本书由四篇共１７ 章组成 *篇是基础理论篇 共九章(第１ ~ ９ 章)从整体角度介绍人工智能的基本概念与基础理论 第二篇是应用技术篇 共四章(第１０ ~１３ 章)介绍人工智能基础理论与相关分支领域相融合所产生的新技术 第三篇是应用篇 共三章(第１４ ~１６ 章)介绍智能产品的开发及目前广为流行的四种应用实例 第四篇是展望篇 共一章(第１７ 章)对人工智能学科今后发展提出建议和看法。在本书的编写中坚持三项原则:教材的现代性，即新的技术路线与新的体系，并形成新一代人工智能技术，教材的应用性，即更加关

　　《基于脑电技术的数字界面可用性评价方法研究》分析了国内外数字界面可用性评估理论及研究现状，在总结了新的设计科学、神经科学、认知心理学、认知神经科学的研究成果的基础上，运用界面认知理论分析、界面脑电实验研究和实例验证的方法，围绕数字界面信息的用户认知机制，对数字界面可用性的脑电生理定量评价方法进行了研究。
　　《基于脑电技术的数字界面可用性评价方法研究》提出的脑电实验评价方法为数字界面可用性评估提供了新思路和新方法，有助于设计师对数字界面进行评估、改良和优化，其研究成果为有效实现对数字界

本书涵盖了经典控制、现代控制和非线性控制理论的基本内容。从控制理论的基础知识入手，较深入地介绍了控制系统的传递函数、方框图、信号流图以及状态空间模型；详细阐述了用于控制系统稳定性、瞬态性能、稳态性能分析时域法、根轨迹法、频域法和状态空间法，以及相应的系统设计方法；讨论了离散控制系统的模型、性能分析和校正方法；并对非线性控制系统的相平面法和描述函数法进行了简要介绍。此外，在相关章节给出了有关控制系统分析设计的MATLAB仿真方法和示例。
　　全书内容全面、逻辑明确、图文并茂，理论与示例有机结

本书此次修订按照打造新工科精品教材的要求，以培养新素养形成新能力为牵引重构课程边界、按教学实践积累总结和新工科要求重塑课程知识点、按与时俱进的时代特征要求提供媒体教学内容，精心对第3版进行了诸多重要修订，使内容更为优化，更切合时代需求。本书主要介绍控制工程中分析和综合线性定常系统的时、频域理论和方法，内容包括：绪论、数学模型、时域分析、频域分析、综合与校正。本书正文融入有针对性的例题，并精选习题，附有MATLAB/Simulink软件在控制工程中的应用实例、实践项目工程教学案例、电液控制系统分析

本书为普通高等教育“十一五”国家级规划教材，第一版于2005年被评为北京市精品教材。本书是为非自动化类、工科高年级学生编写的教材，简练地论述了连续控制系统的分析和综合研究方法，包括系统数学模型的建立和动态结构图等效变换法则，利用经典控制理论的时域分析法、复域分析法、频域分析法对控制系统进行分析，应用串联校正、反馈校正和前馈校正进行系统的设计和补偿。同时阐述了采样控制系统的分析和综合方法，并对控制系统的状态空间分析法及能控性和能观测性进行了论述。书中部分章节适当增加了 MATLAB应用的

本教材共分为六个章节，分别为：*章自动控制系统概述、第二章控制系统的数学模型、第三章控制系统的时域分析、第四章根轨迹法、第五章线性系统的频域分析法、第六章线性系统的频域分析法。

本教材的内容涉及模糊理论、数据融合、神经网络、遗传算法及传感技术等相关内容，并着重介绍数据融合技术的原理、特点及具体应用方法，在目前多传感器数据融合技术研究成果的基础上进行系统解析，分析特点，论述不足，为数据融合技术的研究提供科学合理的依据，达到促进智能信息处理技术可持续发展的目标。

本书致力于推动人工智能的普及教育，使用通俗易懂的语言深入浅出地介绍了人工智能的相关知识，包括机器学习和深度学习的基本内容，并结合图像信息处理和自然语言处理两个典型应用展开阐述，使读者能快速掌握人工智能的基本概念、基本知识体系和框架，为进一步深入学习打下良好基础。

本书介绍了深度学习原理与TensorFlow实践。着重讲述了当前学术界和工业界的深度学习核心知识：机器学习概论、神经网络、深度学习。着重讲述了深度学习的实现以及深度学习框架TensorFlow：Python 编程基础、TensorFlow编程基础、TensorFlow模型、 TensorFlow编程实践、TensorFlowLite 和 TensorFlow.js、TensorFlow案例--医学应用和Seq2Seq attention 模型及其应用案例。 本书*特色是既有由浅入深的理论知

机器学习是计算机智能围棋博弈系统、无人驾驶汽车和工业界人工智能助理等新兴技术的灵魂，特别是深度学习理论更是诸多高精尖人工智能技术的核心。掌握机器学习理论与实践技术是学习现代人工智能科学最重要的一步。
本书既讲述机器学习算法的理论分析，也结合具体应用介绍它们在Python中的实现及使用方法。本书的第2到第9章主要介绍监督式学习算法。其中包括：监督式学习算法基础、线性回归算法、机器学习中的搜索算法、Logistic回归算法、支持向量机算法、决策树、神经网络和深度学习。随后，在第10与11这两章