Josh Starmer博士在YouTube的账号 StatQuest 视频总观看量突破7000万次（2024年11月统计的数据），他帮助全世界各行各业的人赢得数据科学竞赛、通过考试、顺利毕业、成功求职或实现晋升，因此被大家誉为 硅谷的守护神 。他那独特的图文表达形式和幽默的语言风格深受观众喜爱，这本《StatQuest图解机器学习》结合了他创新的视觉呈现方式，深入浅出地阐释了机器学习的基础和高阶知识，是一本轻松理解机器学习的 漫画书 。本书前3章着重介绍了机器学习的整体框架和核心思想，自第4四章起，逐一探讨了各种机器学习算法：从基础的线性回归（第4章）和逻辑回归（第6章）到朴素贝叶斯（第7章）和决策树（第10章），最后介绍了支持向量机（第11章）和神经网络（第12章）。随着读者学习的深入，第5章、第8章和第9章分别介绍了机器学习的进阶知识和实用技巧，如梯度下
本书系统地讲解了大模型技术、训练算法（包括强化学习、RLHF、GRPO、DPO、SFT与CoT蒸馏等）、 微调与对齐、效果优化及其实践。全书以大语言模型（LLM）为主线，绝大部分内容也适用于多模态大模型（VLM 和MLLM）。本书面向AI算法与工程领域的从业者、相关专业的学生，以及希望深入了解大模型技术、拥抱AI与大模型浪潮的跨行业读者。
深度学习和大模型技术在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、大模型、AIGC、模型工程实现、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。 本书既适合推荐系统、计算广告和搜索领域的从业者阅读，也适合人工智能相关专业的本科生、研究生、博士生阅读，帮助建立深度学习推荐系统的技术框架，通过学习前沿案例，加强深度学习理论与推荐系统工程实践的融合能力。
本书全面且深入地呈现了深度学习领域的知识体系，系统梳理了该领域的核心知识，阐述了深度学习的关键概念、基础理论及核心思想，剖析了当代深度学习架构与技术。全书共 20 章。本书首先介绍深度学习的发展历程、基本概念及其在诸多领域（如医疗诊断、图像合成等）产生的深远影响；继而深入探讨支撑深度学习的数学原理，包括概率、标准分布等；在网络模型方面，从单层网络逐步深入到多层网络、深度神经网络，详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用，同时涵盖卷积网络、Transformer 等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。本书还对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深入分析，阐释其原理、算法流程及实际应用场景。对于机器学习领域的新手，本书是全面且
本书是《工程控制论》（第三版）的下册。这一册共九章。第十三章讨论摄动理论在控制系统设计中的应用，其中特别说明在飞行控制系统中的应用。第十四、十五两章介绍控制系统在随机干扰下的分析和设计。第十六、十八章讨论了适应性控制系统的设计。第十九章介绍了提高控制系统可靠性的各种方法。第十七、二十、二十一这三章分别是：逻辑控制和有限自动机（第十七章），信号与信息（第二十章），大系统（第二十一章）。这些方面已构成工程控制论这门学科的重要研究方向。书末还附有“有关中文著作目录选辑”，可供读者查阅。
《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。
本书在状态空间理论的统一框架下系统深人地介绍了预测控制的滚动优化原理、算法和闭环性能。首先通过本科生熟悉的状态空间模型建立起预测控制从原理到算法和性能分析的每一个细节。然后，介绍了阶跃响应模型和脉冲响应模型的状态空间描述，给出了与传统卷积描述的一致性。据此，遵循预测控制的三个步骤“预测系统未来动态-求解优化问题-解的第一个元素作用于系统”和“滚动时域、重复进行”机制推导了无约束的动态矩阵控制(DMC)和模型算法控制(MAC)，分析了闭环性能，给出了闭环稳定性的分离原理。然后，依次讨论了时滞预测控制、约束预测控制、非线性预测控制，以及稳定性和鲁棒性研究的最新进展。最后，介绍了基于滚动优化原理的滚动时域估计和基于现场可编程门阵列(FPGA)的预测控制器实现技术。
本书系统介绍了视觉 SLAM（同时定位与地图构建）所需的基本知识与核心算法，既包括数学理论基础，如三维空间的刚体运动、非线性优化，又包括计算机视觉的算法实现，例如多视图几何、回环检测等。此外，我们还提供了大量的实例代码供读者学习研究，从而更深入地掌握这些内容。本书可以作为对 SLAM 感兴趣的研究人员的入门自学材料，也可以作为 SLAM 相关的高校本科生或研究生课程教材使用。
传统材料研发模式主要基于实验“试错法”，其研发周期长、效率低，人工智能驱动的科研范式变革和新材料数字化研发模式能有效地降低研发成本，缩短研发周期。本书基于计算、数据、AI和实验“四位一体”的新材料集成式智能化研发理念，提出了基于材料基因编码的新材料智能设计范式，从企业级新材料研发和面向科研的材料计算视角，重点围绕高通量材料集成计算、多尺度材料计算模拟、材料数据库、材料数据机器学习、新材料研发制造软件等介绍了新材料数字化智能化研发和设计基本概念、方法、技术和应用。本书同时也介绍了国产的高通量多尺度集成式材料智能化设计工业软件MatCloud+，并通过一些精选案例介绍了材料计算、数据和新一代人工智能等数字化研发方法技术在新能源、金属/合金、石油化工、复合材料、新型功能材料等重点材料行业或领域的
本书从模型的结构和数据基础两个方面解构大语言模型，以便帮助读者理解和搭建类似ChatGPT的系统。在模型的结构方面，大语言模型属于深度神经网络，其设计核心是注意力机制，因此，本书涵盖了多层感知器、卷积神经网络和循环神经网络等经典模型。在模型的数据基础方面，本书既涉及模型训练的工程基础，如反向传播，又涉及数据的使用方式，如迁移学习、强化学习，以及传统的监督学习和无监督学习。此外，本书还阐述了如何从计量经济学和经典机器学习模型中汲取灵感，以提高模型的稳定性和可解释性。 本书既适用于希望深入了解大语言模型、通过人工智能技术解决实际问题的读者，也适合作为高等院校计算机及相关专业的师生参考用书。
《写好论文：思维模型与AI辅助应用》创新性地将学术写作的思维模型与AI辅助工具相结合，为读者提供了一套全新且实用的学术写作方法，旨在助力读者提高学术写作的质量和水平。 《写好论文：思维模型与AI辅助应用》共9章，每章都聚焦一个特定的思维模型。这些模型包括 顶天立地加两翼 结构模型、选择和确定研究单位的三角模型、OBTQP研究问题模型、细化研究维度的思维罗盘模型、推导文献综述 GAP 的破界创新模型、匹配研究理论的勾连信号模型、适配研究方法的画布模型、非共识研究观点模型和深入解决问题的U型思维模型。对于每个模型，书中都有详细的背景介绍、拆解步骤、应用方法和案例分析，确保读者能够全方位地理解并实际应用这些模型，从而真正掌握学术写作的思维精髓和实践要诀。 《写好论文：思维模型与AI辅助应用》适合学术研究人员、研
本书坚持理念创新、内容创新、方法创新，将教材建设与现代教育技术的时代发展相结合，以 引导学生完成信息化教学设计，做快速掌握人工智能的新型教师 为编写目标。内容分为四大主题，分别为理论认知篇、技术实践篇、教育教学篇、学习研究篇，以学习活动为主线，贯穿理论知识、技术技能和实践范例，并以二维码连通在线自制的微课与优秀论文案例，提供智慧学习方式。 本书以习近平新时代中国特色社会主义思想为指导，全面贯彻党的教育方针，立足信息化智慧教学环境，注重学生实践能力的培养，精心打磨教材内容，创新呈现形式，适合师范类专业本科生与专科生、教育硕士、高校新进教师作为专业教材或培训教材使用。
制造业是我国国民经济主体和国家综合实力的根本保障。本书从国家战略需求出发，对国内外制造强国战略进行深入调研，在此基础上力图厘清制造业特别是高端制造业以及机器人、智能制造技术发展的新需求、新特点、发展瓶颈等，提出机器人与智能制造的科学挑战、优先发展方向、关键核心技术。本书还以航空、航天、航海等若干典型高端制造业为例，研究机器人与智能制造技术和行业发展瓶颈的关系，提出促进机器人与智能制造前沿领域发展的政策建议。
本书稿具体分为以下几个部分展开对人工智能与教育现代化的论述：一、绪论，即人工智能推动教育变革、对人工智能的反思与追问、人工智能助力实现教育现代化；二、人工智能教育的源与流；三、人工智能与教育现代化的整体化发展；四、人工智能在教育现代化中的理论探索；五、人工智能在教育现代化中的应用探索；六、人工智能在教育现代化的典型案例分析；结语，人的自由全面发展：智能时代教育现代化的根本方向。
大脑如何产生新想法？思维如何产生，又是如何运作的？意识缘何形成？什么是情感、感觉、想法？如果将人类大脑看成一台机器，那么这是否有益于我们设计出能够像人一样能理解、会思考的高级人工智能 情感机器？ 情感是人类特有的一种思维方式，如果机器具备了情感，是不是就可以取代人类？ 在《情感机器》中，人工智能之父马文 明斯基有力地论证了：情感、直觉和情绪并不是与众不同的东西，而只是一种人类特有的思维方式。也同时揭示了为什么人类思维有时需要理性推理,而有时又会转向情感的奥秘。通过对人类思维方式建模,他为我们剖析了人类思维的本质，为大众提供了一幅创建能理解、会思考、具备人类意识、常识性思考能力，乃至自我观念的情感机器的路线图。
机器学习是计算机科学的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索.本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.
当你老了以后，养活你的很可能是人工智能。也许你会觉得这是痴人说梦 但正如父辈无法想象今天的我们是被核电站、半导体芯片和基因技术养活的一样，很快，它就会变成再普通不过的现实。 真实的未来，总是来得猝不及防。当你从机器人小哥手中接过外卖、吃着机器餐厅自动炒的菜、看着从演员到场景都是AI生成、连字幕都是AI翻译的剧 你丝毫不会觉得有什么特别，就像今天的你已经对微信语音识别和刷脸支付习以为常一样。 所有这一切，都来源于人工智能的新突破。有了神经网络和深度学习，机器终于具备有望和人类一较高下的 新脑 。 AI究竟是怎样做到模仿、甚至超越人类智能的？ 我们今天的工作会被AI取代吗？ AI有可能自己设计出新的AI，从而实现自我进化吗？ 人工智能会是人类的*后一项发明吗？ 这些你*想问的问题，就在《机器新脑》。
当下的AI存在哪些风险？真的有可信的AI吗？ 理想的AI与现实的AI之间究竟存在哪些差距？ 如何构建人类和AI之间的信任？ 关于人工智能的炒作总是甚嚣尘上，但要得到真正可信的AI，却远比想象的要复杂得多，超级智能的时代还远没有到来。创造真正可信的AI需要赋予机器常识和深度理解，而不是简单地统计分析数据。本书勾勒了未来人工智能发展的*路线图，对当前人工智能的现状进行了清晰且客观的评估。 作者盖瑞 马库斯是人工智能领域的专家，同时还是心理学和神经科学教授，在计算机科学、认知科学、语言学、人工智能等领域都练就了相当深厚的学术功底，并敢于挑战学术界的主流观点。当整个人工智能学术界都在过分乐观地高歌猛进时，他不断撰文和发表演讲来指出以深度学习为代表的当下AI的弊端和局限性，《如何创造可信的AI》这本书
本书以人工智能方法和生物组学数据分析为主线，阐述了人工智能中的群智能优化、机器学习、深度学习等算法的基本原理，并探讨了如何将这些算法应用于生物信息学相关问题的研究中，如蛋白质复合物挖掘、关键蛋白质识别、疾病基因预测、多种组学（转录组学、代谢组学、微生物组学）数据与疾病的关联关系预测、circRNA-RBP结合位点预测、RNA甲基化位点预测以及药物发现等。本书系统收集整理了生物组学相关数据库，另结合应用问题，从人工智能算法设计到具体流程计算，再到结果分析，均给出了详细步骤，以上均是本书的特色所在。
