人工智能时代一种全新的技术——Agent正在崛起。这是一种能够理解自然语言并生成对应回复以及执行具体行动的人工智能体。它不仅是内容生成工具，而且是连接复杂任务的关键纽带。本书将探索Agent的奥秘，内容包括从技术框架到开发工具，从实操项目到前沿进展，通过带着读者动手做7个功能强大的Agent，*解析Agent的设计与实现。本书*展望了Agent的发展前景和未来趋势。 本书适合对Agent技术感兴趣或致力于该领域的研究人员、开发人员、产品经理、企业负责人，以及高等院校相关专业师生等阅读。读者将跟随咖哥和小雪的脚步，踏上饶有趣味的Agent开发之旅，*接触GPT-4模型、OpenAI Assistants API、LangChain、LlamaIndex和MetaGPT等*技术，见证Agent在办公自动化、智能调度、知识整合以及检索增强生成（RAG）等领域的非凡表现，携手开启人工智能时代的无限可能，在

如果你是一名大学生，正在犹豫要不要入行软件工程。但不知道它的真实面貌是什么，隐形的代价有哪些，怎么办？ 如果你刚入行软件工程，起初，你感到新奇而陌生，但是有一肚子的问题不知道问谁；后来，你想快速成长，独当一面，但是不知道该修炼哪些关键能力，怎么办？ 如果你想转行做软件工程师，眼看着奔三奔四。学习和培训的门槛高吗？怎样快速学习，让理论变成实践？你每天焦虑不安，怎么办？ 别着急！问题的根源来自于选择背后的不确定性。这本书就是让软件工程行业的高手，从入门到进阶，手把手带你预演一遍这个职业，大大降低你职业规划的不安全感和不确定感。 本书部分行业地图，带你俯瞰软件工程师有什么特点；第二至四部分从新手到高手，带你预演完整的职业进阶之路，帮你看清挑战和成长分别是什么；第五部分行业大神，带你

本书为读者提供了一个前瞻性视角，了解人工智能未来几年的前景如何。人工智能将带来无数的商业机会和风险。本书提供了必要的信息，使读者能够以实际可行的方式掌握这一切，包括：根据需要找到现成的人工智能解决方案；通过执行成本/收益分析，将人工智能纳入业务战略；在 投入前训练和测试人工智能；组建良好人工智能团队的方式；确保保持 的方式。本书还包含了作者与各行业知名企业家及人工智能专家的对话，读者可从中了解到，通过使用这种革命性技术，哪些行业和企业正在以令人兴奋的方式进行自我改造。

本书从数学、哲学、计算机科学、神经科学和人工智能等角度，全面阐述了贝叶斯理论背后的基础知识、思维方式和丰富哲理。贝叶斯定理一旦与算法相结合，就不再是一套枯燥的数学理论或认识论，而变成了应用广泛的知识宝库，催生了众多现代数学定理，以及令人称道的实践成果。作者一改传统的数学探讨模式，不仅展现了贝叶斯理论背后的科学思想，还阐述了它与人类思维之间的深刻关系，并对各相关领域和人工智能的发展进行了展望。本书适合喜爱数学、算法、机器学习、人工智能、逻辑学和哲学的大众读者，读者无须过多数学和算法知识就能读懂。

本书深入讲解神经网络和深度学习技术，侧重于阐释深度学习的核心概念。作者以技术原理为导向，辅以贯穿全书的MNIST手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利用这些知识改进深度学习项目。学完本书后，读者将能够通过编写Python代码来解决复杂的模式识别问题。

近年，人工智能热潮席卷而来。本书以图解的方式网罗了人工智能开发 的基础知识，内容涉及机器学习、深度学习、强化学习、图像和语音的模式识别、自然语言处理、分布式计算等热门技术。全书以图配文，深入浅出，是一本兼顾理论和技术的人工智能入门教材。旨在帮助读者建立对人工智能技术的整体印象，为今后深入探索该领域打下基础。另外，书中设有专栏和“小贴士”，介绍了相关术语的背景知识，可帮助读者扩充知识面，进一步理解相关技术。

本书深入介绍了人工智能六十余年发展里程中出现的重要历史事件、理论学说和所取得的激动人心的成果；也从科普的角度，尽可能以不依赖数学等专业知识的方式去介绍这些成果背后的理论与算法。读者可以通过本书对人工智能学科发展里程的解析体会到人工智能的创造者和推动者们所希望的智能理论和产品是如何工作的。无论是与人工智能产业相关的研发人员，还是这个领域的专业研究人员，或是信息科学和计算机科学的爱好者们，都能从本书中得到启发。

撰写主旨——“深度学习”是21世纪型学校变革的风向标，也是我国 “新课程改革”以来一直倡导的教学指导方针。“深度学习”指向学生高阶智能的发展，以及健全人格的养成。因此，倘若离开了当代学习科学的指引，漠视“课堂转型”的挑战，却高谈阔论“深度学习”，纯粹是一句空话而已。本书旨在梳理 教育界掀起的“深度学习”的思潮及其成果——包括理论基础、实施模型、实践案例，借此为我国新时代教学理论的建构和一线教师的教学创造，提供鲜活的理论与经验。

本书对知识这一理解和驱动世界发展的隐形力量进行了深入研究，对其含义、发展机制、其对于个体意识和社会价值的塑造，以及其在人工智能领域的进展进行了全面剖析。是一本 扎实的，研究知识的本质与其重要作用的学术书籍。 本书共由三部分组成。 部分由三章组成，将知识作为一种真实有用的信息，以及计算机和人类发展和管理知识的过程呈现出来。 第二章确定了关于知识的三个基本问题:目的论、本体论和灵知论。第三章概述了信息学的基本概念。用 简单的术语解释了知识如何被定义为信息，并讨论了它的发展和应用所带来的关键问题。第四章讨论了知识发展的原则，以及这些原则产生的限制。 第二部分由两章组成，分析了计算过程和物理现象之间的关系，以及机器和人类对知识的生产和应用。 第五章考察了信息学和物理学之间的关系

·人工智能并不是一个新鲜的概念，自提出到现在已经有半个多世纪的时间，期间经过了跌宕起伏的发展历程。 ·作者从专业的角度，深入浅出，梳理了人工智能发展的历程，其经历的不同阶段概况，如今很前沿的发展现状以及面临的困境，并探讨了其未来发展的可能性，堪称一部精彩的人工智能进化史。 ·作者玛格丽特·博登具有深厚的跨学科背景，她将心理学、医学、哲学等领域的知识融会贯通，与自己对人工智能的研究相结合，生发出独特而深刻的洞见，被誉为“人工智能领域的女性女人”。

TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。郑泽宇、梁博文、顾思宇著的《TensorFlow(实战Google深度学习框架第2版)》为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。 第2版将书中所有示例代码从TensorFlow 0．9．0升级到了TensorFlow 1．4．0。在升级API的同时，第2版也补充了 多只有TensorFlow 1．4．0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。 本书适用于想要使用深度学习或TensorFlow的数据科学家、工程师，希望了解深度学习

《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本

本书从物体检测的概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了Faster RCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，本书进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势，从实战角度给出了多种的解决方法，便于读者 深入地掌握物体检测技术，从而做到在实际项目中灵活应用。 本书共10章，涵盖的主要内容有物体检测与PyTorch框架基础概念与背景；PyTorch基础知识；基础卷积网络Backbone；两阶经典检测器Faster RCNN；单阶多层检测器SSD；单阶经典检测器YOLO；模型加速之轻量化网络；物体检测细节处理；物体检测难点问题；物体检测的未来发展。本书适合PyTorch框架爱好者和物体检测相关从业人员阅读，也适合深度学习和计算机视觉领域的研究人员阅读。

《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

《研究之美（英汉对照）》是计算机科学大师、“算法分析之父”高德纳（Donald?E.?Knuth）在20世纪70年代旅居挪威时撰写的适用于计算机科学的一种全新基础数学结构的情景小品。全书以一对追求自由精神生活的青年男女为主人公，展开了一段对于该种全新结构的发现和构造的对白。在此过程中，本书充分展示了计算机科学的从业人员进行全新领域探索时所的怀疑、立论、构造、证明、归纳、演绎等逻辑推理和深入反思的能力。本书可以看作是读懂高德纳的艰深著作《计算机程序设计艺术》和《具体数学》的钥匙。

本书自成一体，如果你既想了解CNN的原理，又想获得将CNN应用于计算机视觉的一手经验，那么本书将非常适合阅读。书中对CNN进行了全面介绍，首先是神经网络的基本概念：训练、正则化和优化。然后讨论了各种各样的损失函数、网络层和流行的CNN架构，回顾了评价CNN的不同技术，并介绍了一些常用的CNN工具和库。此外，本书还分析了CNN在计算机视觉中的应用案例，包括图像分类、对象检测、语义分割、场景理解和图像生成。