本书自1982年首次出版以来，在世界范围内得到广泛采用，被誉为仿真领域的“”。版（第4版）对离散事件系统仿真研究的所有重要方面给出了综合性的论述，包括建模。仿真软件、模型校验和确认。输入建模，数发生器。变量与过程的产生。统计设计与仿真实验分析，以及像制造这一类主要工业领域的应用等。
\\\"本书内容包含了大数据分析和应用的全过程，从数据的预处理，到数据的存储，以及数据分析结果的可视化，整个实验按数据处理、数据分析和应用场景案例一共分为数据处理、数据分析、实验案例与应用场景三大部分。数据处理即利用Kettle工具进行数据抽取、数据清洗、数据集成、数据变换，向读者介绍数据处理采集的方法与技巧。数据分析即通过cube工具创建立方体，通过维度建模、在线分析处理、数据挖掘构建商务智能分析系统。 本书可作为普通本科院校计算机类专业核心课程“大数据分析与应用”的配套教材，也可作为大数据相关行业开发人员的参考书。\\\"
本书基于 TensorFlow.NET 框架，详细介绍了.NET 平台下深度学习的基础原理和应用技术，不仅阐述了算法原理，还演示了实践代码和运行效果，其中完整示例主要采用的语言为 C#和 F#。全书分为 3 个部分：部分介绍了核心 API 的用法和基础示例，包括数据类型、张量、Eager Mode、自动求导、线性回归、逻辑回归、tf.data、深度神经网络和 AutoGraph 机制，读者可以通过学习这一部分内容快速入门；第二部分重点演示了.NET Keras 的用法，包括模型、网络层、常用 API、模型搭建和模型训练，读者可以由此掌握主流的深度学习方法；第三部分主要是生产应用和案例实操，包括 GPU 环境搭建、自定义数据集训练、图像分类、目标检测、迁移学习、自然语言处理、生成对抗网络和 F#应用案例，每个案例均有完整的代码。 本书涵盖深度学习的方法和实践，主要面向在校大学生、生产技术人
预训练语言模型属于人工智能领域中自然语言处理领域的一个细分。 本书主要介绍预训练语言模型。预训练语言模型是自然语言处理领域的重要突破，得到了越来越广泛的关注，相关研究者和从业人员在实际应用的过程中，亟需一本理论翔实、代码细节充分的参考书。本书详细梳理了预训练语言模型的基本概念和理论基础，并通过实际代码的讲解， 阐述了具有代表性的预训练语言模型的实现细节，非常适合需要快速、全面掌握预训练语言模型的从业者阅读。
本书围绕 TensorFlow 2 的概念和功能展开介绍，旨在以“即时执行”视角帮助读者快速入门 TensorFlow。本书共分5篇：基础篇首先介绍了 TensorFlow的安装配置和基本概念，然后以深度学习中常用的卷积神经网络、循环神经网络等网络结构为例，介绍了使用 TensorFlow建立和训练模型的方式，介绍了 TensorFlow中常用模块的使用方法；部署篇介绍了在服务器、嵌入式设备和浏览器等平台部署 TensorFlow模型的方法；大规模训练篇介绍了在 TensorFlow中进行分布式训练和使用 TPU 训练的方法；扩展篇介绍了多种 TensorFlow 生态系统内的常用及前沿工具；篇则为进阶开发者介绍了 TensorFlow程序开发的更多深入细节及技巧。
《人工智能基础》主要介绍人工智能的发展历史、基本概念、技术基础及实际应用，从数学基础、编程基础及控制基础等方面进行阐述，使学生理解人工智能的基本原理，特别是数据、算法及应用之间的相互关系。《人工智能基础》包括绪论、人工智能数学基础、人工智能通信技术、智能控制、深度学习、智能机器人、人工智能伦理和人工智能创新创业应用共8章，力争通过由浅入深的讲解和大量的实例帮助读者快速掌握人工智能技术的具体应用方法。 《人工智能基础》内容既适合控制相关专业人员，也适合非控制相关专业人员阅读。《人工智能基础》可以作为高校理工科学生学习人工智能技术课程的入门。
本书属于人工智能与区块链原理及应用方面的著作。主要包括区块链与人工智概述，区块链与下一代人工智能，区块链的发展，区块链体系架构，区块链与人工智能数字经济发展，区块链与人工智能技术的融合，密码学与安全技术，基于区块链架构的商业应用等内容。本书对人工智能与区块链创业、应用方面相关领域的专家、学者、读者、爱好者以及相关从业人员具有的学习和参考价值。
\\\"实体识别和关系抽取作为知识图谱自动构建的关键技术，长期以来一直是学术界和产业界关注的焦点。本书在内容上尽可能涵盖实体关系抽取的各方面内容，全书共7章，在章节的组织上，针对实体关系抽取领域的关键难题，尽可能梳理出问题成因、关键问题的思路、关键的技术以及未来的发展趋势。第1章绪论部分介绍了实体关系抽取的研究背景及意义，概述了基本概念及问题描述。第2章介绍了本书涉及到的自然语言处理与深度学习相关基础理论知识和模型。第3、4、6章围绕句子级别的关系抽取进行研究，讨论一些有效的方法（嵌套实体识别、多关系抽取、实体关系联合抽取），并介绍相关的应用场景。第5章介绍了两种篇章级别关系抽取方法。 ，第7章对本书的主要研究工作和创新点进行了总结，并对实体关系联合抽取的未来研究方向进行了展望。本书可作为高
