《数据科学对社会科学转型的重大影响研究》从数据科学发展引致的科研范式转换视角，研究数据科学驱动社会科学转型的问题，重点研究数据科学驱动下的社会科学将具有何种全新的特征，探索社会科学研究在数据科学驱动下的转型路径。《数据科学对社会科学转型的重大影响研究》主要研究内容包括：数据科学的知识体系与方法工具、社会科学研究范式演化与数据科学在社会科学中的应用、社会科学研究的现实环境变迁与突出问题、数据科学驱动的社会科学认知体系重构、数据科学作用下的社会科学研究特征、数据驱动的社会科学转型的条件与保障等。

本书按照大数据开发流程系统介绍了Hadoop生态系统的核心开发技术，包括环境准备、文件存储与数据采集、数据处理与分析、数据库存储与数据迁移，并通过实际的操作案例，详细直观地介绍了大数据分析的实现过程。本书从Hadoop的概念开始，深入浅出地讲解了Hadoop包含组件的作用及使用方法，内容系统全面，可帮助开发人员快速实现大数据的离线分析。

本书主要介绍文本大数据挖掘技术及其在文本自动整编领域的应用方法。除绪论外，本书的主要内容分为上下两篇，共9章。绪论介绍了文本自动整编的相关技术及研究现状，并提出了两种可行的文本自动整编方案。本书的上篇主要介绍了基于抽取式方法的文本自动整编技术，内容包括：面向信息检索的抽取式多文档摘要技术架构、基于多示例框架的深度关联匹配、基于多粒度语义交互的抽取式文档摘要以及基于层次注意力和指针机制的句子排序。下篇主要介绍了基于生成式方法的文本自动整编技术，内容包括：生成式文本自动整编技术架构、基于预训练

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