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

这是一部从技术原理、行业应用、商业价值、投资创业、发展趋势5个维度讲解AI Agent的著作，具有科普书和商业书的双重属性。 本书首先详细介绍了AI Agent的技术路径及其在11大领域的应用，丰富的应用案例可以帮助读者深度理解AI Agent产品形态与服务方式；然后深入探讨了AI Agent的商业价值与商业生态，并对AI Agent的企业级应用和投资创业做了很多思考与总结，能够带给读者应用与创业方面的启发。本书将技术、应用及商业理念融会贯通，理论性与实用性兼具，是一本适合业内外人士快速了解AI Agent、提升行业认知的综合指南，得到了很多行业人士、专家及创业者的一致好评。 全书共15章，分为四个部分： 第一部分（第1~3章） 技术认知 首先，介绍AI Agent的概念、特征、定义、发展历程、分类方式，以帮助读者全面认知AI Agent；然后，介绍AI Agent核心技术，展示其技

《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

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。

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。

9787115600820 动手学深度学习（PyTorch版） 109.80 9787115584519 动手学强化学习 89.90 9787115618207 动手学机器学习 89.80 《动手学深度学习（PyTorch版）》 本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络 多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和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

《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。

这是一本讲解NPU硬件架构设计与技术实现的著作。作者将自己在CPU、GPU和NPU领域15年的软硬件工作经验融会贯通，将四代NPU架构设计经验融为一体，将端侧和云侧NPU架构合二为一，总结并提炼出本书内容。本书主要讨论神经网络硬件层面，尤其是芯片设计层面的内容，主要包含神经网络的分析、神经网络加速器的设计以及具体实现技术。通过阅读本书，读者可以深入了解主流的神经网络结构，掌握如何从零开始设计一个能用、好用的产品级加速器。 通过阅读本书，你将： 透彻理解与深度学习相关的机器学习算法及其实现 学会主流图像处理领域神经网络的结构 掌握加速器运算子系统和存储子系统的设计 摸清加速器设计中遇到的具体问题及其解决方法 了解NPU架构需要考虑的控制通路和数据通路

这是一本关于Elasticsearch技术实战的教程，全面覆盖了Elastic Stack技术体系知识，旨在帮助读者深入了解Elasticsearch的核心技术和应用场景，同时掌握分布式搜索与分析引擎的设计思想和实现原理。

马文·明斯基认为，无论是人类的思维还是人工智能的思维，都是由原本简单的元素相连而组成，当这些元素组成一个整体时，就成为无限复杂的、我们称为思想和感情的东西。这些思想和感情可以转化为人类的体验。本书章节、段落之间的结构和明斯基的理论相呼应，翻过这一篇篇书页，关于思维的统一理论渐渐成型。本书妙趣横生，是想象空间里的一场历险。

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。

一本将 AI 绘画讲透的探秘指南，通过丰富的实践案例操作，通俗易懂地讲述 AI 绘画的生成步骤，生动展现了 AI 绘画的魔法魅力。从历史到未来，跨越百年时空；从理论到实践，讲述案例操作；从技术到哲学，穿越多个维度；从语言到绘画，落地实战演练。AI 绘画的诞生，引发了奇点降临，点亮了 AGI（通用人工智能），并涉及 Prompt、风格、技术细节、多模态交互、AIGC 等一系列详细讲解。让您轻松掌握生图技巧，创造出独特的艺术作品，书写属于自己的艺术时代。

本书从数字图片开始讲起，介绍什么是数字图像。以halcon的安装，halcon的基础语法和数据结构起点，以图像的获取，图像的处理，图像匹配，区域的处理，区域的特征，亚像素轮廓特征，亚像素轮廓处理，数组操作为主要内容，*后结合实际案例，启发读者。内容包含理论讲解，和实际编程两个部分，理论讲解，说明图像处理原理，实际案例，实操算法，强化应用。使读者不仅可以明白原理，还能学以致用。内容讲解细致，没有编程基础的读者也能轻松入门。

当智能工具成为我们日常生活不可或缺的一部分时，我们很容易忘记人类是如何迈入数字时代并一路走来的。然而，在历史上的一段时期内，聪明的人类却在创建由简单的0和1组成的字符串时遇到了众多极大的困难。《数字革命史》正是向这段历史致敬，没有这段历程，就没有我们今日智能手机、社交网络、互联网服务和人工智能的普及。这本书讲述了人类曾面临的最严峻的挑战，并呈现了现代新技术世界的奥秘。该书围绕五个主要章节带领读者畅游数字革命史之路，探究以惊人速度相继出现的数字技术并启发今天人工智能的新挑战。

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.

工程师需要知道的机器学习和人工智能提供的实例和图示来自Prosise的AI和ML课程,这]课程受到了全球各地许多公司和研究所的青睐和欢迎。作者不涉及让人滑悚然和望而生畏的数学公式,目的只有一个那就 是面向工程师和软件开发人员,帮助他们迅速入门并通过案例迅速运用人工智能和机器学习来解决业务问题。本书讲帮助读者学会什么是机器学习和深度学习以及两者各有哪些用途;理解常用的深度学习算法的原理及其应用;学会标记和未标记数据,监督学习和非监督学习有何差异;通过scikit-learn和神经网络Keras和TensorFlow ,运用Python来进行机器学习建模;训练和评分地柜模型与-进制和多类粉类器模型 ;构建面检测和面识别模型以及 对象检测模型。本书适合硬件工程师与软件开发人员阅读和参考

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

本书在介绍ROS总体框架和理论要点的基础上，讲解ROS的通信机制、常用组件和进阶功能；同时以实践为主，讲解机器视觉、机器听觉、SLAM与导航、机械臂控制、机器学习等多种ROS应用的主要原理和实现方法；并分析基于ROS的机器人系统设计方法和典型实例；后论述ROS2的框架特点和使用方法，剖析ROS的发展方向。

本书以通俗易懂的风格介绍了机器学习和深度学习技术，只涉及了基本的数学知识。本书由两位机器学习和深度学习领域的专家编写，书中的案例涵盖了银行、保险、电子商务、零售和医疗等多个行业。本书讲述如何在当今的智能设备和应用程序中使用机器学习和深度学习技术。本书提供了对书中涉及的数据集、代码和示例项目的下载。 l 机器学习和深度学习的概念 l 随机森林和提升方法 l Python编程与统计学基础 l 人工神经网络 l 回归与逻辑回归 l TensorFlow与Keras l 决策树 l 深度学习超参数 l 模型选择与交叉验证 l 卷积神经网络(CNN) l 聚类分析 l 循环神经网络(RNN)和长短期记忆网络(LSTM)

本书将理论融入贴近生活的案例之中，深入浅出，丰富有趣。例如，通过AI判定美味的红酒、自动识别邮政编码、从视频中检测特定场景、判断SNS上的垃圾邮件投稿、通过识别照片上的物体自动判断新闻报道类型、通过食物照片调查热量等等。

《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

本书是作者多年在数据智能领域中利用机器学习实战经验的理解、归纳和总结。出于 回归事物本质，规律性、系统性地思考问题 理论为实践服务并且反过来充实理论，为更多人服务 的想法和初心，本书系统地阐述了机器学习理论和工程方法论，并结合实际商业场景落地。 全书分为3部分。第1部分是机器学习的数学理论理解，这部分不是对于机器学习数学理论的严谨推导和证明，更多是对于理论背后的 到底是什么，为什么要这样做 的通俗理解。尽可能通过对应到日常生活中的现象来进行讲述。第2部分是机器学习模型、方法及本质，这一部分针对机器学习的方法论及具体的处理过程进行阐述。涉及数据准备、异常值的检测和处理、特征的处理、典型模型的介绍、代价函数、激活函数及模型性能评价等，是本书的核心内容。我们学习知识的主要目的是解决问题，特

本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。