5G
• Technologia 5G .3GPP New Radio
• Chmura i przetwarzanie mgły w sieciach mobilnych 5G.
• Sieci bezprzewodowe 5G oparte na chmurze
• Ultra-gęste sieci dla 5G i nie tylko
• Projekt i optymalizacja dla komunikacji bezprzewodowej 5G
• Projekt systemu 5G.Względy architektoniczne i funkcjonalne oraz badania długoterminowe
• Od GSM po LTE-Advanced Pro i 5G. Wprowadzenie do sieci komórkowych i mobilnej łączności szerokopasmowej
• Obwody fal milimetrowych dla 5G i radaru
• Nowe radio 5G. Więcej niż mobilna łączność szerokopasmowa
• 5G Sieci podstawowe. Napędzamy cyfryzację
• Mit 5G - kiedy wizja jest oddzielona od rzeczywistości

Artificial Intelligence
• Sztuczna inteligencja ogólna
• Przewidywanie, uczenie się i gry
• Uczenie się przez wzmocnieniem - wprowadzenie
• Uniwersalna sztuczna inteligencja
• Widzenie komputerowe
• Widzenie z kierunkiem. Systematyczne wprowadzenie do przetwarzania obrazu i widzenia komputerowego
• Widzenie komputerowe.Nowoczesne podejście
• Geometria wielu widoków w widzeniu komputerowym
• Widzenie komputerowe i aplikacje. Przewodnik dla praktyków
• Podręcznik widzenia komputerowego. Czujniki i obrazowanie.
• Podręcznik widzenia komputerowego. Przetwarzanie sygnału i rozpoznawanie wzorców
• Podręcznik widzenia komputerowego. Systemy i aplikacje
• Techniki modelowania komputerowego i symulacji dla problemów widzenia komputerowego
• Wyodrębnianie funkcji w widzeniu komputerowym i przetwarzaniu obrazu
• Podręcznik modeli matematycznych w widzeniu komputerowym
• Podręcznik algorytmów widzenia komputerowego w algebrze obrazu
• Podstawy widzenia komputerowego
• Ewolucyjne obliczenia do modelowania i optymalizacji
• Obliczenia ewolucyjne, vol. 1 podstawowe algorytmy i operatory
• Obliczenia ewolucyjne, vol. 2 zaawansowane algorytmy i operatory
• Eksploracja danych z wykorzystaniem programowania i aplikacji genetycznych opartych na gramatyce
• Podręcznik obliczeń ewolucyjnych
• Programowanie genetyczne, wprowadzenie do automatycznej ewolucji programów i aplikacji komputerowych
• Programowanie genetyczne Złożone systemy adaptacyjne
• Teoria i praktyka programowania genetycznego
• Granice ewolucyjnych obliczeń
• Logika rozmyta we wbudowanych mikrokomputerach i systemach sterowania
• Symulowanie ciągłych systemów rozmytych
• Zbiory rozmyte, teoria systemów i zastosowania
• Fuzja sieci neuronowych, systemów rozmytych i algorytmów genetycznych
• Obliczeniowe podejście do uczenia się i inteligencji maszynowej
• Zbiory rozmyte i teoria i aplikacje logiki rozmytej
• Elastyczne struktury systemu neuronowo-rozmytego, uczenie się i ocena wydajności
• Projektowanie i analiza rozmytych systemów sterowania. Podejście do nierówności macierzy liniowej
• Zbiory rozmyte i teoria granulacji informacji rozmytych
• Systemy rozmyte i ich zastosowania w procesach poznawczych i decyzyjnych
• Przewodnik terenowy po programowaniu genetycznym
• Optymalizacja kolonii mrówek
• Sztuczna inteligencja inspirowana biologią
• Ewoluujące systemy koneksjonistyczne - podejście inżynierii wiedzy
• Wprowadzenie do obliczeń ewolucyjnych
• Inteligencja roju
• Sztuka sztucznej ewolucji - podręcznik ewolucyjnej sztuki i muzyki • Sztuczna inteligencja ogólna
• Sztuczna inteligencja (najnowocześniejsza nauka i technologia)
• Zastosowania sztucznej inteligencji w edukacji na odległość
• Wprowadzenie do sztucznej inteligencji.pdf
• Reprezentacja wiedzy i rozumowanie
• Ponowne uruchamianie AI. Budowanie sztucznej inteligencji, której możemy zaufać
• Przewidywanie, uczenie się i gry
• Uczenie się ze wzmocnieniem - wprowadzenie
• Podręcznik sztucznej inteligencji
• Świadoma Maszyna. Nadchodzący wiek sztucznej inteligencji
• Uniwersalna sztuczna inteligencja - sekwencyjne decyzje oparte na prawdopodobieństwie algorytmicznym
• Postępy w sztucznej inteligencji stosowanej
• Przygoda w Prologu
• Programowanie zorientowane na agenta - od prologu do klauzul definicji chronionych
• Wszystkie statystyki nieparametryczne
• Wszystkie statystyki - zwięzły kurs wnioskowania statystycznego
• Wprowadzenie do uogólnionych modeli liniowych
• Wprowadzenie do wyszukiwania informacji
• Wprowadzenie do sieci neuronowych
• Wprowadzenie do rozpoznawania wzorców - podejście matlabowe
• Wprowadzenie do rozpoznawania wzorców
• Wprowadzenie do teorii prawdopodobieństwa i zastosowań I.
• Wprowadzenie do teorii prawdopodobieństwa i zastosowań
• Wprowadzenie do programowania w Emacs Lisp
• Wprowadzenie do programu i jego realizacja
• Analiza i zastosowania sztucznych sieci neuronowych
• Sztuczna inteligencja i systemy ekspertowe dla inżynierów
• Sztuczna inteligencja i miękkie obliczenia behawioralne i poznawcze modelowanie ludzkiego mózgu
• SZTUCZNA INTELIGENCJA i INŻYNIERIA OPROGRAMOWANIA Zrozumieć obietnicę przyszłości
• Zastosowania i innowacje sztucznej inteligencji
• Sztuczna inteligencja w inżynierii chemicznej
• Sztuczna inteligencja w inżynierii procesowej
• Strategie, aplikacje i modele sztucznej inteligencji poprzez wyszukiwanie
• Sztuczna inteligencja poprzez Prolog
• Sztuczna inteligencja dzisiaj Najnowsze trendy i rozwój
• Sztuczna inteligencja, struktury i strategie rozwiązywania złożonych problemów
• Sztuczne sieci neuronowe
• Sztuczne sieci neuronowe w rzeczywistych zastosowaniach
• Podstawowe techniki Lisp
• Rozumowanie bayesowskie i uczenie maszynowe
• Inspirowana biologią sztuczna inteligencja
• Budowanie systemów ekspertowych w Prologu
• Budowanie systemów uczenia maszynowego w języku Python
• Common Lisp - delikatne wprowadzenie do obliczeń symbolicznych
• Common Lisp - podejście interaktywne
•  Język Common Lisp
• Inteligencja obliczeniowa Wprowadzenie
• Inteligencja obliczeniowa do wspomagania decyzji
• Inteligencja obliczeniowa pod kontrolą
• Podręcznik inteligencji obliczeniowej w produkcji
• LINGWISTYKA KOMPUTACYJNA. Modele, zasoby, aplikacje
• Obliczeniowa inteligencja sieciowa Inteligentna technologia dla aplikacji internetowych
• Techniki modelowania komputerowego i symulacji dla problemów związanych z widzeniem komputerowym
• Konkretne abstrakcje Wprowadzenie do informatyki za pomocą schematu
• Optymalizacja wypukła
• Analiza danych za pomocą narzędzi open source
• Eksploracja danych - pojęcia i techniki
• Eksploracja danych - praktyczne narzędzia i techniki uczenia maszynowego
• Data Mining Praktyczne narzędzia i techniki uczenia maszynowego
• Eksploracja danych przy użyciu programowania i aplikacji genetycznych opartych na gramatyce
• Eksploracja danych z inteligencją obliczeniową
• Analiza danych bayesowskich - tutorial z R i BŁĘDAMI
• Reprezentacja, wnioskowanie i uczenie się dynamicznych sieci bayesowskich
• Elementy uczenia się statystycznego
• Metody zespołowe w eksploracji danych
• Podstawy języków programowania
• Ewolucyjne obliczenia do modelowania i optymalizacji
• Ewolucyjna synteza systemów rozpoznawania wzorców
• Ewoluujące systemy koneksjonistyczne - podejście inżynierii wiedzy
• Ekstrakcja cech w wizji komputerowej i przetwarzaniu obrazu
• ELASTYCZNE SYSTEMY NEURO-FUZZY Struktury. Ocena uczenia się i wyników
• Formalna składnia i semantyka języków programowania
• Podstawy sieci neuronowych, systemów rozmytych i inżynierii wiedzy
• Podstawy rozumowania opartego na przypadkach miękkich
• Podstawy statystycznego przetwarzania języka
• Podstawy statystycznego przetwarzania języka naturalnego v
• GRANICE OBLICZENIA EWOLUCYJNEGO
• Podstawy widzenia komputerowego
• Podstawy obliczeń macierzowych
• Fuzja sieci neuronowych, systemów rozmytych i algorytmów genetycznych Zastosowania przemysłowe
• Projektowanie i analiza rozmytych systemów sterowania. Podejście do nierówności macierzy liniowej
• Rozmyte systemy ekspertowe i rozmyte rozumowanie
• Logika rozmyta we wbudowanych mikrokomputerach i systemach sterowania
• Zbiory rozmyte i teoria granulacji informacji rozmytych
• ZBIORY ROZMYTE I LOGIKI ROZMYTEJ Teoria i zastosowania
• biory rozmyte, teoria systemów i zastosowania
• ROZMYTE ZESTAWY I ICH ZASTOSOWANIA W PROCESACH POZNAWCZYCH I DECYZJI
• Procesy Gaussa dla uczenia maszynowego
• Programowanie genetyczne Wprowadzenie do automatycznej ewolucji programów komputerowych i ich aplikacji
• Programowanie genetyczne Złożone systemy adaptacyjne
• Wieczny złoty warkocz
• Podręcznik algorytmów widzenia komputerowego w algebrze obrazu
• Podręcznik modeli matematycznych w wizji komputerowej
• Jak projektować programy Wprowadzenie do informatyki i programowania
• Jak to udowodnić - ustrukturyzowane podejście
• Teoria informacji, wnioskowanie i algorytmy uczenia się
• Inteligentne systemy komunikacyjne
• Inteligentne systemy sterowania wykorzystujące metodologie obliczeń miękkich
• Inteligentna integracja informacji w sieci semantycznej
• Inteligentne systemy dla inżynierów i naukowców
• Inteligentne systemy łączenie, śledzenie i kontrola
• Wprowadzenie do statystyki bayesowskiej
• Wprowadzenie do obliczeń ewolucyjnych
• Wprowadzenie do statystycznego rozpoznawania wzorców
• Filtrowanie Kalmana i sieci neuronowe
• Metody jądra do analizy wzorców
• Reprezentacja wiedzy i deklaratywne rozwiązywanie problemów za pomocą zestawów odpowiedzi
• Wnioskowanie na dużą skalę - empiryczne metody Bayesa do szacowania, testowania i przewidywania
• Dowiedz się Prolog teraz!
• Uczenie się i obliczenia miękkie - maszyny wektorowe wspomagające, sieci neuronowe i modele logiki rozmytej
• Nauka sieci bayesowskich
• Nauka głębokich architektur dla sztucznej inteligencji
• Nauka z jądrem
• Książka Lisp
• Logika, programowanie i prolog
• Metody i zastosowania sztucznej inteligencji
• Metody i procedury weryfikacji i walidacji sztucznych sieci neuronowych
• Eksploracja sieci społecznościowej - analiza danych z Facebooka, Twittera, LinkedIn i innych serwisów społecznościowych
• Współczesne wieloczynnikowe techniki statystyczne - regresja, klasyfikacja i uczenie wieloczynnikowe
• Systemy multiagentowe to nowoczesne podejście do rozproszonej sztucznej inteligencji
• Geometria wielu widoków w wizji komputerowej
• Wielowymiarowa analiza danych
• Przetwarzanie języka naturalnego w aplikacjach internetowych Pobieranie, wyodrębnianie i kategoryzacja tekstu
• Sieci neuronowe - kompleksowa podstawa
• Algorytmy, aplikacje i techniki programowania sieci neuronowych
• Sieci neuronowe dla nauk stosowanych i inżynierii
• Optymalizacja numeryczna
• O zaawansowanych technikach LISP dla wspólnego LISP
• Semantyka ontologiczna
• Optymalizacja pod kątem uczenia maszynowego
• Metody optymalizacji roju cząstek dla rozpoznawania wzorców i przetwarzania obrazu
• Rozpoznawanie wzorców
• Rozpoznawanie wzorców i wstępne przetwarzanie obrazu
• Rozpoznawanie wzorców i uczenie maszynowe
• Rozpoznawanie wzorców i rozwiązania z zakresu uczenia maszynowego
• Rozpoznawanie wzorców w przetwarzaniu mowy i języka
• Praktyczne metody optymalizacji
• Przewidywanie, uczenie się i gry
• Probabilistyczne modele graficzne - zasady i techniki
• Robotyka probabilistyczna
• Teoria prawdopodobieństwa - logika nauki
• ROZWIĄZYWANIE PROBLEMÓW Z UCZENIEM WZMOCNIONYM
• Programowanie inteligencji zbiorowej - tworzenie inteligentnych aplikacji web 2.0
• Programowanie sieci neuronowych w Javie
• Prolog i analiza języka naturalnego
• Prolog Programowanie pierwszego kursu
• PROGRAMOWANIE PROLOGOWE DLA SZTUCZNEJ INTELIGENCJI
• OSTATNIE POSTĘPY W SZTUCZNYCH SIECIACH NEURONOWYCH Projektowanie i aplikacje
• Projektowanie i aplikacje rekurencyjnych sieci neuronowych
• Nauka ze wzmcnieniem Wprowadzenie
• Solidne statystyki
• Po prostu schemat przedstawiający informatykę
• Symulowanie ciągłych systemów rozmytych
• Przetwarzanie mowy i języka
• Statyczne i dynamiczne sieci neuronowe od podstaw do zaawansowanej teorii
• Statystyczna teoria uczenia się
• Statystyczne uczenie maszynowe do wyszukiwania informacji
• Statystyczne rozpoznawanie wzorców
• Statystyka - eksploracja i analiza danych
• Successful Lisp Jak zrozumieć i używać Common Lisp
• Program „Teach Yourself Scheme” w dni ustalone
• Podręcznik projektowania algorytmów
• Sztuka Prolog
• Elementy sztucznej inteligencji wykorzystujące Lisp
• Podręcznik stosowanych systemów ekspertowych
• Podręcznik teorii mózgu i sieci neuronowych
• Podręcznik obliczeń ewolucyjnych
• Wizja z kierunkiem Systematyczne wprowadzenie do przetwarzania obrazu i wizji komputerowej
• Pisanie rozszerzeń GNU Emacs

Augmented/Virtual Reality
• Android. Augmented Reality
• Podstawy komputerów do noszenia i rzeczywistości rozszerzonej
• Obecność w przyszłości. Jak rzeczywistość wirtualna zmienia relacje międzyludzkie, intymność i ograniczenia zwykłego życia
• Wirtualna rzeczywistość
• Wirtualna / rozszerzona rzeczywistość dla opornych

Big Data
• Analityka w świecie dużych zbiorów danych. Podstawowy przewodnik po nauce o danych i jej zastosowaniach
• Łatwa analiza dużych zbiorów danych
• Analiza Big Data przy użyciu Splunk
• Analiza Big Data z R i Hadoop.
• Big Data i nauki społeczne . Praktyczny przewodnik po metodach i narzędziach
• Pytania i odpowiedzi dotyczące architektury aplikacji Big Data
• Big Data w pracy Rewolucja nauki o danych i psychologia organizacji.
• Big Data Bootcamp
• Imperatywy Big Data
• Big Data w kognitywistyce
• Big Data w praktyce autorstwa Bernarda Marra
• Big Data MBA Wspieranie strategii biznesowych dzięki nauce o danych
• Big Data Mining i analityczne elementy strategicznego podejmowania decyzji
• Big Data Now!
• Technologie i aplikacje Big Data
• Wizualizacja Big Data
• Big Data, wielka innowacja
• Big Data, Data Mining i Machine Learning
• Strategia Business Intelligence i Big Data Analytics
• Data Science i Big Data Computing
• Wszyscy kłamią
• Big Data, przetwarzanie w chmurze i inżynieria danych
• Maksymalne wykorzystanie Big Data
• Praktyczna analiza dużych zbiorów danych Praktyczne techniki wdrażania analiz korporacyjnych i uczenia maszynowego przy użyciu Hadoop, Spark, NoSQL i R
• SQL w technologii Big Data - architektura i innowacje
• Rynek Big Data Oparta na danych analiza firm korzystających z Hadoop, Spark, Data Science i Machine Learning
• Inteligentna sieć - wyszukiwanie, inteligentne algorytmy i duże zbiory danych
• Jak duże zbiory danych zwiększają nierówności i zagrażają demokracji

Blockchain / Bitcoin
• Podręcznik cyfrowej waluty Bitcoin. Innowacyjne instrumenty finansowe i Big Data
• Bitcoin dla opornych
• Przewodnik techniczny po Bitcoin.
• Przyszłość pieniędzy
• Blockchain - praktyczny przewodnik po programowaniu
• Blockchain - plan nowej gospodarki
• Blockchain - najlepszy przewodnik krok po kroku
• Podstawy Blockchain - nietechniczne wprowadzenie
• Blockchain Revolution
• Blockchain - wszystko, co musisz wiedzieć o technologii kryjącej się za Bitcoinem
• Blockchain dla każdego
• Bloki i łańcuchy - wprowadzenie do Bitcoin, kryptowalut i ich mechanizmu konsensusu
• Bloki i łańcuchy
• Wszystko, co musisz wiedzieć o nowej walucie światowej
• Dzisiejszy kompletny przewodnik po walucie jutra
• Kryptowaluta: przewodnik dla początkujących
• Programowanie Open Blockchain
• BITCOIN DLA ODURZONYCH
• Era kryptowalut
• Anatomia pieniądza takiego jak towar informacyjny Badanie Bitcoina
• Bitcoin.Big Bang
• Przewodnik dla początkujących po tworzeniu rozwiązań Blockhain

Business Intelligence
• Mapa drogowa analizy biznesowej
• Strategia Business Intelligence i Big Data Analytics
• Narzędzia Business Intelligence dla małych firm
• Podstawy Business Intelligence

Cloud Computing
• Budowanie infrastruktury dla bezpieczeństwa w chmurze.
• Chmura obliczeniowa - teoria i praktyka
• Wdrażanie, zarządzanie i bezpieczeństwo przetwarzania w chmurze
• Zasady i paradygmaty przetwarzania w chmurze
• Bezpieczeństwo przetwarzania w chmurze - podstawy i wyzwania
• Aplikacje internetowe w chmurze, które zmieniają sposób pracy i współpracy online
• Przetwarzanie w chmurze z platformą Windows Azure
• Chmura obliczeniowa
• Przetwarzanie w chmurze dla humanistów
• Kod w chmurze Pragmatic Programmers
• Kod w chmurze - programowanie Google AppEngine
• Przetwarzanie w chmurze przestrzennej, praktyczne podejście
• Przetwarzanie w chmurze - modele, wdrażanie i bezpieczeństwo
• Digital Forensics dla sieci, Internetu i przetwarzania w chmurze
• Podręcznik chmury obliczeniowej
• Zarządzanie danymi w chmurze
• Podstawy przetwarzania w chmurze, zrozumienie podstaw przetwarzania w chmurze w teorii i praktyce
• Kompletny podręcznik przetwarzania w chmurze
• Przewodnik po zasadach i praktyce przetwarzania w chmurze

Data Science
• Algorytmy dla Data Science
• Początek Data Science w R. Analiza, wizualizacja i modelowanie danych dla naukowców zajmujących się danymi
• Ocena inżynierii informatycznej ryzyka cybernetycznego z Data Science
• Data Science - analityka i aplikacje
• Data Science and Big Data Analytics. Wykrywanie, analizowanie, wizualizacja i prezentowanie danych
• Ramy i metodologie nauki o danych i dużych zbiorów danych
• Data Science w wierszu poleceń.Spojrzenie w przyszłość dzięki sprawdzonym narzędziom
• Data Science. Twórz zespoły, które zadają właściwe pytania i dostarczają rzeczywistą wartość
• Data Science. Podstawy w Pythonie Zbieraj - Organizuj - Eksploruj - Przewiduj - Wartość
• Data Science for Business. Co musisz wiedzieć o eksploracji danych i myśleniu analitycznym
• Data Science we współczesnej produkcji. Globalne trendy Analiza dużych zbiorów danych w przemysłowym internecie rzeczy
• Definicje Data Science. Geometria i topologia złożonych systemów hierarchicznych oraz analiza dużych zbiorów danych
• Data Science w Google Cloud Platform, wdrażanie potoków danych w czasie rzeczywistym, od przetwarzania do uczenia maszynowego
• Data Science z Microsoft SQL Server
• Nauka o danych w Google Cloud Platform. Wdrażanie potoków danych w czasie rzeczywistym od przetwarzania do uczenia maszynowego
• Książka kucharska Data Science.
• Praktyczna Data Science z R.
• Praktyczne techniki Data Science w Pythonie
• Zasady Data Science. Naucz się technik i matematyki, których potrzebujesz, aby zacząć nadawać sens swoim danym
• Python Data Science Cookbook. Ponad 60 praktycznych przepisów, które pomogą Ci poznać język Python i jego solidne możliwości nauki o danych
• Podręcznik Data Science w języku Python Niezbędne narzędzia do pracy z danymi
• Miękkie metody Data Science
• Podręcznik projektowania Data Science
• Podręcznik Data Science

Data Mining
• Praktyczny przewodnik po eksploracji danych dla biznesu i przemysłu
• Zaawansowane wyszukiwanie i aplikacje danych
• Eksploracja danych - praktyczne narzędzia i techniki uczenia maszynowego
• Eksploracja danych
• Data Mining .Podkład oparty na samouczku
• Eksploracja i analiza danych Podstawowe pojęcia i algorytmy
• Data Mining i Big Data
• Data Mining i Business Analytics z R.
• Aplikacje eksploracji danych i analizy uczenia się w badaniach edukacyjnych
• Eksploracja danych i statystyki do podejmowania decyzji
• Koncepcje i techniki eksploracji danych
• Data Mining for Business Analytics Concepts, Techniques and Applications in R
• Eksploracja danych dla koncepcji, technik i aplikacji analizy biznesowej za pomocą JMP Pro
• Eksploracja danych dla koncepcji, technik i aplikacji analizy biznesowej za pomocą XLMiner
• Eksploracja danych dla koncepcji, technik i aplikacji Business Intelligence w programie Microsoft Office Excel za pomocą XLMiner
• Metody i zastosowania eksploracji danych Matematyka dyskretna i jej zastosowania
• Urządzenia mobilne do eksploracji danych
• Data Mining Praktyczne narzędzia i techniki uczenia maszynowego
• Data Mining Podręcznik
• Data Mining with R Learning with Case Studies
• Projektowanie i wdrażanie narzędzi eksploracji danych
• EKSPLOATACJA DANYCH HANDLOWYCH
• DATA MINING. APLIKACJE Z R
• Encyklopedia uczenia maszynowego i eksploracji danych
• Metody zespołowe w eksploracji danych
• Nauka eksploracji danych w Pythonie
• Opanowanie eksploracji danych w Pythonie - znajdź wzorce ukryte w swoich danych
• Zasady eksploracji danych
• R Schematy eksploracji danych
• Przejrzyste wyszukiwanie dużych i małych danych
• Visual Data Mining Podejście VisMiner
• Eksploracja danych z teorią drzew decyzyjnych i zastosowaniami

Deep Learning
• Delikatne wprowadzenie do głębokiego uczenia się przy użyciu Keras
• Deep Learning - praktyczne sieci neuronowe w języku Java • Deep Learning. Podejście praktyka
• Deep Learning dla biometrii
• Deep Learning dla architektów komputerów
• Deep Learning do przetwarzania języka naturalnego
• Łatwe uczenie głębokie dzięki R. Delikatne wprowadzenie do nauki o danych • Wymagania wstępne dotyczące głębokiego uczenia się Regresja logistyczna w języku Python
• Wymagania wstępne dotyczące głębokiego uczenia się. Stos Numpy w Pythonie
• Deep Learning z Hadoop Twórz, wdrażaj i skaluj rozproszone modele uczenia głębokiego dla dużych zestawów danych
• Głębokie uczenie z Pythonem - praktyczne wprowadzenie
• Głębokie uczenie z Pythonem Praktyczne wprowadzenie
• Deep Learning w Pythonie
• Deep Learning
• Deep Learning with Keras
• Zanurzenie się w Deep Learning
• Nauka TensorFlow Przewodnik po tworzeniu systemów głębokiego uczenia
• Podstawy Deep.Learning
• Rozwiązania Tensorflow do głębokiego uczenia się dla obrazów
• Nauka TensorFlow. Przewodnik po tworzeniu systemów głębokiego uczenia
• Automatyczne rozpoznawanie mowy Podejście do głębokiego uczenia się

Internet of Things [Internet Rzeczy]
• Nadużywanie internetu rzeczy
• Budowa Internetu rzeczy Wdrażanie nowych modeli biznesowych
• Tworzenie Internetu rzeczy za pomocą protokołów IPv6 i MIPv6
• Tworzenie Itrnet-of-Things-Implement-New-Business-Models
• Komórkowy internet rzeczy - technologie, standardy i wydajność
• Design World - Podręcznik Internetu rzeczy
• Projektowanie internetu rzeczy
• Internet przedmiotów - architektury, protokoły i standardy
• Internet rzeczy - mity i fakty
• Podręcznik Internetu rzeczy i analizy danych
• Zasady i paradygmaty Internetu rzeczy
• Internet rzeczy z książką kucharską Arduino
• Internet of Things z Arduino Yun
• Technologie RFID dla Internetu rzeczy (sieci bezprzewodowe)
• Internet rzeczy (IoT)
• Internet rzeczy - kluczowe aplikacje i protokoły
• Projektowanie internetu rzeczy
• Windows 10 dla Internetu rzeczy
• Programowanie Internetu rzeczy z JavaScript.pdf

Machine Learning
• Wprowadzenie do uczenia maszynowego
• Rozumowanie bayesowskie i uczenie maszynowe
• Analiza danych za pomocą narzędzi open source
• Dynamic Fuzzy Machine Learning
• Elementy nauki statystycznej
• Procesy Gaussa w uczeniu maszynowym
• Praktyczne uczenie maszynowe ze Scikit-Lear
• Praktyczne uczenie maszynowe ze Scikit-Learn i TensorFlow
• Teoria informacji, wnioskowanie i algorytmy uczenia się
• Wprowadzenie do uczenia maszynowego
• Metody jądra do analizy wzorców
• Wnioskowanie na dużą skalę - empiryczne metody Bayesa do estymacji, testowania i przewidywania
• Nauka głębokich architektur dla AI
• Nauka z kernels
• Machine Learning - z perspektywy algorytmicznej
• Machine. Learning Podejście oparte na ograniczeniach
• Uczenie maszynowe i poznanie w przedsiębiorstwach. Transformacja Business Intelligence
• Uczenie maszynowe i inteligentna komunikacja, część I
• Uczenie maszynowe i inteligentna komunikacja, część II
• Uczenie maszynowe i jego aplikacje
• Uczenie maszynowe i odkrywanie wiedzy w bazach danych Część I
• Uczenie maszynowe i odkrywanie wiedzy w bazach danych, część II
• Uczenie maszynowe i odkrywanie wiedzy w bazach danych Część III
• Uczenie maszynowe dla początkujących - kompleksowy przewodnik dla początkujących po uczeniu maszynowym
• Uczenie maszynowe dla decydentów Podstawy obliczeń poznawczych dla lepszego podejmowania decyzji
• Uczenie maszynowe dla programistów. Wzbogać swoje zwykłe aplikacje o statystyki, analizy i uczenie maszynowe
• Uczenie maszynowe na potrzeby filtrowania spamu e-mail i skrzynki odbiorczej priorytetów
• Machine Learning for the Quantified Self O sztuce uczenia się na podstawie danych sensorycznych
• Praktyczne ćwiczenia z uczeniem maszynowym dla programistów i specjalistów technicznych
• Uczenie maszynowe w wizji komputerowej
• Uczenie maszynowe w języku Python
• Uczenie maszynowe w Pythonie Podstawowe techniki analizy predykcyjnej
• Projekty uczenia maszynowego dla programistów .NET
• Uczenie maszynowe z R
• Machine Learning with Spark Tworzenie inteligentnych systemów uczenia maszynowego w Spark 2.x
• Machine Learning, Game Play i Go
• Uczenie maszynowe, klasyfikacja neuronowa i statystyczna
• Uczenie maszynowe, optymalizacja i duże zbiory danych
• Opanowanie uczenia maszynowego z R. Opanowanie technik uczenia maszynowego za pomocą języka R w celu uzyskania wglądu w złożone projekty
• Uczenie maszynowe w języku Python w sześciu krokach
• Eksploracja sieci społecznościowych - analiza danych z Facebooka, Twittera, LinkedIn i innych serwisów społecznościowych
• Sieci neuronowe dla nauk stosowanych i inżynierii
• Open Source dla Ciebie Jak uczą się maszyny - nauka o danych i uczenie maszynowe Październik
• Rozpoznawanie wzorców i uczenie maszynowe
• Praktyczne uczenie maszynowe Rozwiązuj rzeczywiste zawiłości współczesnego uczenia maszynowego dzięki innowacyjnym i najnowocześniejszym technikom
• Probabilistyczne modele graficzne - zasady i techniki
• Programowanie inteligencji zbiorowej - tworzenie inteligentnych aplikacji web 2.0
• Skalowanie w górę podejścia równoległego i rozproszonego uczenia maszynowego
• Statystyczna teoria uczenia się
• Odkrywanie wiedzy wizualnej i uczenie maszynowe

Mechatronika
• Podstawy i zastosowania mechatroniki
• Mechatronika z eksperymentami
• Mechatronika