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。

《DeepSeek大模型高性能核心技术与多模态融合开发》深入剖析国产之光DeepSeek多模态大模型的核心技术，从高性能注意力机制切入，深入揭示DeepSeek的技术精髓与独特优势，详细阐述其在人工智能领域成功的技术秘诀。《DeepSeek大模型高性能核心技术与多模态融合开发》循序渐进地讲解深度学习注意力机制的演进，从经典的多头注意力（MHA）逐步深入DeepSeek的核心技术 多头潜在注意力（MLA）与混合专家模型（MoE）。此外，《DeepSeek大模型高性能核心技术与多模态融合开发》还将详细探讨DeepSeek中的多模态融合策略、技术及应用实例，为读者提供全面的理论指导与应用实践。《DeepSeek大模型高性能核心技术与多模态融合开发》配套所有示例源码、PPT课件、配图PDF文件与读者微信技术交流群。 《DeepSeek大模型高性能核心技术与多模态融合开发》共分15章，内容涵盖高性能注

本书主要利用AI发现和构建有效的量化策略，旨在使读者掌握AI在量化策略中的应用。随着2023年大模型的崛起，投资者需要学会与AI共生，建立个人知识库和灵活应用提示词工程（Prompt Engineering），让AI协助寻找论文、理解论文、编写代码、构建模型、训练模型、生成信号、特征识别、投资组合优化和参数优化等。AI在高质量人群的量化行业中将得到广泛应用和发展，让更多读者能掌握编程和量化技能，从而在AI的帮助下快速开发出适应市场的量化策略。 本书共10章，涵盖量化投资中AI的历史演进、投研平台的构建、量化策略的开发流程、策略分类和介绍、市场主流策略开发、策略回测和实盘准备等内容。书中提供丰富的示例代码，具有较强的实践性和系统性，并配有高等数学、金融工程和计算机科学技术等前置知识，以帮助读者深入理解量化投资策略。 本书适合量

本书前半部分介绍强化学习的重要思想和基础知识，后半部分介绍如何将深度学习应用于强化学习，遴选讲解了深度强化学习的最新技术。全书从最适合入门的多臂老虎机问题切入，依次介绍了定义一般强化学习问题的马尔可夫决策过程、用于寻找最佳答案的贝尔曼方程，以及解决贝尔曼方程的动态规划法、蒙特卡洛方法和TD方法。随后，神经网络和Q学习、DQN、策略梯度法等几章则分别讨论了深度学习在强化学习领域的应用。本书延续 鱼书 系列的风格，搭配丰富的图、表、代码示例，加上轻松、简明的讲解，让人循序渐进地理解强化学习中各种方法之间的关系，于不知不觉中登堂入室。

本书基于备受读者推崇的王树森 深度强化学习 系列公开视频课，专门解决 入门深度强化学习难 的问题。 本书的独特之处在于：，知识精简，剔除一切不必要的概念和公式，学起来轻松；第二，内容新颖，聚焦近10年深度强化学习领域的突破，让你一上手就紧跟技术。本书系统讲解深度强化学习的原理与实现，但不回避数学公式和各种模型，原创100多幅精美插图，并以全彩印刷展示。简洁清晰的语言 生动形象的图示，助你扫除任何可能的学习障碍！本书内容分为五部分：基础知识、价值学习、策略学习、多智能体强化学习、应用与展望，涉及DQN、A3C、TRPO、DDPG、AlphaGo等。 本书面向深度强化学习入门读者，助你构建完整的知识体系。学完本书，你能够轻松看懂深度强化学习的实现代码、读懂该领域的论文、听懂学术报告，具备进一步自学和深挖的能力。

工业数字化时代已经到来，基于模型的系统工程和设计已经成为工业 智 造的手段。数字化设计在汽车行业的需求体现得尤为明显，模型作为数字化设计的主线索已经贯穿于从产品概念、系统需求、软件架构、软件实现到软件组件测试、软件集成验证、系统集成验证、产品交付的各个环节。本书既从广度上重点介绍了Simulink工具平台在各个工业领域上的广泛应用，又从深度上剖析了Simulink从架构、建模、仿真、代码生成、自动化测试与验证到硬件生态建设这样一条完整的产品建设思路。 本书是面向汽车电子、航空电子、工业控制、智能家电、无人机系统、机器人控制、电力电子等多个工业领域而撰写的专业著作，可供相关行业的公司、研发团队、工程师以及高校师生参考。

本书通过Python示例介绍人工智能技术在金融数据分析中的应用。你将了解如何运用神经网络、强化学习等深度学习技术预测金融市场。本书分为六大部分。部分介绍人工智能算法的核心概念，包括监督学习和神经网络，并描绘超级人工智能愿景。第二部分讨论机器学习技术在金融市场中的应用。第三部分更进一步，讨论如何利用神经网络和强化学习技术解决金融市场中的统计失效问题。第四部分详述如何利用算法交易解决统计失效问题。第五部分展望未来，探讨人工智能会如何改变金融业。第六部分给出以Python实现的神经网络，可用于时间序列预测。

深度学习框架中蕴藏着惊人的技术和有趣的机制，本书旨在揭开这些技术和机制的神秘面纱，帮助读者正确理解技术，体会它们的有趣之处。为此，本书会带领读者从零开始创建一个深度学习框架 DeZero。DeZero 是本书原创的框架，它用少的代码实现了现代深度学习框架的功能。本书分60 个步骤来完成这个框架，在此过程中，读者会加深对PyTorch、TensorFlow 和Chainer 等现代深度学习框架的理解，看清深度学习框架的本质。 本书沿袭《深度学习入门：基于Python 的理论与实现》的风格，语言通俗，代码简洁，讲解详细。在自制框架的过程中，读者还能进一步巩固Python 编程和软件开发相关的知识。 本书适合对深度学习框架感兴趣的读者阅读。

人工智能时代，数字数据的爆炸式增长推动了人们对使用机器学习(ML)的交易策略相关知识的需求。《机器学习在算法交易中的应用(第2版)》就以Python为基本工具，从全局、战略的视角介绍了相关的概念，以及机器学习在交易策略设计和执行中的价值及实践运用。全书分4部分，其中第1部分主要介绍基于机器学习的交易策略的基础知识，该部分内容围绕机器学习算法以及交易策略相关的数据展开，概述了如何有效捕获数据信号内容、如何准确提取特征，以及如何基于这些数据优化算法评估投资组合。第2部分重点阐述了在端到端工作流环境中，一些基本的监督学习、无监督学习是如何为交易策略的制定提供帮助的。第3部分是自然语言处理，这部分引入了无监督学习算法，力求从文本数据这种关键的另类数据中高质量地提取信号。第4部分通过TensorFlow和PyTorch,重点介绍深

虽然很多深度学习工具都使用Python，但PyTorch 库是真正具备Python 风格的。对于任何了解NumPy 和scikit-learn 等工具的人来说，上手PyTorch 轻而易举。PyTorch 在不牺牲高级特性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司都使用PyTorch，所以当你掌握了PyTorth，就会拥有更多的职业选择。 本书是教你使用 PyTorch 创建神经网络和深度学习系统的实用指南。它帮助读者快速从零开始构建一个真实示例：肿瘤图像分类器。在此过程中，它涵盖了整个深度学习管道的关键实践，包括 PyTorch张量 API、用 Python 加载数据、监控训练以及将结果进行可视化展示。 本书主要内容： （1）训练深层神经网络； （2）实现模块和损失函数； （3）使用 PyTorch Hub 预先训练的模型； （4）探索在 Jupyt

本书深入阐述了大语言模型的基本概念和算法、研究前沿以及应用，涵盖大语言模型的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。首先，本书介绍了人工智能领域的进展和趋势；其次，探讨了语言模型的基本概念和架构、Transformer、预训练目标和解码策略、上下文学习和轻量级微调、稀疏专家模型、检索增强型语言模型、对齐语言模型与人类偏好、减少偏见和有害性以及视觉语言模型等内容；最后，讨论了语言模型对环境的影响。 本书内容全面、系统性强，适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。

本书适合任何想要深入了解深度学习这个迷人领域的人，您不需要具备高级数学和编程知识就可以掌握其根本原理。如果您想知道这些工具是如何工作的，并学会自己使用它们，答案尽在书中。而且，如果您已经准备好编写自己的程序，那么随附的Github存储库中还有大量补充的Python笔记本可以帮助您。 本书讲解语言通俗易懂，包含大量的的彩色插图和具有启发性的类比，以及丰富的现实世界的例子，深入地地解释了深度学习的关键概念，包括: 文本生成器如何创建新颖的故事和文章。 深度学习系统如何在人类游戏中学习游戏并获胜。 图像分类系统如何识别照片中的物体或人。 如何以对日常生活有用的方式思考概率。 如何使用构成现代人工智能核心的机器学习技术。 各种各样的智力冒险家都可以使用本书中涵盖的强大思想来构建智能系统，帮助我们更好地理

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**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

《深度学习之图像识别：核心算法与实战案例（全彩版）》全面介绍了深度学习在图像识别领域中的核心算法与应用。该书不但重视基础理论的讲解，而且从第4章开始，每章都提供了1～3个不同难度的案例供读者实践，读者可以在已有代码的基础上进行改进，从而加深对所学知识的理解。 《深度学习之图像识别：核心算法与实战案例（全彩版）》共9章：首先介绍深度学习的基础概念，包括神经网络基础知识和深度学习中的优化技术；然后系统介绍深度学习中与数据相关的知识，包括经典数据集的设计、数据集的增强，以及数据的获取、整理与可视化；接着重点针对图像识别领域，结合实战案例系统地介绍深度学习在图像分类、图像分割和目标检测3个领域的核心技术与应用；另外，还会对深度学习模型的可视化以及模型的压缩和优化进行详细介绍，为读者设计和训

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。

阅读本书，即使读者仅掌握高中数学知识，也能理解和应用强大的机器学习技术！简单来讲，机器学习是一套以算法为基础的数据分析技术，当你提供更多数据时，算法可反馈更好的结果。ML支持许多尖端技术，如推荐系统、面部识别软件、智能扬声器，甚至包括自动驾驶汽车。本书不落窠臼，示例丰富，精选的练习十分有趣，插图清晰，讲解机器学习的核心概念。 《机器学习图解》以简明易懂的方式介绍机器学习的算法和技术。本书不谈深奥的术语，只通过基本代数知识提供清晰的解释。你将使用Python构建有趣的项目，包括垃圾邮件检测和图像识别模型；还将学习一些实用技能，以清理和准备数据。 ? 分类和划分数据的监督算法 ? 清理和简化数据的方法 ? 机器学习包和工具 ? 复杂数据集的神经网络和集成方法 读者阅读本书前，**了解Python基础知识，不必了解机器

人工智能 (AI) 时代已悄然而至，然而对 AI 伦理学的研究却刚刚起步。与以往的技术革命不同，AI 有望在多个领域取代人类，但也有伤害人类的潜在风险。为防止对AI技术的滥用，我们在复杂性变得不可控之前，必须把糟糕的情况都预想到、分析到。 《人工智能伦理》从人工智能的关键内容（包括图灵测试、数据、知识、机器学习、自我意识等）出发，尽可能地用朴素的语言讲清楚复杂的概念，揭示出各种AI伦理问题以唤起读者的思考。本书基于大量真实数据，阐述了和平、合理发展 AI 技术的伦理思想，对 AI 技术可能引发的某些社会问题（如技术失业、两性平等）也做了剖析。

本书从Python基础入手，循序渐进地讲到机器学习、深度学习等领域的算法原理和代码实现，在学习算法理论的同时也强调了代码工程能力的逐步提高。 本书共6个章，第1章从零基础介绍Python基础语法、Python数据处理库NumPy、Pandas、Matplotlib、OpenCV的使用；第2章主要介绍机器学习算法的原理并配有代码实例，方便在理解原理的同时也能写出代码；第3章主要介绍深度学习框架TensorFlow、Keras、PyTorch的API和网络模型的搭建方法，力保读者能够掌握主流深度学习框架的使用；第4章主要介绍CNN卷积神经网络各种卷积的特性，并同时代码实战了多个经典分类网络；第5章介绍目标检测领域中多个经典算法的原理，并配套展现了代码调试的过程，将算法原理与代码进行了结合，方便更深入地理解算法原理；第6章分享深度学习项目的分析和实现过程。 本书精心设计的算法原理讲解、

《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》在一个通用的概念框架中描述通用于数据挖掘、机器学习和生物信息学等领域的重要思想和概念。这些统计学范畴下的概念是人工智能与机器学习的基础。全书共18 章，主题包括监督学习、回归的线性方法、分类的线性方法、基展开和正则化、核光滑方法、模型评估和选择、模型推断和平均、加性模型、树和相关方法、Boosting 和加性树、神经网络、支持向量机和柔性判断、原型方法和*近邻、非监督学习、随机森林、集成学习、无向图模型和高维问题等。 《统计学习要素：机器学习中的数据挖掘、推断与预测(第2版)》主题全面，是一本经典的统计学习教材，适合本科高年级学生和研究生使用和参考。

本书系统地介绍了三维点云处理的基础知识、 传统算法与深度学习算法, 包括点云数据表示、 空间变换、 预处理、 配准、 拼接、 滤波和表面重建等传统算法, 以及经典三维深度学习算法、 室外、 室内、 单目、 多模态三维目标检测、 三维语义分割和深度补全等模型。 书中采用由浅入深的方式详细介绍各种算法的设计思路和实现过程, 如循序渐进的学习路径、 深入剖析算法原理、 丰富的示例算法以及能力开拓和问题解决能力培养等。 本书读者对象为计算机科学、 机器学习、 人工智能等领域专业人士和学术研究者等。

大模型应用解决方案 基于ChatGPT和GPT-4等Transformer架构的自然语言处理 Transformer正在颠覆AI领域。市面上有这么平台和Transformer模型，哪些 你的需求？ 将引领你进入Transformer的世界，将讲述不同模型和平台的优势，指出如何消除模型的缺点和问题。本书将引导你使用Hugging Face从头开始预训练一个RoBERTa模型，包括构建数据集、定义数据整理器以及训练模型等。 《基于GPT-3、ChatGPT、GPT-4等Transformer架构的自然语言处理》分步展示如何微调GPT-3等预训练模型。研究机器翻译、语音转文本、文本转语音、问答等NLP任务，并介绍解决NLP难题的技术，甚至帮助你应对假新闻焦虑(详见第13章)。 从书中可了解到，诸如OpenAI的高级平台将Transformer扩展到语言领域、计算机视觉领域，并允许使用DALL-E 2、ChatGPT和GPT-4生成代码。通过本书，你将了解到Transformer的工作原理以及如

作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。 本书包括引言、基础知识、基于知识的系统、人工智能高级专题、人工智能的现在和未来以及安全与编程六部分内容。第一部分从人工智能的定义讲起，对人工智能的早期历史、思维和智能的内涵、图灵测试、启发式方法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN 等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，也介绍了机器学习、深度学习以及受到自然启发的