本书是美国奥林工程学院Allen B. Downey教授以20世纪80年代兴起的复杂性科学这一领域的前沿研究成果为载体，在近十几年教学科研过程中积累而成的本书。本书内容主要分三部分：壹部分主要对复杂性科学概念、范式和科学模式，以及复杂工程和复杂性思维等方面进行了介绍；二部分主要从图论、小世界图、无标度网络、元胞自动机等方面对其经典算法及其实现进行了介绍；三部分主要从物理建模、自组织临界性、智能体模型、兽算法、进化和合作进化等方面进行了介绍和实现。通过阅读本书，你将更加深入地理解图、算法分析、无尺度网络与细胞自动机，使用Python这种强大的语言所提供的特性。作为Python编程与算法的理想教材，本书还有助于自学者掌握关于他们可能未曾谋面的主题与想法的宝贵经验。

本书系统地讲解内核级别漏洞利用所需的理论技术和方法，并将其应用于主流操作系统——UNIX家族、Mac OS X和 Windows。本书分4个部分：第一部分介绍漏洞利用的目标、内核以及理论基础；第二部分深入介绍了目前主流操作系统的细节，并针对不同错误类别分别编写了漏洞利用程序。第三部分将关注点从本地场景转移到远程利用的情景；第四部分介绍未来内核的攻防模式。本书不仅从软件安全研究人员的角度谈论如何发现软件漏洞，也从软件开发者的角度给出了防止软件出现漏洞的方法，以帮助软件编程人员开发出安全的软件系统。
本书内容详实，实例丰富，可操作性强，涉及主流操作系统内核漏洞利用的各个方面，适合软件开发人员、测试人员、安全工程师等阅读。

我们在与环境交互的过程中进行学习，经历的奖励
或惩罚将指导我们未来的行为。深度强化学习将该过程
引入人工智能领域，通过分析结果来寻找最有效的前进
方式。DRL智能体可提升营销效果、预测股票涨跌，甚
至击败顶尖围棋高手和国际象棋大师。
《深度强化学习图解》呈现生动示例，指导你构建
深度学习体系。Python代码包含详明、直观的注释，助
你深刻理解DRL技术。你将学习算法的运行方式，并学
会用评估性反馈来开发自己的DRL智能体。
本书主要内容包括:
●强化学习入门
●行为与人类似的DRL智能体
●在复杂情况下应用DRL
本书适用于具有基础深度学习经验的开发者。