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。
《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
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
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。
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。
《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。
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。
数字技术的飞速发展正在以前所未见的程度塑造和撼动支撑人类社会的每一根支柱，经济发展、社会关系、政治结构、流行文化，无不如此。机器 无论是狭义上的硬件装置和设备，还是广义上的软件、算法和人工智能 已经渗透到了人类社会的每一个角落，正在影响着我们每一个人。 今天，人与机器的关系不仅愈加紧密，而且机器的能力在很多领域都正在逼近甚至已经超越人。这使一系列问题亟须被认真审视：人与机器之间的关系是近乎单向的创造与被创造、主宰与被主宰吗？人类是否能始终将机器置于自己的掌控之下？失控的机器会不会如马斯克、泰格马克等人预言的那样，将对人类形成存在性威胁，甚至将人类推向灭亡？ 理查德 道金斯曾有一句名言： 鸡是一枚鸡蛋制造另一枚鸡蛋的工具。 人与机器之间的关系是否也会如此微妙？在《协同进化》中，借鉴达
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。
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。
识别关系是机器学习的基础。通过识别和分析数据中的关系，以图为核心的算法(如K-邻近或PageRank)显著提高了机器学习应用的效率。基于图的机器学习技术以全新方式为社交网络、欺诈检测、自然语言处理和推荐系统等领域的机器学习提供了强有力的支持。 《动手学图机器学习》是行业类的权威书籍，旨在倾授如何利用面向图的机器学习算法和工具，充分挖掘结构化和非结构化数据集中的自然关系，读者可以从中吸收图架构和图设计实践的精髓，并学会从容避开常见的陷阱。作者Alessandro Negro通过真实的应用示例，将GraphML(一种图建模语言)概念与实际任务完美联系起来，使读者能够更好地理解图技术在机器学习中的价值，并熟练应用该技术。 ● 大数据平台中的图 ● 推荐、自然语言处理、欺诈检测 ● 图算法 ● 与Neo4j图数据库协作
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)
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
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。
本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。 本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。 本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
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.
《机器学习中的数学》是一本系统介绍机器学习中涉及的数学知识的入门图书，本书从机器学习中的数学入门开始，以展示数学的友好性为原则，讲述了机器学习中的一些常见的数学知识。机器学习作为人工智能的核心技术，对于数学基础薄弱的人来说，其台阶是陡峭的，本书力争在陡峭的台阶前搭建一个斜坡，为读者铺平机器学习的数学之路。 《机器学习中的数学》共19章，分为线性代数、高等数学和概率3个组成部分。第 1 部分包括向量、向量的点积与叉积、行列式、代数余子式、矩阵、矩阵和方程组、矩阵的秩、逆矩阵、高斯 诺尔当消元法、消元矩阵与置换矩阵、矩阵的LU分解、欧几里得距离、曼哈顿距离、切比雪夫距离、夹角余弦等；第2部分包括导数、微分、不定积分、定积分、弧长、偏导、多重积分、参数方程、极坐标系、柱坐标系、球坐标系、梯度、
大脑如何产生新想法？思维如何产生，又是如何运作的？意识缘何形成？什么是情感、感觉、想法？如果将人类大脑看成一台机器，那么这是否有益于我们设计出能够像人一样能理解、会思考的高级人工智能 情感机器？ 情感是人类特有的一种思维方式，如果机器具备了情感，是不是就可以取代人类？ 在《情感机器》中，人工智能之父马文 明斯基有力地论证了：情感、直觉和情绪并不是与众不同的东西，而只是一种人类特有的思维方式。也同时揭示了为什么人类思维有时需要理性推理,而有时又会转向情感的奥秘。通过对人类思维方式建模,他为我们剖析了人类思维的本质，为大众提供了一幅创建能理解、会思考、具备人类意识、常识性思考能力，乃至自我观念的情感机器的路线图。
本书系统阐述分布式机器学习的理论、算法、和实践。
