内容简介这是一本全面讲解RAG技术原理、实战应用与系统构建的著作。作者结合自身丰富的实战经验，详细阐述了RAG的基础原理、核心组件、优缺点以及使用场景，同时探讨了RAG在大模型应用开发中的变革与潜力。书中不仅揭示了RAG技术背后的数学原理，还通过丰富的案例与代码实现，引导读者从理论走向实践，轻松掌握RAG系统的构建与优化。无论你是深度学习初学者，还是希望提升RAG应用技能的开发者，本书都将为你提供宝贵的参考与指导。通过阅读本书，你将掌握以下知识：?透彻理解RAG的召回和生成模块算法?高级RAG系统的技巧?RAG系统的各种训练方式方法?深入了解RAG的范式变迁?实战0基础搭建RAG系统?实战高级RAG系统微调与流程搭建

本书旨在采用一种符合读者认知角度且能提升其学习效率的方式来讲解深度学习背后的基础知识。 本书总计9章，深入浅出地介绍了深度学习的理论与算法基础，从理论到实战全方位展开。前三章旨在帮助读者快速入门，介绍了必要的数学概念和工具的用法。后六章沿着深度学习的发展脉络，从最简单的多层感知机开始，讲解了深度神经网络的基本原理、常见挑战、优化算法，以及三大典型模型（基础卷积神经网络、基础循环神经网络和注意力神经网络）。 本书系统全面，深入浅出，且辅以生活中的案例进行类比，以此降低学习难度，帮助读者迅速掌握深度学习的基础知识。本书适合有志于投身人工智能领域的人员阅读，也适合作为高等院校人工智能专业的教学用书。

本书旨在采用一种符合读者认知角度且能提升其学习效率的方式来讲解深度学习背后的核心知识、原理和内在逻辑。 经过基础篇的学习，想必你已经对深度学习的总体框架有了初步的了解和认识，掌握了深度神经网络从核心概念、常见问题到典型网络的基本知识。本书为核心篇，将带领读者实现从入门到进阶、从理论到实战的跨越。全书共7章，前三章包括复杂CNN、RNN和注意力机制网络，深入详解各类主流模型及其变体；第4章介绍这三类基础模型的组合体，即概率生成模型；第5章和第6章着重介绍这些复杂模型在计算机视觉和自然语言处理两大最常见领域的应用；第7章讲解生成式大语言模型的内在原理并对其发展趋势予以展望。 本书系统全面，深入浅出，且辅以生活中的案例进行类比，以此降低学习难度，能够帮助读者迅速掌握深度学习的基础知识。本书适合有

这是一本能指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，本书提供了全栈解决方案。 第1版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为PyTorch领域的标准著作。第2版在第1版的基础上，去芜存菁，与时具进，根据PyTorch新版本全面升级，技术性、实战性、针对性、丰富性、易读性均得到了进一步提升，必定能帮助读者更轻松、更高效地进入深度学习的世界。 全书一共19章，在结构上分为三大部分： 第1部分（第1~4章） PyTorch基础 首先有针对性地讲解了Python和PyTorch的基石NumPy中的关键知识，然后详细讲解了PyTorch的基础知识、神经网络工具箱和数据处理工具箱等内容，帮助读者快速了解和掌握PyTorch。 第二部分（第5~10章） 深度学习基础 依次讲解了机器学习、视觉处理、自然语言处理、注意力机制、目标检测、

这是一本从技术与管理角度全景式介绍智能汽车电子与软件的著作，涵盖行业背景、组织架构、项目管理、开发方法、系统集成、流程体系、人员搭建、核心标准、开发工具链、痛点及展望等核心内容。本书是作者在博世等头部Tier 1与OEM企业10余年技术与管理经验总结，得到了来自华为、腾讯、广汽、长城、极氪、蔚来、小鹏等20余家车企和机构的25位专家高度评价和推荐。 第1章从行业发展的里程碑、技术演变、行业格局、安全问题、量产落地、传统汽车与互联网的融合等角度阐释了汽车行业的特点，有助于读者理解软件在汽车行业落地与深化时碰到的一些现象或问题。 第2章从Tier 1与OEM的组织模式特点及软件所处位置开始，引出组织变化与融合的趋势，并以软件质量为例提出了软件体系进入汽车企业的路径，为读者提供参考思路。 第3章从汽车软件全生命周期和

这是一本讲解如何用ChatGPT、Github Copilot X、Cursor等主流AIGC工具优化和提升软件开发全流程效率和质量的实战性著作。 全书以软件开发的流程位主线来组织内容，详细讲解了程序员、架构师、项目经理、产品经理、技术团队管理者们如何在技术方案构建、需求文档撰写、代码编写与注解、客户端开发、前端开发、后端开发、测试和调试、性能优化、疑难问题解决、产品设计、软件架构与设计、应试与面试12个主题充分发挥AIGC工具的潜能，在提高研发效率和质量的同时，提升自身的实力。 AIGC工具在软件研发12个主题的使用方法，全部以实战项目案例的方式展开讲解，有具体的工程化思路，也有可复用的提示词，还有对使用经验的总结和注意事项的提醒。只要跟着本书的案例实操一遍，就能顺利跃迁为AI时代的新程序员，与AI共同进化，成为不被AI淘汰的人。

本书是一本论述系统虚拟化原理与实践的专业图书。全书分为6章,第1章概述系统虚拟化的基本 概念、发展历史、趋势展望、主要功能和分类,以及目前典型的虚拟化系统,并介绍openEuler操作系统的虚 拟化技术。第2~4章分别介绍系统虚拟化的三大组成部分: CPU 虚拟化、内存虚拟化和I/O 虚拟化的相 关原理,并配备相应实验便于读者理解。第5章介绍基于ARMv8的鲲鹏虚拟化架构,并概述其CPU、中 断、内存、I/O 和时钟虚拟化的基本原理。第6章结合代码讲解轻量级虚拟化平台StratoVirt的基本原理 和技术特点,读者可以跟随本书从零开始打造一个具备基本功能的轻量级虚拟化平台。 为便于读者高效学习、深入掌握系统虚拟化的基本原理,本书的源代码及安装运行说明均保存于 GiantVM 和 StratoVirt开源社区。后续将通过开源社区进行代码更新和线上交流。 本书可作为相关领域工程技术人

《PyTorch深度学习之目标检测》首先从人工智能产业的发展史和机器 眼中 的图像世界开始讲述，逐步引导读者进入机器学习的图像处理当中；然后讲解深度学习中实现目标检测的主要算法，和以PyTorch框架为基础构建的神经网络；后的实战部分详细讲解了如何使用目标检测算法实现具体项目。 全书共10章，涵盖内容包括：人工智能的历史和发展前景、深度学习的基础知识、卷积神经网络基础知识、PyTorch基础、目标检测算法、单阶段目标检测算法、双阶段目标检测算法、神经网络示例、污损遮挡号牌识别实战和地形目标识别实战。

本书从原理和实战两个方面介绍了强化学习。原理方面，深入介绍了主流强化学习理论和算法，覆盖资格迹等经典算法和MuZero等深度强化学习算法；实战方面，每章都配套了编程案例，以方便读者学习。 全书从逻辑上分为三部分。 第1章：从零开始介绍强化学习的背景知识，介绍环境库Gym的使用。 第2～15章：基于折扣奖励离散时间Markov决策过程模型，介绍强化学习的主干理论和常见算法。采用数学语言推导强化学习的基础理论，进而在理论的基础上讲解算法，并为算法提供配套代码实现。基础理论的讲解突出主干部分，算法讲解全面覆盖主流的强化学习算法，包括经典的非深度强化学习算法和近年流行的强化学习算法。Python实现和算法讲解一一对应，还给出了深度强化学习算法的TensorFlow和PyTorch对照实现。 第16章：介绍其他强化学习模型，包括平均奖励模型、

《深度学习经典案例解析（基于MATLAB）》分为 基础篇 应用篇 和 实战篇 。通过17个案例循序渐进地介绍了深度学习网络的构建、训练、应用，以及如何基于MATLAB快速生成可执行的C、C 代码并在硬件上部署实现，内容讲解由浅及深、层层递进。本书所讲解的案例均配有代码实现，并对代码进行了详细注解，读者可通过阅读代码对本书讲解的内容进行更加深入的了解。《深度学习经典案例解析（基于MATLAB）》适合对人工智能、深度学习技术感兴趣的工程技术人员阅读，也适合人工智能、计算机科学技术相关专业的本科生、研究生学习参考。

语音降噪处理是信号处理的重要分支领域。近年来，该领域在人工智能与深度学习技术的驱动下取得了突破性进展。本书系统总结语音降噪处理的深度学习方法，尽可能涵盖该方法的前沿进展。全书共分8章。第 1章是绪论；第 2章介绍深度学习的基础知识和常见的深度网络模型；第 3～6章集中介绍基于深度学习的语音降噪处理前端算法，其中，第 3章介绍语音检测，第4章介绍单通道语音增强，第5章介绍多通道语音增强，第6章介绍多说话人语音分离；第7章和第 8章分别介绍基于深度学习的语音降噪处理在声纹识别和语音识别方面的应用，其中着重介绍基于深度学习的现代声纹识别、语音识别基础和前沿进展。 本书专业性较强，主要面向具备一定语音信号处理和机器学习基础、致力于从事智能语音处理相关工作的高年级本科生、研究生和专业技术人员。

《Python 自然语言处理入门》是一本使用 Python 解释在人工智能领域备受关注的自然语言分析方法的入门书，内容涵盖 检索技术 实体提取 关系提取 语素分析 和 评估 / 情感 / 概念分析 等自然语言处理中的常用知识，同时对传统技术和引入了 AI 新技术的特点作了对比。全书以一线 AI工程师的实际项目经验为后盾，对自然语言处理的要点进行了归纳总结，并介绍了使用 Python 程序、API、商业服务（IBM Watson）和 OSS（MeCab / Elasticsearch / Word2Vec）等进行自然语言处理的实用方法，在后一章中，还介绍了 BERT 的相关内容，特别适合想学习自然语言处理的理工科学生和人工智能工程师进行参考和学习。

本书讲解了经典的高级机器学习算法原理与知识，包括常见的监督学习、无监督学习、概率图模型、核方法、深度神经网络，以及强化学习等内容，同时更强调动手实践。所有算法均利用PyTorch计算框架进行实现，并且在各章节配备实战环节，内容涵盖点击率预估、异常检测、概率图模型变分推断、高斯过程超参数优化、深度强化学习智能体训练等内容。 本书附赠所有案例的源代码及各类学习资料来源，适合具有一定编程基础的人工智能爱好者学习，也是相关从业者和研究人员的学习指南。

本书介绍了经典人工智能（逻辑或演绎推理）和现代人工智能（归纳学习 经网络）之间的覆盖范围。分别阐述了三类方法： 演绎推理方法： 这些方法从预先定义的假设开始，并对其进行推理，以得出合乎逻辑的结论。底层方法包括搜索和基于逻辑的方法。这些方法在第 1 章到第 5 章中讨论。归纳学习方法：这些方法从例子开始，并使用统计方法来得出假设。示例包括回归建模、支持向量机、神经网络、强化学习、无监督学习和概率图形模型。这些方法在第 6 章到第 11 章中讨论。整合推理和学习：第 12 章和第 13 章讨论整合推理和学习的技术。例子包括知识图谱和神经符号人工智能的使用。

本书全面介绍自动机器学习，主要包含自动机器学习的方法、实际可用的自动机器学习系统及目前所面临的挑战。在自动机器学习方法中，本书涵盖超参优化、元学习、神经网络架构搜索三个部分，每一部分都包括详细的内容介绍、原理解读、具体运用方法和存在的问题等。此外，本书还具体介绍了现有的各种可用的AutoML系统，如Auto-sklearn、Auto-WEKA及Auto-Net等，并且本书*后一章详细介绍了具有代表性的AutoML挑战赛及挑战赛结果背后所蕴含的理念，有助于从业者设计出自己的AutoML系统。 本书英文版是国际上*本介绍自动机器学习的英文书，内容全面且翔实，尤为重要的是涵盖了z新的AutoML领域进展和难点。本书作者和译者学术背景扎实，保证了本书的内容质量。 对于初步研究者，本书可以作为其研究自动机器学习方法的背景知识和起点；对于工业界从业人员，本书全

本书分十大章节和三章附录章节，以现代体系结构特征为目标，从理论、方法及应用等不同角度，详细描述了各种提升程序并行性、数据局部性及适配目标架构特征的高级编译优化技术。本书还结合深度学习应用场景展开讨论，介绍了如何在深度学习框架中使用高级编译优化技术。

本书基于联想集团的智能化转型历程，以及转型过程中沉淀的经验和方法，包含智能化转型战略，智能业务运营（主价值链中智能产研，智能供应链，智能营销，智能服务，以及辅助价值链中的人力，财务，法务等）、 数字底座的建设与发展，数字化人才与组织，智能化转型方法论以及服务其他企业转型的典型案例等内容。

TensorFlow是2015年年底开源的一套深度学习框架，也是目前*活跃的深度学习框架之一。本书从深度学习的基础讲起，深入TensorFlow的基本框架、原理、源代码和实现等各个方面，其目的在于降低学习门槛，为读者解决问题提供详细的方法和指导。本书主要内容包括：人工智能简介，TesnorFlow的环境搭建、可视化、基础知识、聚类分析、回归分析、支持向量机，TensorFlow实现卷积神经网络、循环神经网络、深度神经网络等。 本书适合作为对深度学习感兴趣的初学者的参考用书，也适合作为人工智能、计算机等相关专业深度学习课程的教材。

本书由来自日本的三位机器人专家撰写，主要讲解仿人机器人的分析、设计和控制中使用的模型。首先介绍仿人机器人领域的发展历史，总结当前的先进成果。接下来介绍运动学、静力学和动力学相关的理论基础，并对双足平衡控制方法进行了综述。然后讨论多指手机器人、双臂机器人和多机器人系统的协作物体操作的模型和控制算法。之后介绍仿人机器人的运动生成和控制，以及这些技术的应用。 后介绍仿真环境，并提供使用基于MATLAB的模拟器进行动力学仿真的详细步骤。本书要求读者具备一定的背景知识，适合进阶阶段的研究人员阅读。

《TensorFlow 开发入门》是一本面向 AI 工程师的入门书籍，介绍了从 TensorFlow 基 础知识到使用一个高级 API Keras 构建深度学习模型的相关内容。全书共 12 章，分 2 部分进行介绍，其中第 1 部分为基础篇，介绍了深度学习、TensorFlow 和 Keras 的基础知识； 第 2 部分为应用篇，介绍了如何使用 Keras 在图像处理中构建深度学习模型，如 噪声去 除 自动着色 超分辨率成像 画风转换 和 图像生成 等。本书示例丰富，可操 作性较强，配套代码与 Jupyter Notebook 兼容，特别适合想从事人工智能开发、机器学习 / 深度学习工程师作为参考书学习。

本书系统介绍了知识图谱的概念、发展历程、技术体系、前沿技术与应用实践。在基础知识方面，本书囊括了知识图谱从源数据到产生决策的全生命周期的各个环节，分析了数据图谱和知识图谱的核心区别，介绍了图谱构建和知识表示等相关关键技术。在前沿技术方面，全面介绍了知识图谱自动构建、知识图谱融合和智能推理等问题和挑战。在应用实践方面，结合营销智能国家新一代人工智能开放创新平台建设，介绍了知识图谱在信息检索、推荐系统、可视化、问答机器人等场景下的实际操作案例。