本书使用Python编程语言分析大数据，全书以案例为主线，通过大量实例演示了Python在大数据分析应用中的强大功能。本书共分为9章，内容包括Python编程环境的搭建，变量、常量与数据类型，常用的内置函数，列表、元组及字典的用法，顺序结构、选择结构及循环结构三种控制流的用法，函数定义及使用，模块导入及常用模块的用法，数据获取、数据预处理及导入外部数据的方法，matplotlib数据可视化方法，常用的聚类、分类及回归算法的Python实现，决策树及随机森林算法的Python实现。
本书可作

RHEL 8是一个侧重于企业级应用的操作系统，全书分3篇（18章及附录），第1篇是RHEL 8必知必会，介绍用好RHEL 8所需要的基础知识，如服务器及企业级存储、单节点部署、必要的配置、软件包管理及服务器硬化等内容，为掌握更加复杂的技术打下坚实的基础。第2篇是RHEL 8部署和管理进阶，侧重点为企业大规模的服务器应用、Linux内核及进程管理及自动化管理基础等。第3篇是企业高频服务和应用，介绍如何让企业的服务器助力企业的业务，让RHEL 8的各种服务及应用来创造价值等。

本书利用精美的插图和有趣的类比，对深度学习的主流技术和背后的原理进行了深入浅出的讲解，解释了什么是深度学习，深度学习流行的原因，以及深度学习与其他机器学习方法的关系。阅读本书，读者可以掌握卷积神经网络、循环神经网络、生成式对抗网络和深度强化学习等热门技术，学习TensorFlow、Keras和PyTorch等热门工具的使用，同时能够更深刻地理解计算机视觉、自然语言处理和游戏等领域的人工智能应用。本书还提供了简单明了的示例和代码，能够帮助读者动手实践。 本书适合人工智能、机器学习、深度学习等领域的

After Effects(以下简称AE)是Adobe公司的一款图形、视频、动画、特效处理软件，主要功能是动画制作、动态合成、视觉特效等，广泛应用于电影、电视、网络、信息化教学、教育技术以及影视后期制作等领域。
本书采用案例实战的方式全面介绍After Effects CC的基本操作和综合应用技巧，全书共分为七个项目，从AE入门到外挂插件和模板，共计100例； 结果导向、任务驱动、讲练结合、学以致用，手把手教你实操； 100个案例全部配有二维码数字资源，即扫即学； 语言通俗易懂，以图说文，

《Photoshop平面设计项目教程（微课版）》采用项目制作与设计理念相结合的方式，以科学有效的项目任务为载体，遵循学生的认知规律，详细讲解了Photoshop强大的图形图像处理功能，以及在实际工作中的应用。全书精选DM单、海报制作、书籍装帧、网页效果图制作等常用项目进行编写，围绕项目开发思路讲解知识点，案例包含详细制作步骤及相关拓展训练等环节，让读者能加强理论与实际的联系。《Photoshop平面设计项目教程（微课版）》按照省级精品资源共享课的建设思路，附有大量微视频资源及教学课件供学习者使用

本书中生成是指根据特定的应用目标，采用计算机技术，生成人的模型，三维场景，语音等。生成技术被广泛的应用于各个领域，如室内设计、电影制作、游戏设计、虚拟现实等。近年来，计算机视觉、机器学习、人机交互等领域的快速发展为生成技术带来更多样化的抽象语义输入，如场景语义、行为偏好、情感标签等，在计算框架中引入高层语义信息驱动特定目标的生成成为可能。本书重点讨论了在以人为中心的生成任务中，如何建模用户的特定属性生成个性化的训练方案、功能空间及性格化人脸，本书还讨论了引入语义约束的生成方法，包括场景语义、行为

本书主要基于FANUC机器人智能物料分拣装配生产线实训平台，结合机器人应用、示教编程、调试、维护保养等内容进行编写，内容涵盖了工业机器人基本操作、机器人轨迹示教编程、机器人I/O信号配置、机器人搬运码垛示教编程、机器人装配应用示教编程、机器人智能物料分拣装配基本单元应用编程、机器人维护和保养等。
本书非常适合工业机器人入门读者，尤其是FANUC工业机器人的设计、操作、维护人员使用，也可用作高等院校、职业院校及培训学校相关专业的教材及参考书。

本书以工业机器人的典型应用为出发点，对工业机器人在冲床上下料、打磨、弧焊、激光焊、自动锁螺丝、雕刻和视觉分拣行业应用中的准备工作、程序编写及调试进行详细的讲解与分析，使读者了解与掌握工业机器人在这些典型应用场景中的具体设定与调试方法，从而使读者对工业机器人的应用从软、硬件方面都有一个全面的认识。
本书适合从事工业机器人应用开发、调试与现场维护的工程师，特别是使用FANUC工业机器人的工程技术人员使用，同时可用作高职院校、培训学校相关专业的教材及参考书。

近年来，演化计算作为计算智能中传统的优化技术，已经广泛应用于求解各种数据挖掘问题，形成了一种基于遗传的机器学习新范式学习分类器。一方面，在真实场景中采集的原始数据不可避免地包含着冗余乃至噪声属性的信息，这些不相关的特征将对学习分类器算法的学习性能与计算效率造成负面影响。另一方面，学习分类