现今，Web3.0这一概念火爆科技圈，互联网的发展也将迎来新变革。过去，网络只是我们在现实生活中的辅助工具。现在，在这个虚拟世界丰盛的时代，人们的交流方式、消费活动甚至赚钱方法都发生了巨大变化。 本书基于这个时代背景，使用丰富的插图和案例，让你轻松读懂Web3.0。作者从虚拟货币、NFT、DeFi、DAO等新结构和新服务，阐释Web3.0给商业模式的发展带来了怎样的影响，让读者可以在Web3.0时代里大展宏图。

本书作为人工智能专业的入门书，带领读者初步学习和实践机器学习、深度学习的算法、流程和核心技术，并介绍了系统开发及开发环境，通过图解的方式将难懂的专业术语和算法表现出来，让没有相关专业基础的读者能够轻松入门。同时，本书还介绍了一些比较常用的网站网络服务，让读者能够学以致用。本书适合人工智能领域入门读者，也适合对人工智能感兴趣的其他领域读者学习。

本书采用独特的一问一答式风格，探讨了当今机器学习和人工智能领域中最重要的30 个问题，旨在帮助读者了解最新的技术进展。全书共分为五个部分：神经网络与深度学习、计算机视觉、自然语言处理、生产与部署、预测性能与模型评测。每一章都围绕一个问题展开，不仅针对问题做出了相应的解释，并配有若干图表，还给出了练习供读者检验自身是否已理解所学内容。 本书适合机器学习初学者以及相关从业者和研究人员阅读。

本书主要介绍基于视觉的YOLO框架的技术原理和代码实现，并讲解目标检测领域中的诸多基础概念和基本原理，在YOLO框架的基础上介绍流行目标检测框架。本书分为4个部分，共13章。第1部分介绍目标检测领域的发展简史、主流的目标检测框架和该领域常用的数据集。第2部分详细讲解从YOLOv1到YOLOv4这四代YOLO框架的网络结构、检测原理和训练策略，以及搭建和训练的YOLO框架的代码实现。第3部分介绍两个较新的YOLO框架 YOLOX和YOLOv7，着重讲解其设计理念、网络结构和检测原理。第4部分介绍DETR、YOLOF和FCOS在内的流行目标检测框架和相应的代码实现。本书侧重目标检测的基础知识，包含丰富的实践内容，是目标检测领域的入门书，适合对目标检测领域感兴趣的初学者、算法工程师、软件工程师等人员学习和阅读。

ChatGPT是当下最新、最热门的工具、效率工具，但为什么不同的人使用效果天差地别，整体上来说：一是认知上的不足；二是方法上的不足。这正是本书要解决的问题。本书不仅让读者会用ChatGPT，更尝试让读者意识到自己需要构建一个完整的学习体系，同时本书提供构建这个学习体系的方法。有了这个学习体系，才能真正用好ChatGPT，也不止能用好ChatGPT。读者能够根据自己的需求，用好ChatGPT，既不停留在浅尝辄止，也不相信宣称的人人都能用ChatGPT赚钱。

社会科学(CSS)领域。文本详细描述了四个关键的方法，自动社会信息提取，社会网络分析，社会复杂性理论和社会模拟建模。第二版增加了许多问题和练习来强化、巩固、测试已经学习的内容，通过解决问题加深理解，并实践编写代码来实现想法。主题和特点:包含一千多个问题和练习，以及一个缩略词列表和词汇表;研究计算机和社会系统之间的异同;介绍了自动化信息提取的;探讨CSS中社会复杂性的度量、科学规律和生成理论;回顾社会模拟的方法论，涵盖变量模型和面向对象模型。

《AI智能办公实战108招：ChatGPT Word PowerPoint WPS》通过8大专题内容、108个实用技巧，讲解了运用ChatGPT结合办公软件Word、PowerPoint以及WPS，实现AI办公智能化、高效化的方法。随书附赠了108集同步教学视频、90多个素材 效果文件、65个关键词等。 ChatGPT Word高效处理文档，讲解了运用ChatGPT检查与纠错、统计数据、处理文本、智能生成营销方案、根据提示词生成文本、优化文本用词、改写文章风格、编写论文大纲等内容。 ChatGPT PPT智能生成演示文稿，讲解了在ChatGPT中逐步生成PPT、生成PPT完整文稿，以及ChatGPT Mindshow、ChatGPT 闪击PPT、ChatGPT ChatPPT生成PPT等内容。 ChatGPT WPS生成办公文档与演示文稿，讲解了用ChatGPT生成WPS办公文档、旅游行程、培训计划、年终总结、辞职报告、分析报告、述职报告、商务演示PPT、活动策划PPT、行业分析PPT等内容。 最后通过一个综合案例 年终总结

本书先从概率论的基础讲起，然后逐步深入到概率论在机器学习中的应用，最后结合机器学习实战案例，重点介绍了概率论的概念及其在机器学习中的应用。通过本书读者不但可以系统地学习常见概率的相关知识，还能对机器学习开发有更为深入的理解。 本书共10章，涵盖的主要内容：机器学习简介；为什么机器学习需要概率论；概率的定义；集合和事件；独立性；概率的性质；常见的计算概率方法；离散型和连续型概率简介；离散型和连续型概率的期望值、方差和标准差；几种常见的离散型和连续型概率分布；条件概率；联合概率；边缘概率；贝叶斯理论；随机过程简介；马尔可夫链；隐马尔克夫模型；高斯过程；常见的机器学习Python库；机器学习分类算法和回归算法简介；概率论在分类算法和回归算法中的应用；常见的分类算法和回归算法；强化学习简介；有

本书的目标，是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松地掌握机器学习的基本知识，从而拥有相关的实战能力。 本书通过AI 小白 小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。本书所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。 本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。

本书系统阐述了DeepSeek大模型架构、部署及应用实战的相关内容。从人工智能和大模型的基础理论出发，深入剖析了DeepSeek的底层技术，如Transformer架构、混合专家、动态任务分配、稀疏激活及归一化等关键技术，并详细介绍了模型训练、优化和推理的前沿方法。书中不仅展示了DeepSeek在多模态模型和推理系统中的技术优势，还提供了丰富的实战案例，涵盖了从本地部署到云端应用，再到与办公软件、开发工具和Web交互系统的无缝集成。通过理论解析与实践演示，读者将获得从模型设计到实际应用全流程的详细指导。本书非常适合人工智能领域的技术开发者、系统架构师，以及初探大模型应用的爱好者学习，也可用作高等院校相关专业的教材及参考书。

本书主要介绍了大模型的发展与演变、相关技术、应用场景、未来发展趋势和前景。本书首先回顾了大模型技术的起源和发展历程，然后介绍了数据预处理、Transformer、预训练与微调、模型推理和PyTorch框架等技术。此外，本书还通过具体的案例和实践展示了如何应用大模型技术来解决实际问题。本书旨在帮助读者全面了解大模型技术的发展与应用，并推动其在各个领域的应用和发展。 本书图文并茂，理论翔实，案例丰富，适合从事大模型开发的科研人员以及广大的开发者作为技术参考和培训资料，亦可作为高校本科生和研究生的教材。

本书通过深入浅出的方式带领读者探索人工智能的世界。书中首先介绍了人工智能的基本概念、应用场景以及发展历程。并对神经网络、遗传算法、蒙特卡罗法、自然语言处理等人工智能技术的原理和应用场景进行了分析，并探讨了人工智能的未来发展趋势以及机遇与挑战。

这是一本具有高中数学知识就能读懂的机器学习图书，书中通过大量程序实例，将复杂的公式重新拆解，详细、清晰地解读了机器学习中常用的微积分知识，一步步带领读者进入机器学习的领域。

随着深度学习、大规模预训练模型和生成式人工智能的进展，机器学习已成为解决很多工程和科学问题的**方案。《概率机器学习》一书从概率建模和统计推断的角度系统介绍机器学习的基本概念、经典算法及前沿进展。主要内容包括概率机器学习基础、学习理论、概率图模型、近似概率推断、高斯过程、深度生成模型、强化学习等。全书从实例出发，由浅入深，直观与严谨相结合，并提供了延伸阅读内容和丰富的参考文献。

《分布式机器学习模式》将详细介绍数十种设计和部署分布式机器学习系统的技术。你将使用各种模式解决如下问题：如何进行分布式模型训练、如何应对突发的系统故障，以及如何部署动态的模型服务。本书为每种模式都配备了实际的案例分析，以及基于 Kubernetes 实现分布式模型训练和弹性推理的完整项目。 主要内容 ● 数据摄取、分布式训练、模型服务等概念 ● 使用 Kubeflow 和 Argo 工作流在 Kubernetes 上实现 TensorFlow 的自动化部署 ● 管理和监控大规模机器学习工作负载

本书系统地介绍了机器学习系统的设计原则和实践经验，侧重于介绍机器学习的原理、神经网络和优化器、自动差分算法、机器学习系统编程模型、控制流和数据流，异构硬件加速器的原理和编程、数据流图编译器前端、数据流图编译器后端、数据准备和增强、模型部署相关技术、分布式训练、弹性训练、联合训练和评估平台、调试和优化工具、数据隐私和安全等。在讲授的过程中，本书将根据MindSpore的自身特点，在各个章节突出讨论MindSpore的优势点，从而将MindSpore并列为与TensorFlow，PyTorch的三大框架。

这是一本具有高中数学知识就能读懂的机器学习图书，书中通过大量程序实例，将复杂的公式重新拆解，详细、清晰地解读了机器学习中常用的数学知识，一步步带领读者进入机器学习的领域。本书共 22 章，主要讲解了数据可视化、math 模块、sympy 模块、numpy 模块、方程式、函数、*小平方法、集合、概率、贝叶斯定理、指数、对数、欧拉数、逻辑函数、三角函数、大型运算符、向量、矩阵与线性回归等数学知识。

《机器学习原理与Python编程实践》讲述机器学习的基本原理，使用Python和Numpy实现涉及的各种机器学习算法。通过理论学习和实践操作，使读者了解并掌握机器学习的基本原理和技能，拉近理论与实践的距离。全书共分为13章，主要内容包括：机器学习介绍、线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值算法和EM算法、决策树、神经网络、隐马尔科夫模型、支持向量机、推荐系统、主成分分析、集成学习。全书源码全部在Python 3.7上调试成功，每章都附有习题和习题参考答案，供读者参考。 《机器学习原理与Python编程实践》系统讲解了机器学习的常用核心算法和Python编程实践，内容全面、实例丰富、可操作性强，做到理论与实践相结合。本书适合机器学习爱好者作为入门和提高的技术参考书，也适合用作计算机专业高年级本科生和研究生的教材或教

人工智能和机器学习受数据驱动的趋势日益明显。仿真技术不仅强大，而且魅力无穷，有望释放两者的全部潜能。本书的主要内容有：用Unity引擎和仿真技术，解决机器学习和人工智能问题。用游戏引擎合成图像训模。创建仿真环境，训练强化学习和模仿学习模型。采用PPO等高效通用算法解决基于仿真的机器学习问题。用不同方法训练多种机器学习模型。用PyTorch、Unity ML-Agents和Perception工具集，打通机器学习工具和业界标准游戏开发工具。

本书系统地阐述机器学习中常见的几类模型，包括模型的思想、原理及实现细节等。同时，本书还结合了当前热门的机器学习框架Sklearn，对书中所涉及的模型进行用法上详细讲解。 全书共10章，第1章介绍机器学习开发环境的配置；第2章讲解线性回归模型的基本原理、回归模型中常见的几种评价指标，以及用于有监督模型训练的梯度下降算法；第3章介绍逻辑回归模型的基本原理和分类模型中常见的几种评价指标；第4章介绍模型的改善与泛化，包括特征标准化、如何避免过拟合及如何进行模型选择等；第5章讲解K近邻分类算法的基本原理及kd树的构造与搜索；第6章介绍朴素贝叶斯算法的基本原理；第7章介绍几种常见的文本特征提取方法，包括词袋模型和TF-IDF等；第8章讲解决策树的基本原理，包括几种经典的决策树生成算法和集成模型；第9章介绍支持向量机的基本

我们是否会被人工智能取代？我们要如何在人工智能时代下成为更好的设计师？这正是作者写这本书的目的。希望通过这本书，能为大家深入浅出地讲解现在的人工智能是什么，尤其是为没有开发经验的设计师讲解清楚人工智能的历史背景和现有技术；再结合一些人工智能和设计的案例，让大家清楚现在和未来我们能做什么、怎么做；*后通过对一些跨界设计师的采访，希望能给大家带来一些启发。