手势交互是自然人机交互的研究热点，在很多领域都有着广泛的应用，例如虚拟/增强现实、普适计算、可穿戴计算、智能家居和游戏娱乐等。本文提出了一套卓有成效的 "以用户为中心的”手势设计方法，应用在双面屏智能手机、智能汽车信息系统、智能电视交互系统、沉浸式虚拟现实购物系统中，实践证明这套方法能够有效解决传统手势设计方法所面临的一系列问题，具有很强的理论价值和实际应用开发指导意义。

神经网络与深度学习是人工智能研究的重要领域，是机器学习的重要组成部分。人工智能是研究理解和模拟人类智能、智能行为及其规律的科学。本书紧紧围绕神经网络和深度学习的基础知识体系进行系统的梳理，力求从基础理论、经典模型和前沿应用展开论述，便于读者能够较为全面地掌握深度学习的相关知识。全书共 16 章。第 1 章是绪论，简要介绍人工智能、机器学习、神经网络与深度学习的基本概念及相互关系，并对神经网络的发展历程和产生机理进行阐述；第2章介绍神经网络的基本神经元模型、网络结构、学习方法、学习规则、正则化方法

本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，将基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、人脸识别、语音识别、双向生成对抗网络和AlphaGo等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。本书适合有一定深度学习或目标检测学习基础的学生、研究者、从业者阅读。

本书从原理和实战两个维度对GAN进行了全面讲解。 全书一共12章，分为两个部分： 第一部分（第1-5章） 原理篇 对生成模型，以及GAN的优化、训练、评估、可视化、结构等原理性内容进行了详细讲解。 第二部分（6-12章） 实战篇 这部分对GAN的主要应用场景的实战性内容进行了讲解，包括图像生成、风格迁移、图像增强、图像分割、目标检测、对抗攻击、语音生成等场景下的GAN实战进行了讲解。

本书针对深度学习及开源框架——PyTorch，采用简明的语言进行知识的讲解，注重实战。全书分为4篇，共19章。深度学习基础篇（第1章~第6章）包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器模型与模型训练、梯度下降法、反向传播算法与内置优化器。计算机视觉篇（第7章~第14章）包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型与特征提取、图像定位基础、图像语义分割。自然语

随着云计算、大数据等的快速发展，越来越多的组织用信息化手段进行流程管理。如何提升流程执行的智能化程度、动态性和柔性，以提高对非标准业务的管理效率，是流程管理面临的一个重要问题。 本书基于流程管理系统积累的日志，提出了3种流程管理的工作流活动推荐方法，分别为基于用户类别近邻的活动推荐方法、基于Pearson相关系数的活动推荐方法和基于协同过滤的活动推荐方法，并介绍了一种流程信息的可视化算法，实现了一个可视化原型系统。 本书结构清晰，文字流畅，图文并茂，适合从事流程管理系统研究的读者阅读，也适合作为

本书通过扎实、详细的内容和清晰的结构，从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。本书共三篇，第一篇主要介绍深度学习在计算机视觉方向的一些卷积神经网络，从基础骨干网络、轻量级 CNN、模型架构搜索 3 个方向展开，介绍计算机视觉方向的里程碑算法；第二篇主要介绍深度学习在自然语言处理方向的重要突破，包括基础序列模型和模型预训练；第三篇主要介绍深度学习在模型优化上的进展，包括模型优化方法。 通过阅读本书，读者可以深入理解主流的深度学习基础算法，搭建起自己的知识体系，领会算法的本

人工智能正在以前所未有的速度发展，其广泛地应用于汽车、医疗、交通、制造、金融等多个领域。通常“人工智能”一词往往与人机交互系统相联系，进而突出其应用性，表现为“机器学习”和“问题解决”等。现如今人工智能不再是人的延伸，而是可以自我演进的，是相对独立的。这就决定了人工智能发展面临着巨大的挑战，不仅是技术层面的诸多挑战，还有经济社会变革的挑战。 本书从技术和规制两个角度入手，对人工智能产业分布、人工智能的伦理监管的基础问题研究、数据流动与大数据治理、人工智能技术与法律规制、人工智能技术的应用场景及相

本书基于 TensorFlow.NET 框架，详细介绍了.NET 平台下深度学习的基础原理和应用技术，不仅阐述了算法原理，还演示了实践代码和运行效果，其中完整示例主要采用的语言为 C#和 F#。全书分为 3 个部分：第一部分介绍了核心 API 的用法和基础示例，包括数据类型、张量、Eager Mode、自动求导、线性回归、逻辑回归、tf.data、深度神经网络和 AutoGraph 机制，读者可以通过学习这一部分内容快速入门；第二部分重点演示了.NET Keras 的用法，包括模型、网络层、常用

全书可分为五大部分，阐述了分布式人工智能的基础知识以及相关进展，包括分布式人工智能简介、分布式规划与优化、多智能体博弈、多智能体学习和分布式人工智能应用。除此之外，由于本领域尚处于蓬勃发展阶段，相关技术与应用层出不穷，因此书中还提供了研究者对于分布式人工智能发展的相关预测，主要集中在：第一，更复杂和更大规模的分布式人工智能问题的研究和解决；第二，分布式人工智能的安全性，鲁棒性和泛化性，这将极大地促进人们对于分布式人工智能问题的理解；第三，分布式人工智能的可解释性，这将使得人类能够理解算法的决策，