生成对抗网络；第4部分介绍强化学习。本书所介绍的经典机器学习算法及其应用案例均给出了相关实验数据和Python代码实现，每章末尾还给出了习题和实验题，便于读

本书基于PyTorch框架介绍深度学习的有关理论和应用,以Python为实现语言。全书共分10章，内容包括深度学习的概念和发展过程、感知器、全连接神经网络、卷积神经网络、若干经典CNN预训练模型及其迁移方法、深度卷积神经网络应用案例、循环神经网络、基于预训练模型的自然语言处理、面向模型解释的深度神经网络可视化方法、多模态学习与多模态数据分类等。
本书兼顾理论与应用、原理与方法，集系统性、实用性、便捷性于一体，易于入门，实例丰富，所有代码全部经过调试和运行。此外，每一章后面都配有适量的习题，