本书是“1+X”传感网应用开发职业技能等级证书培训辅助教材。本书从窄带物联网（NB-IoT）技术应用层面出发，根据当前高职教育改革要求，采用项目教学方式进行编写，内容包括初次见面、STM32微控制器的应用、轻量级操作系统LiteOS的应用、NB-IoT通信测试、第三方连接管理平台、共享单车车锁设计、共享单车应用设计。本书注重学生技能训练，通过7个项目开展教学，每个教学环节包括教学导航、知识要点、实践环节、项目小结、思考题与习题，将理论知识贯穿于项目教学中，项目内容由易到难、由小到大、程序完整、知

本书是一本独特的物联网入门教材。从物联网的架构、设计原则、数据分析三个角度介绍物联网的基本知识和概念；从物联网中系统硬件和原型构建的角度，介绍如何设计和选择物联网中各个部分的组件，以构建安全的物联网。本书内容系统、案例丰富，适合作为高校物联网入门课程的教材，也适合作为物联网技术人员的参考书籍。

本书为初学者物联网技术入门教材。全书共6章，内容涵盖了物联网的关键技术，包括物联网的构成及内涵辨析，具体针对条码、传感器、MEMS、RFID、互联网、移动通信网、ZigBee、WiFi、蓝牙、WSN、EPC系统、综合通信传输网技术、数据库、数据仓库与数据挖掘、云计算、中间件和软件等知识的阐述。全书充分展示了物联网技术体系的脉搏，反映所涉及的新知识、新技术、新方法、新应用及发展趋势，提供20多个丰富而普适的动画视频和应用视频资料，收集大量业内相关资料和企业技术应用实例，进行精炼和整合，用通俗易懂、

本书基于声智科技SoundAI Azero智能操作系统，详细介绍智能语音交互开发的全过程，包括智能语音趋势、智能系统基础、技能开发实践等，以及如何在SoundPi智能开发魔盒上进行设备和技能开发。SoundPi是声智科技按照消费电子产品标准研发设计的开发套件，内置SoundAI Azero，支持快捷二次开发，开放多种硬件接口，支持IoT设备控制，是开发者体验智能、验证产品、扩展应用的标准参考硬件。书中的开发教程为使用者提供直接、高效的学习和实践方式，帮助快速打造具有语音交互功能的智

本书对人工智能的理论基础智能信息处理方法逐一进行了介绍，着重讲解了各种智能算法的思想渊源、流程结构、改进方法及其相关应用。相比于其他的AI类图书，本书的大特点是在介绍每一种类型的智能信息处理方法之前几乎都追溯了算法设计的思想渊源，因此，本书具有较大的启发性，读者在阅读时需要对此认真体会。本书精心地选择了当前人工智能领域中具代表性的内容，主要包括绪论、模糊计算、机器学习算法、分类算法、聚类算法、遗传算法、蚁群优化算法、粒子群优化算法以及复杂网络方法等。本书不仅将基础理论与实践应用集于一身，同

《人工智能应用基础》的设计和编写理念是培养高职学生的人工智能素养、计算思维能力和人工智能应用能力，内容选取既适合高职学生的特点，又突出人工智能的通识性、典型性、实用性和可操作性。
　　《人工智能应用基础》中选取多个反映人工智能典型问题的案例，并采用项目化思想重构了所有案例，每个案例由循序渐进的递进式任务组成，支持课堂分层次教学实施。
　　《人工智能应用基础》共分8章，主要内容包括人工智能绪论、人工智能之Python基础、人工智能之图像识别、人工智能之自然语言处理、人工

不知不觉，人工智能已经走入我们的生活，尤其是图像识别、文本识别、语音识别、自然语言等技术。这些应用的核心技术就是深度学习，也正是本书的核心内容。 本书以TensorFlow为核心，分为3篇，共计15章节。第1篇是基础篇（第1~5章），主要介绍什么是深度学习、深度学习的本质是什么、深度学习所使用的教材和方法，以及深度学习在图像识别（MNIST）领域的应用。第2篇是发展演变篇（第6~14章），主要介绍在图像识别领域深度学习技术的发展与演变。主要是以ImageNet挑战赛为线索、以ImageNet挑战

数学是机器学习绕不开的基础知识，传统教材的风格偏重理论定义和运算技巧，想以此高效地打下机器学习的数学基础，针对性和可读性并不佳。本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容，并分析推荐系统和图像压缩两个实践案例，在介绍完核心概念后，还将线性代数的应用领域向函数空间和复数域中进行拓展与延伸；同时极力避免数学的晦涩枯燥，充分挖掘线性代数的几何内涵，并以Py

《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。

《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。

本书主要介绍机器学习上的PAC-Bayes理论评价及应用。本书分为上、下两篇。上篇为基础理论篇，下篇为应用篇。
上篇探讨了计算学习理论、统计学习理论、PAC-Bayes理论、RKHS、MCMC、探讨各种机器学习算法上的PAC-Bayes理论及计算方法。
下篇介绍机器学习上的PAC-Bayes理论应用。将PAC-Bayes边界理论运用于评价SVM的泛化性能、模型选择、交叉验证方法、并应用于Web文档评价和蛋白质结构预测中。