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。
这是一本深入讲解 AI 电影制作前沿科技的权威指南，帮助每个人都有机会成为电影导演。本书揭示了 AI 如何革新电影产业，并通过丰富的实践案例和操作指南，帮助读者轻松掌握使用 AI 技术制作短视频和大电影的过程。书中涵盖了 AI 生成脚本、音乐、配音、图片和视频素材等内容，介绍了如何通过数字人技术生成影视演员，并展示了传统虚幻引擎与 AI 技术相结合后的强大潜力。 无论您是电影爱好者、AI 技术研究者，还是专业电影人，本书都将成为您电影创作的指南。
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。
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。
《DeepSeek源码深度解析》是一本系统讲解DeepSeek源码及其核心实现原理的技术指南，内容覆盖了从基础概念到高级应用的全流 程知识。全书共7章，结构层层递进。第1章对DeepSeek进行了全面概述，帮助读者构建对DeepSeek系统的整体认 知。第2章聚焦于环境搭建、代码获取与模型部署接入，为后续深入研究提供基础。第3章深入探讨了MoE（混合 专家模型）的基本原理、功能模块与优化技术。第4章详细解析了DeepSeek-V3模型的架构知识，并通过测试验证 展示了系统的实际效果。第5章围绕统一多模态大模型展开，介绍了Janus系列架构、核心技术及工具模块。第6章 针对高分辨率图像场景，探讨了结合MoE、细粒度特征提取与视觉/语言适配器的多模态模型的知识。第7章聚焦 DeepSeek-R1推理大模型，展示了DeepSeek在推理性能与自我进化方面的前沿探索。 《DeepSeek源码深度解析》适合人
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
《Stable Diffusion AI 绘画从提示词到模型出图》介绍了 Stable Diffusion AI 绘画工具及其使用技巧。书中内容分为两部分： 基础操作篇 ，讲解了 SD 文生图、图生图、提示词、模型、ControlNet 插件等核心技术的应用，帮助读者快速从新手成长为 SD 制图高手； 案例实战篇 ，精选了动漫人物、水墨画、AI 摄影、商业海报、电商模特、产品包装、电影角色等大量 AI 绘画案例，并带有详细的同步教学视频，读者可以边学边做，提高学习效率。 《Stable Diffusion AI 绘画从提示词到模型出图》可作为高等院校平面设计、艺术设计等专业的教材，也适合设计师、游戏师、摄影师，以及美术、绘画、设计等行业的从业人员阅读。
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。
《深度学习理论及实战（MATLAB版 第2版）》主要介绍深度学习理论及实战,共5章,内容包括机器学习、人工神经网络、卷积神经网络、MATLAB深度学习工具箱和应用案例。在介绍基础理论方面,本书深入浅出、语言生动、通俗易懂;在介绍应用实例时,本书贴近实际,步骤翔实,举一反三。本书对数十个例程进行了深入的讲解,并对代码进行了详细的注解。 《深度学习理论及实战（MATLAB版 第2版）》可作为人工智能、电子信息、计算机科学相关专业的本科生,研究生的教材,也可作为本科毕业设计、研究生学术论文的参考资料,还可作为相关工程技术人员的参考资料。
本书以零基础讲解为宗旨，面向学习数据科学与人工智能的读者，通俗地讲解每一个知识点，旨在帮助读者快速打下数学基础。 全书分为 4 篇，共 17 章。其中第 1 篇为数学知识基础篇，主要讲述了高等数学基础、微积分、泰勒公式与拉格朗日乘子法；第 2 篇为数学知识核心篇，主要讲述了线性代数基础、特征值与矩阵分解、概率论基础、随机变量与概率估计；第 3 篇为数学知识提高篇，主要讲述了数据科学的几种分布、核函数变换、熵与激活函数；第 4 篇为数学知识应用篇，主要讲述了回归分析、假设检验、相关分析、方差分析、聚类分析、贝叶斯分析等内容。 本书适合准备从事数据科学与人工智能相关行业的读者。
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
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。
《动手学PyTorch建模与应用:从深度学习到大模型》是一本从零基础上手深度学习和大模型的PyTorch实战指南。《动手学PyTorch建模与应用:从深度学习到大模型》共11章，第1章主要介绍深度学习的概念、应用场景及开发环境搭建。第2章详细介绍PyTorch数学基础，包括函数、微分、数理统计、矩阵等基础知识及其案例。第3章介绍数据预处理及常用工具，包括NumPy、Pandas、Matplotlib、数据清洗、特征工程以及深度学习解决问题的一般步骤等。第4章介绍PyTorch基础知识，包括张量的创建、激活函数、损失函数、优化器等。第5章介绍PyTorch深度神经网络，包括神经网络概述、卷积神经网络、循环神经网络等。第6章介绍PyTorch数据建模，包括回归分析、聚类分析、主成分分析、模型评估与调优等。第7～10章介绍PyTorch图像建模、文本建模、音频建模和模型可视化。第11章介绍大语言模型
9787115617149 秒懂AI写作：让你轻松成为写作高手 59.80 9787115620460 秒懂AI提问：让人工智能成为你的效率神器 59.80 《秒懂AI写作：让你轻松成为写作高手》 《秒懂AI写作：让你轻松成为写作高手》针对职场、学习、生活、艺术创作领域常见的40余种写作应用场景，遵循 场景 方法 总结 的框架，详细介绍了如何正确利用AI完成多种写作任务，并归纳出使用AI写作的方法和技巧。 《秒懂AI写作：让你轻松成为写作高手》分为6章。第1章通过5个步骤、6大场景介绍了如何驾驭AI完成多种类型的写作任务；第2章至第6章分别详细介绍了在职场应用文写作、商业营销文案写作、新媒体写作、调查研究与论文写作、生活艺术创作等多种场景中使用AI写作的技巧，帮助读者充分发挥AI的潜力，让写作变得简单有趣。 《秒懂AI写作：让你轻松成为写作高手》适合各行业有写作需求的人群阅读
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
OpenAI API是一个为开发者、企业和研究者打造的平台。通过这个API，用户可以轻松地融合和应用最前沿的AI技术，而无须独立训练模型或构建复杂的支持系统。这种便利性不仅加速了各类自然语言处理任务的实现（如文本创作和问答系统），还大大降低了开发和运营的成本。随着对OpenAI不断地进行研究和优化，API用户始终能够享受到最新的技术成果。此外，API还为各个行业的创新者开辟了新的可能性，并助力各种新应用和服务的诞生。总之，OpenAI API不仅推动了AI技术的广泛应用，还为广大用户提供了一种简单、高效的方式来探索和实现AI的潜能。 本书分4篇，共19章，涵盖的主要内容有OpenAI API的基础知识、OpenAI API详解，使用OpenAI API实现智能问答、在线客服、教育辅导、编程助手、情感咨询、心理咨询、内容创作、旅行规划、法律咨询、多语言翻译、市场分析、文
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、
Python是当今使用最为广泛的开发语言之一，被认为是开发深度学习程序的最佳语言。《深度学习项目开发实践（TensorFlow Sklearn PyTorch）（微视频版）》通过9个综合实例，详细讲解了使用Python语言开发大型深度学习项目的过程，这些项目在现实应用中具有极强的代表性。第1章讲解了AI智能问答系统的具体实现流程；第2章讲解了AI智能推荐系统的具体实现流程；第3章讲解了智能OCR文本检测识别系统的具体实现流程；第4章讲解了国际足球比赛结果预测系统的具体实现流程；第5章讲解了智能绘图系统的具体实现流程；第6章讲解了利用ChatGPT开发微信客服机器人的具体实现流程；第7章讲解了移动机器人智能物体识别系统的具体实现流程；第8章讲解了AI考勤管理系统的具体实现流程；第9章讲解了网络舆情数据分析系统的具体实现流程。在具体讲解每个实例时，都遵循项目的
