本书是备受广大读者推崇的数据结构与算法入门教程，已在GitHub获得超60k的 Star，并多次登顶GitHub Trending。书中系统介绍了数据结构与算法基础、复杂度分析、数组与链表、栈与队列、哈希表、树、堆、图、搜索、排序、分治、回溯、动态规划和贪心算法等核心知识，通过清晰易懂的解释和丰富的代码示例，以及生动形象的全彩插图和在线动画图解，揭示算法工作原理和数据结构底层实现，教授读者如何选择和设计算法来解决不同类型的问题，切实提升编程技能，构建完整的数据结构与算法知识体系。

作者基于丰富的教学经验，开发了一套全新的算法分类方法。该分类法站在通用问题求解策略的高度，对现有大多数算法进行了较为准确的分类，旨在引领读者沿着清晰、一致、连贯的思路来探索算法的设计与分析。 《算法设计与分析基础（第3版 详解版）》适合用作算法设计与分析的基础教材，也适合任何有兴趣探究算法奥秘的读者自学使用。

这是一本关于 高级/进阶 算法和数据结构的图书，主要介绍了用于Web应用程序、系统编程和数据处理领域的各种算法，旨在让读者了解如何用这些算法应对各种棘手的编码挑战，以及如何将其应用于具体问题，以应对新技术浪潮下的 棘手 问题。 本书对一些广为人知的基本算法进行了扩展，还介绍了用于改善优先队列、有效缓存、对数据进行集群等的技术，以期读者能针对不同编程问题选出更好的解决方案。书中示例大多辅以图解，并以不囿于特定语言的伪代码以及多种语言的代码样本加以闸释。 学完本书，读者可以了解高级算法和数据结构的相关内容，并能运用这些知识让代码具备更优性能，甚至能够独立设计数据结构，应对需要自定义解决方案的情况。 本书可作为高等院校计算机相关专业本科高年级学生以及研究生的学习用书，也可供从事与算法相关工作

本书定位于夯实数学建模基础，采用主流编程方法和简洁代码实现常用的数学建模算法，以案例为导向，围绕数学建模知识体系展开。全书分5篇，共11章。前两章是数学建模基础篇，包括数学建模介绍、数学建模的一般流程（初等模型）、如何从算法到编程实现（层次分析法与自定义函数）；接着按算法板块组织内容，包括微分方程模型篇（人口模型、传染病模型）、优化模型篇（规划模型、投资优化策略、优化模型进阶）、评价模型篇（经典评价模型、模糊理论）、预测模型篇（常规预测模型、时间序列分析）。本书有配套源码资源和电子课件。 本书可作为高等院校数学建模的入门教材，也可作为数学建模指导教师的参考资料，还可作为其他相关行业人员、科研人员使用数学模型解决实际问题的参考用书。

本书图文并茂、通俗易懂，详细讲解常用的算法知识，又融入大量的竞赛实例和解题技巧，可帮助读者熟练应用各种算法解决实际问题。本书总计8章。第1章讲解STL，涉及双端队列、优先队列、位图、集合、映射和STL中的常用函数；第2章讲解实用的数据结构，涉及并查集、倍增、稀疏表、区间最值查询、最近公共祖先、树状数组和线段树；第3章讲解查找算法，涉及散列表、字符串模式匹配和字典树；第4章讲解平衡树，涉及树高与性能、平衡二叉搜索树、树堆和伸展树；第5章讲解图论提高方面的知识，涉及连通图与强连通图、桥与割点、双连通分量的缩点和Tarjan算法；第6章讲解图论算法，涉及最小生成树、最短路径、拓扑排序和关键路径；第7章讲解搜索算法提高方面的知识，涉及剪枝优化、嵌套广度优先搜索、双向广度优先搜索和启发式搜索；第8章讲解动态规划

《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学习的目的。本书分别论述了两个变量和多变量情况下的因果模型、学习因果模型及其与机器学习的关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。 《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。

本书是用轻松有趣的方法学习算法的入门指南。按照算法策略分为8章。第1章以算法之美、趣味故事引入算法，讲解算法复杂度的计算方法，以及爆炸性增量问题。2～7章讲解经典算法，包括贪心算法、分治算法、动态规划算法、回溯法、分支限界法、网络流算法。第8章讲解实际应用中的算法和高频面试算法，包括启发式搜索、敏感词过滤、LRU算法、快慢指针、单调栈、单调队列、零钱兑换、股票交易等。每一种经典算法都有4～8个实例，多数按照问题分析、算法设计、完美图解、算法详解、算法分析及优化拓展的流程进行讲解。全书讲解清晰，通俗易懂，紧扣工程教育认证的要求和实用性，力求满足新工科人才培养的需要。 本书为河南省 十四五 普通高等教育规划教材，提供了丰富的教学资源与答疑服务，包括源代码、课件、教案、习题、在线答疑和在线测试系

本书以海量图解的形式，详细讲解常用的数据结构与算法，又融入大量的竞赛实例和解题技巧。通过对本书的学习，读者可掌握12种初级数据结构、15种常用STL函数、10种二叉树和图的应用，以及8种搜索技术，并领悟不同的数据结构和算法的精髓，熟练应用各种算法解决实际问题。 本书总计9章。第1章讲解C 语言基础，包括语法、函数、递归和数组；第2章讲解算法入门知识，包括算法复杂度计算、贪心算法、分治算法和STL应用；第3章讲解线性表的应用，包括顺序表、单链表、双向链表、循环链表和静态链表；第4章讲解栈和队列的应用，包括顺序栈、链栈、顺序队列和链队列；第5章讲解树的应用，包括树的存储、二叉树遍历与还原、哈夫曼编码；第6章讲解图论基础，包括图的存储、图的遍历和图的连通性；第7章讲解图的应用，包括短路径、小生成树、拓扑排序

本书收集了历年来国家统考和985、211等重点高校和研究院、所的350多套硕士研究生入学“(算法与)数据结构”考试试卷的2100多道试题。作者按照数据结构课程的知识点对这些题目进行分类。在回顾知识点的基础上，对每一类题目进行分析、归纳答题思路，并给出了参考答案。本书收录的题目具有典型性，充分理解这些题目有助于学生更好地掌握数据结构课程的核心内容，以及应用知识解决实际问题的方法。 本书可以作为高等院校计算机及相关专业学习数据结构课程的参考书，对于报考相关专业硕士研究生的考生也极具价值，同时也适用于讲授该课程的教师以及自修该课程的其他人员。

这是一本关于数据结构和算法的书，以Java为描述语言，介绍了计算机编程中常用的数据结构和算法。全书共13章，讲述了常见的数据结构、排序算法、位运算、树、递归、回溯算法、贪心算法、双指针和滑动窗口、BFS和DFS、前缀和、动态规划、并查集、其他经典算法等知识。本书内容丰富，实用性强，通过示例练习和问题分析等方式，详细讲解了与算法有关的知识点。本书附赠视频讲解二维码，以及源代码。 本书适合程序员、计算机专业相关师生，以及对算法感兴趣的读者阅读。

集成学习方法是一类先进的机器学习方法，这类方法训练多个学习器并将它们结合起来解决一个问题，在实践中获得了巨大成功。全书分为三部分。*部分主要介绍集成学习的背景知识；第二部分主要介绍集成学习方法的核心知识，包括Boosting、Bagging、Random Forests等经典算法，平均、投票和Stacking等模型和方法、相关理论分析工作，以及多样性度量和增强方面的进展。第三部分介绍集成学习方法的进阶议题，包括集成修剪、聚类集成和集成学习方法在半监督学习、主动学习、代价敏感学习、类别不平衡学习，以及提升可理解性方面的进展。此外，本书还在每章中的 拓展阅读 部分提供了相关的进阶内容。本书适合对集成学习方法感兴趣的研究人员、学生和实践者阅读。

本书将数学理论与实例相结合，这些实例以*先进的通用机器学习框架为基础，由Python实现，向读者介绍更复杂的算法。全书共25章，包括机器学习模型基础、损失函数和正则化、半监督学习导论、高级半监督分类、基于图的半监督学习、聚类和无监督学习模型、高级聚类和无监督学习模型、面向营销的聚类和无监督学习模型、广义线性模型和回归、时序分析导论、贝叶斯网络和隐马尔可夫模型、*大期望算法、成分分析和降维、赫布学习、集成学习基础、高级提升算法、神经网络建模、神经网络优化、深度卷积网络、循环神经网络、自编码器、生成对抗网络导论、深度置信网络、强化学习导论和高级策略估计算法。

大模型技术掀起了新一轮人工智能浪潮，以ChatGPT 为核心的大模型相关技术可以应用于搜索、对话、内容创作等众多领域，在推荐系统领域的应用也不例外。 本书主要分为3部分。 第1部分简单介绍大模型相关技术，包括大模型的预训练、微调、在线学习、推理、部署等。 第2部分将大模型在传统推荐系统中的应用抽象为4种范式 生成范式、预训练范式、微调范式、直接推荐范式，并对每种范式给出算法原理说明、案例讲解和代码实现。 第3部分以电商场景为例，讲解大模型在电商中的7种应用，包括生成用户兴趣画像、生成个性化商品描述信息、猜你喜欢推荐、关联推荐、冷启动问题、推荐解释和对话式推荐，每种应用场景都包含完整的步骤说明和详细的代码实现，手把手教你构建大模型推荐系统。 本书适合有一定推荐系统基础，期望深入了解和学习大模型技术

大多数软件开发人员在复杂的代码上浪费了大量的时间。《整洁代码的艺术》提出的九大原则将教会您如何编写清晰、可维护且功能完备的代码。本书的指导原则很简单：缩减和简化，将精力投入到重要的工作上，省下大量的时间，卸下代码维护的重担。 热销书作者克里斯蒂安 迈尔在本书中利用他的经验帮助许多程序员完善他们的编码技能。他给出专业建议和真实例子，展示如何：利用80/20原则，专注于重要任务 要紧的那20%代码；避免孤立编码，创建小可行产品，获得早期反馈；编写整洁、简单的代码，排除混乱；避免导致代码过度复杂的过早优化；平衡您的目标、能力与反馈，达到高产出的心流状态；应用 做好一件事 哲学，极大地提升代码功能；利用 少即是多 哲学，设计有效用户界面；用 专注 原则贯穿所学的这些新技能。 本书采用Python作为示例语言，但

哇，编程！跟小明一起学算法这本书融入了游戏设计思想，通过游戏攻关的方式，介绍各种算法的原理和应用。全书共分8章，具体包括排序算法、穷举算法、递归算法、回溯算法、贪心算法、分治算法，栈、队列、树三种数据结构，动态规划算法，图论相关算法等内容。

本书从一系列有趣的生活实例出发，全面介绍了构造算法的基础方法及其广泛应用，生动展现了算法的趣味性和实用性。书中介绍了算法在多个领域的应用，如图像处理、物理实验、计算机图形学、数字音频处理、机器学习等。其中，既有各种大名鼎鼎的算法，如神经网络、遗传算法、离散傅里叶变换算法、KNN、贝叶斯算法，也有不起眼的排序和概率计算算法。本书讲解浅显易懂而不失深度和严谨，对程序员有很大的启发意义。书中所有示例都与生活息息相关，充分地展现了算法解决问题的本质，让你爱上算法，乐在其中。本书在第1版的基础上新增了图像处理算法、游戏开发中检测碰撞常用的分离轴 （SAT）算法、垃圾邮件过滤相关的算法、中文分词算法、限流算法、手写数字识别和变声器等，进一步提升趣味性。 本书适合软件开发人员、编程和算法爱好者以及

内容介绍 本书基于Python全面介绍了机器学习在信贷风控领域的应用与实践，从原理、算法与工程实践3个维度全面展开，包含21种实用算法和26个解决方案。 作者是智能风控、人工智能和算法领域的专家，曾在多家知名金融科技企业从事风控算法方面的研究与实践，经验丰富，本书得到了风控领域9位专家的高度评价。 全书一共8章，每个章节都由问题、算法、案例三部分组成，具有系统性和实战性。 第1-2章讲解了信贷业务的基础知识以及常用的规则引擎、信用评估引擎的建模方法。 第3章以项目冷启动为背景，讲解了风控领域应用广泛的迁移学习方法。 第4-5章介绍了幸存者偏差与不均衡学习中所使用的无监督学习与半监督学习方法。 第6章阐述了无监督的异常识别算法，该算法常用于数据清洗与冷启动项目，是反欺诈引擎中常用的个体欺诈检测方法。 第7章分享了一

演化学习利用演化算法求解机器学习中的复杂优化问题, 在实践中取得了许多成功, 但因其缺少坚实的理论基础, 在很长时期内未获得机器学习社区的广泛接受. 本书主要内容为三位作者在这个方向上过去二十年中主要工作的总结. 全书共18 章, 分为四个部分: 部分(第1～2 章) 简要介绍演化学习和一些关于理论研究的预备知识; 第二部分(第3～6章) 介绍用于分析运行时间复杂度和逼近能力这两个演化学习的基本理论性质的通用工具; 第三部分(第7～12 章) 介绍演化学习关键因素对算法性能影响的一系列理论结果, 包括交叉算子、解的表示、非精确适应度评估、种群的影响等; 第四部分(第13～18 章) 介绍一系列基于理论结果启发的具有一定理论保障的演化学习算法. 本书适合对演化学习感兴趣的研究人员、学生和实践者阅读. 书中第二部分内容或可为有兴趣进一步探索演化学习理

这是一本可帮助读者深度理解并全面掌握ClickHouse运行原理并进行实践开发的工具书，涵盖了ClickHouse的时代背景、发展历程、核心概念、基础功能、运行原理、实践指导等多个维度的内容，尤其是在ClickHouse*核心的部分 MergeTree表引擎与分布式方面，书中对其实现原理和应用技巧进行了详细解读。 本书采用浅显易懂的语言 大量演示案例 大量示意图例的形式呈现，以求让读者在*短的时间内，以*舒服的方式，获得*核心的知识。本书的理论观点来自作者在OLAP领域10余年的工作思考与总结；功能与实操的素材来自作者在工作中对ClickHouse的深度应用与实践；原理解析部分的素材来自对大量专业文献的钻研与源码级的调试与解读。 本书在逻辑上分为三大部分： 第1~2章从宏观的角度出发，描述了时代背景、ClickHouse的发展历程及其核心特点。其中，对MOLAP、ROLAP和HORAP三

本书作为算法领域经典的参考书，全面介绍了关于算法和数据结构的知识，并特别针对排序、搜索、图处理和字符串处理进行了论述。第4 版具体给出了每位程序员应知应会的50 个算法，提供了实际代码，而且这些Java 代码实现采用了模块化的编程风格，读者可以方便地加以改造。本书配套网站提供了本书内容的摘要及更多的代码实现、测试数据、练习、教学课件等资源。

区块链技术是一种全新的分布式基础架构和计算方式，本书着重阐述区块链系统中的共识算法理论及其场景应用。全书共分7章。第1章介绍区块链的发展过程和基本知识。第2～5章介绍传统分布式系统的一致性算法和典型区块链系统的共识机制，并详细介绍基于投票和信任的两种共识算法。第6章介绍融合区块链的拟态分布式安全存储系统。第7章介绍基于联盟链共识的共管共治多标识网络体系管理系统。

深度学习和传统机器视觉技术相融合，可以大大提高AI 技术的效率和精度。本书分上、下两篇，共19 章内容，详细讲解了机器视觉及深度学习的理论和编程实践。上篇介绍理论算法。包括机器视觉的经典图像处理算法、深度学习的理论基础和目前常用的深度学习框架。下篇介绍编程环境及系统搭建。讲解了机器视觉图像处理算法及深度学习的编程工具 VC 、Python 和 OpenCV；利用 VC 和 Python 工具，搭建图像处理的工程界面；介绍了常用的9 种深度学习框架的获得方法、安装设置、工程创建，以及深度学习工程的编译、训练、评估与部署方法。每一个搭建的工程，都提供一套可下载的源代码程序，方便读者下载学习。本书理论与实践兼顾，可为从事机器视觉技术及人工智能研究和应用的工程技术人员提供帮助，也可供高等院校相关专业师生学习参考。

本书首先从迁移学习采用的技术出发，系统地介绍每一类迁移学习算法，包括基于非负矩阵分解、概率模型、传统深度学习、对抗深度学习、模型融合以及图神经网络等的迁移学习算法。针对每一类算法，从问题定义、算法原理、算法流程等方面重点进行介绍。然后针对迁移学习的应用场景，介绍典型的应用案例。后，介绍迁移学习在百度飞桨平台上的实践。本书旨在让迁移学习或者相关领域研究人员系统地掌握迁移学习的各类算法，熟悉各类应用场景，为迁移学习落地实践提供指导和帮助。

本书以海量图解的形式，详细讲解常用的数据结构与算法，并结合竞赛实例引导读者进行刷题实战。通过对本书的学习，读者可掌握22种高级数据结构、7种动态规划算法、5种动态规划优化技巧，以及5种网络流算法，并熟练应用各种算法解决实际问题。 本书总计8章。第1章讲解实用数据结构，包括并查集、优先队列；第2章讲解区间信息维护与查询，包括倍增、ST、RMQ、LCA、树状数组、线段树和分块；第3章讲解字符串处理，包括字典树、AC自动机和后缀数组；第4章讲解树上操作问题，包括点分治、边分治、树链剖分和动态树；第5章讲解各种平衡二叉树，包括Treap、伸展树和SBT；第6章讲解数据结构进阶，包括KD树、左偏树、跳跃表、树套树和可持久化数据结构；第7章讲解动态规划及其优化，包括背包问题、线性DP、区间DP、树形DP、数位DP、状态压缩DP、插头DP和动态规