——Emily Zhang 张盈盈

商业、经管和政治学高级编辑

Computer Science

Deep Reinforcement Learning

点击图片了解图书详情

作者使用Python作为编程语言，描述了深度强化学习的基础、算法和应用。本书涵盖了构成该领域基础的已建立的无模型和基于模型的方法。由于本学科发展很快，作者还介绍了更高级的主题：深度多智能体强化学习、深度分层强化学习和深度元学习。这本教科书的目的是提供深度强化学习领域的全面概述。这本书的目标读者是人工智能方向的研究生，以及希望更好地了解深度强化学习方法及其挑战的研究人员和从业者。使用本教材需要读者有计算机科学和人工智能本科水平的基础知识。

深度强化学习的灵感来自生物学和心理学领域。生物学激发了人工神经网络和深度学习的创建，而心理学研究动物和人类如何学习，以及如何通过积极和消极的刺激来加强受试者的期望行为。当我们看到强化学习如何教模拟机器人走路时，我们也会想起孩子们是如何通过有趣的探索来学习的。受生物学和心理学启发的技术在计算机中运行得非常顺畅，也可以看成动物行为和大脑结构是科学和工程的新蓝图。事实上，计算机似乎确实具有某些人类行为，因此，本领域逐步进入了人工智能梦想的核心。

——Celine Chang 常兰兰

计算机科学执行编辑

Data Deduplication for High Performance Storage System

点击图片了解图书详情

本书介绍了重复数据删除的理论基础、基本工作流程、应用场景及其关键技术，并通过对重复数据删除的每项关键技术的介绍，来解析分块算法、索引方案、碎片减少方案、重写算法等的演变过程。

点击图片了解图书详情

本书是第一本介绍在各种场景下的ADMM的专著，包括确定性凸优化、确定性非凸优化、随机优化和分布式优化。本书提供了丰富的思想、完整的理论和详细的证明，研究生或研究人员可通过阅读它在短时间内掌握ADMM的前沿进展。

林宙辰是机器学习和计算机视觉领域的国际知名专家。他目前是北京大学智能学院机器感知与智能教育部重点实验室教授。交替方向乘子法（ADMM）是一个神奇的算法，它差不多能解决机器学习中一般实践者能够遇到的大部分带约束问题。与求解无约束问题的通用方法——梯度下降法不同，ADMM 算法看起来更优雅却又不显而易见。

——Celine Chang 常兰兰

计算机科学执行编辑

Chemistry

Chemometric Methods in Analytical Spectroscopy Technology

点击图片了解图书详情

本书主要论述用于光谱分析的化学计量学方法，包括光谱预处理算法，变量学者算法，数据降维算法，线性和非线性多元定量校正算法等。在保证全面性和系统性的基础上，对国内外的最新研究进展进行归纳述评，将这些方法与科研开发和实际应用紧密结合，对许多算法的改进和策略的延伸做了重点评述。

本书既介绍了比较成熟的光谱分析的化学计量学方法，又反映出最新研究现状和前沿问题，其中融入了作者多年的工作成果和思考。该书适合作为从事分析光谱技术、化学计量学、分析仪器和其他相关领域的科研和技术人员的参考书。

——Sunny Guo 郭睿

化学&材料科学 副编辑

出版您的图书：

欢迎联系我们，交流您的出版想法或者计划。

不论目前您正在思考出版主题、大纲，或者已经准备了出版提案并开始撰写草稿，都可在线填写简要信息，以获取帮助。

我们经验丰富的图书出版编辑将通过电子邮件与您取得联系， 与您一起商讨出版思路，解答您的疑问，并协助您顺利完成出版流程！

点击此处立即在线填写表格。

Springer Nature电子图书解决方案：

施普林格∙自然使用户能够轻松而不受限制地访问科学、医学、技术、人文和社会科学领域的必备学术图书，并着眼于未来，不断探索能够改善用户体验、提升可发现性并促进学习的最新技术和出版模式。我们的出版编辑与全球研究群体密切合作，出版被广泛使用和大量引用的图书。这些图书在世界范围内影响着学习和研究。灵活的电子图书解决方案配合您所在组织的研究目标，确保您的用户能够访问优质内容。

点击此处了解Springer Nature电子图书。