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

本书是关于如何从零开始构建大模型的指南，由畅销书作家塞巴斯蒂安 拉施卡撰写，通过清晰的文字、图表和实例，逐步指导读者创建自己的大模型。在本书中，读者将学习如何规划和编写大模型的各个组成部分、为大模型训练准备适当的数据集、进行通用语料库的预训练，以及定制特定任务的微调。此外，本书还将探讨如何利用人工反馈确保大模型遵循指令，以及如何将预训练权重加载到大模型中。

《图解人工智能》从基础概念、历史沿革、基础算法、代表性应用、**研究进展、跨学科交叉成果等多个方面深入介绍人工智能。为满足不同程度学习者的学习需求，全书以图片为主并辅以少量文字说明，每节配有 小清爱提问 在线视频，具有初等阅读能力的读者（包括中小学生）可以轻松获得人工智能的基础知识和全局视野；每一节还包括扩展学习资料、深入阅读材料和编程实践资源供高等阅读能力的读者（包括大学生和教师）自学提高。为配合课堂教学，全书每一节都配有PPT课件、附加视频资料、互动演示程序等教学资源。对应不同知识背景的读者，本书有速读、专业、教学3种建议阅读模式。 期待更多人能借此书产生对人工智能学科的探索热情！ 本书封面贴有清华大学出版社防伪标签，无标签者不得销售。版权所有，侵权必究。

本书共12章，围绕大语言模型基础理论、预训练、指令理解、模型增强和模型应用五个部分展开：第一部分介绍大语言模型的基础理论；第二部分介绍大语言模型的预训练，包括大语言模型预训练数据和分布式训练；第三部分介绍大语言模型如何理解并服从人类指令，包括有监督微调和强化学习；第四部分介绍大语言模型增强技术，包括多模态语言模型、大模型智能体和检索增强生成；第五部分介绍大模型应用，包括大模型效率优化、模型评估和应用开发。

内容简介 自人工智能（AI）的概念诞生之日起，科学家们就热衷于探讨它的发展路径。第一阶段毫无疑问是计算智能，经过半个多世纪，AI在运算能力和记忆方面早已超越人类。第二阶段，是感知智能，让机器可以看得懂听得懂这个世界。科学界认为，尚未到来的第三阶段，是认知智能，甚至提到一个词：认知时代。 我们来到大模型时代或者是生成式人工智能时代了吗？如果我们此时此刻正身处这个时代，那上一个是什么时代？ 有人说，大规模预训练已经过时，AI要实现具身化，具备推理能力，接着自我意识相伴而生。具身智能揭开了人类驯服机器的科学路径，小到在分子或原子上进行操作的纳米机器，大到震天撼地的巨型机械，无不乖乖地服从人类的操控指令，替代或者协助人类完成复杂的任务。 具有自我意识的AI是更安全还是更不安全？我们需要开始认真考虑

本书内容包括四旋翼无人机的基本原理、硬件配置、无人机的组装和调试以及试飞，*后给出了制作无人机过程中的常见问题及解决方法。本书可作为中、高等职业院校无人机专业教材，也可帮助初学者迈开玩转无人机的*步。

《DeepSeek 从入门到精通（微课视频版） 提示词设计 多场景应用 工具深度融合》 是一本系统讲解大模型 DeepSeek 应用方法的实用指南，内容涵盖从入门操作、提示词设计、本 地与云端部署到上百种实际场景应用，以及AI 智能体设计，全面展示了 DeepSeek 在办公、写作、 编程、教育、创意等领域的强大能力。全书结构清晰，配合丰富案例与实操技巧，帮助读者快 速掌握与大模型高效交互的方法。 本书最大特色在于实用性与前瞻性并重，既有提示词设计的系统讲解，提供100 提示词模 板，又有 DeepSeek 与 WPS、Word、Excel、Xmind、剪映等常用软件的深度融合案例，真正实 现AI 赋能日常工作与创作。无论你是职场人士、内容创作者、教师学生，还是对大模型感兴趣 的开发者，本书都将为你提供可操作、可落地的指导，助你在 AI 时代实现效率与创意的双重飞跃。

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。

本书是一本全面探索DeepSeek大语言模型应用的实用指南，涵盖了近200个精心设计的实用案例，以 场景思维 为核心，从用户实际需求出发，系统地展示了DeepSeek如何在日常工作、学习和生活的各个方面发挥智能助手的作用。 全书共分为20章，内容丰富且有层次： （1）从基础工具使用和提示词工程入门，到内容创作、知识工作、创意设计等应用场景，涵盖了多个专业领域（医疗、金融、法律、心理）的深度应用。 （2）介绍了日常生活、创业自媒体、行业赋能的多维度实践，提供了API集成方案和30个精选高频场景的深度解析； （3）每个实例都针对特定用户群体的痛点和需求，提供了具体、可操作的解决方案，帮助读者快速掌握如何将DeepSeek融入工作流程，真正实现AI赋能。 书中不仅关注 如何使用 ，更着眼于 为何使用 和 何时使用 ，帮助读者建立对AI辅助工具的系统性

本书从简单的思路着手，详细介绍了理解神经网络如何工作所必须的基础知识。部分介绍基本的思路，包括神经网络底层的数学知识，第2部分是实践，介绍了学习Python编程的流行和轻松的方法，从而逐渐使用该语言构建神经网络，以能够识别人类手写的字母，特别是让其像专业人员所开发的网络那样地工作。第3部分是扩展，介绍如何将神经网络的性能提升到工业应用的层级，甚至让其在Raspberry Pi上工作。

《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。

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

随着计算科学的快速发展，人工智能已为我们大家熟知。2017 年国务院正式印发《新一代人工智能发展规划》，明确了人工智能的国家战略地位，关于人工智能的科普、技术普及读物也已出现，但符合少年儿童认知的人工智能科普读物却一直是个空白。本书是面向少年儿童的人工智能科普读物，用轻松有趣的笔触和明确简洁的形式介绍人工智能的历史、现状及未来。 本书写给6 岁以上、13 岁以下的青少年读者，深入浅出地介绍了人工智能的发展历史、人工智能的主要研究方向、技术实现流程及人工智能与未来社会的关系探索等。本书从科普和青少年教育的角度出发，培养孩子们对人工智能乃至新科技的认知，目的是让孩子们了解人工智能知识，建立正确的科技价值观和科学的方法论，为将来人工智能的研究和应用做好准备。

本书强调 把 AI作为方法 (AI即 Artifcial Intelligence，人工智能)这一核心理念，旨在引导读者掌握与 AI对话的关键技巧，并将AI融入工作和生活真正体验 AI带给人类的高效与便捷。 本书从技术的发展规律人手，探讨了把AI作为方法的必然性和必要性，进一步剖析了算法与哲学在内在逻辑上的贯通性。此外，本书通过丰富多样的案例展示了 AI的强大魅力，通过一系列 召唤术 帮助读者运用AI创造性地完成各种各样的任务，在这个过程中体验和掌握运用AI的核心技巧。 本书适合对 AI有研究兴趣、有使用需求、有产品研发需求或有投资意向的读者阅读。读者可扫描文中的二维码了解本书所介绍的与AI交互的秘诀。

《DeepSeek大模型 : 技术解析与商业应用》系统讲解了DeepSeek 大语言模型的技术原理与商业实践，既深入剖析模型的核心原理，又提供切实可行的实践指导。全书共分为10 章，从基础概念入手，逐步阐明模型架构、本地部署方法，并详细解析了DeepSeek 提示词的思维链，指导用户如何根据不同需求设计有效的提示词，以实现高效的AI 交互。书中深入探讨了DeepSeek 在多领域的应用：在内容创作方面，利用AI 生成创意文案、优化代码开发与学术写作，从而显著提升效率；在自媒体领域，通过解锁流量密码，为开发者和创作者提供智能支持；在职场环境中，辅助简历优化、面试模拟及知识库构建，全面提升办公效能；在数字艺术设计方面，赋能创作者高效产出作品，激发无限创意表达。此外，本书还讲解了如何通过DeepSeek API 将技术无缝嵌入商业流程，进而构建智能生态系统。

本书通过想要学习深度学习的程序员绫乃和她朋友美绪的对话，逐步讲解深度学习中实用的数学基础知识。内容涉及神经网络的结构、感知机、正向传播和反向传播，以及卷积神经网络。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python 编程实现神经网络，加深读者对相关数学知识的理解。 本书适合对深度学习感兴趣、想要从事深度学习相关研究，但是对深度学习和神经网络相关数学知识感到棘手的读者阅读。

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。

本书根据李宏毅老师 机器学习 公开课中与深度学习相关的内容编写而成，介绍了卷积神经网络、Transformer、生成模型、自监督学习（包括 BERT 和 GPT）等深度学习常见算法，并讲解了对抗攻击、领域自适应、强化学习、元学习、终身学习、网络压缩等深度学习相关的进阶算法. 在理论严谨的基础上，本书保留了公开课中大量生动有趣的例子，帮助读者从生活化的角度理解深度学习的概念、建模过程和核心算法细节.

本书的作者约翰 冯 诺伊曼（John von Neumann，1903 1957）是20世纪重要的数学家之一，被后人称为 计算机之父 和 博弈论之父 。 本书是诺依曼在1955 1956年为西里曼讲座而准备的未完成讲稿，是作者对过去十几年在计算机领域所做研究的一个总结性梳理。诺依曼在书中首先概述了模拟计算机和数字计算机的一些基本设计思想和理论基础，然后从数学的角度，主要是逻辑和统计数学的角度，探讨了人脑的神经系统的控制和逻辑结构，对计算机的数学运算和人脑思维的过程进行了比较研究。 本书是计算机和人工智能领域的一篇重要的原始文献，具有高度的前瞻性，为计算机的创新与发展以及机器人的研究指明了方向。

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。 全书的内容分为3个部分：*部分介绍深度学习的背景，提供预备知识，并包括深度学习*基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本

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。