《神经网络与深度学习：案例与实践》是《神经网络与深度学习》（蒲公英书）的配套实践书，由复旦大学邱锡鹏教授和百度飞桨团队合作完成。本书在章节设计上和《神经网络与深度学习》一一对应，并以模型解读+案例实践的形式进行介绍。模型解读主要聚焦如何从零开始一步步实现深度学习中的各种模型和算法，并结合简单的任务来加深读者对模型和算法的理解；案例实践主要强调如何使用飞桨预定义API来更好地完成实际任务，会涉及一些数据预处理问题。建议读者将本书和《神经网络与深度学习》结合阅读，在动手实践中更深入地理解深度学习的模型和原理。
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。
本书全面阐述了现代因果关系分析，展示了因果关系如何从一个模糊的概念发展成为一套数学理论，并广泛用于统计学、人工智能、经济学、哲学、认知科学、卫生科学和社会学等领域。本书提出了一个全面的因果关系理论，它统一了因果关系的概率、操作、反事实和结构方法，并提供了简单的数学工具来研究因果关系和统计关联之间的关系。本书通过融合领域知识、常识约束、文化传承的概念等来补充数据信息，为基于统计的机器学习中遇到的基本问题提供了科学的解决方案。
[内容简介]《为机器立心》每每站在 命运的十字路口，我们总会听到来自历史的叩问。无论是“李约瑟难题”“钱学森之问”“杨振宁三问”，还是 的人工智能“中国之问”，都考验着我们 战略方向的确立和科学家的使命感。要交出一份满意的答卷，就要走出一条属于我们自己的路，一条底层逻辑自主可控的创新之路，走人工智能与人类价值观对齐的创新之路，走不随大流、坚信人工智能的“中国时代”必将到来的创新之路。 《为机器立心》的主题是迈向通用人工智能的中国路线，让AI不再缺“心”，点亮人工智能的“中国时刻”。在书中，朱松纯教授解答了什么是通用人工智能、如何认清智能的本质、如何为人工智能找到统一理论与认知架构，进而为机器立“心”等重要问题。全书共分为两大部分。 部分“厘清通用人工智能的3大关键迷思”：ChatGPT等大模型
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。
9787115461476 深度学习 168.00 9787115600820 动手学深度学习（PyTorch版） 109.80 《深度学习》 《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*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*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*有机器学习或统计背景、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。 《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
本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。
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
穿戴式设备集人类与科技各种交互方式之大成，覆盖了广泛的研究和技术领域，甚至涉及一些看起来不相关的跨领域的知识。 有多少电子工程师会学习纺织知识？有多少行为学家了解传感器？这样的例子不胜枚举。基于此，本书从不同的领域出发，意在对穿戴式技术的各方面做一个全面的勾勒。 本书分成7大部分，涵盖了穿戴式技术的多个重点领域，虽不可能做到包含全部内容，但可以帮助读者尽可能学习掌握穿戴式设备。书中所有章节均由世界上相关领域的知名优秀专家撰写，分享了他们对该领域的独特见解。
本书不仅梳理了人工智能技术在科学各领域中的广泛应用，还深入分析了其对科学生产力的推动作用，以及在伦理、法律和社会层面可能引发的讨论和问题。书中汇集了国际专家的研究成果，为读者提供了一个全面了解人工智能在科学研究中应用的窗口，展现了人工智能技术如何推动科学的创新与进步，并对未来的研究方向提出了深刻的见解。
本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识，包括均方、 小二乘和 似然方法，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。
《人工智能科学 智能的数学原理》建立人工智能的信息的科学原理。《人工智能科学 智能的数学原理》有五部分。第Ⅰ部分，人工智能总论，提出信息世界的科学概念，以信息为支点建立科学体系的理论；第Ⅱ部分，信息基本定律，建立了信息世界的基本定义和基本定律；第Ⅲ部分，信息的数学原理，建立了以信息演算理论（离散系统的微积分）、信息解码原理和信息生成原理为三大支柱的信息科学体系的数学原理；第Ⅳ部分，智能的信息科学原理，建立了包括学习的信息理论、自我意识的信息理论、博弈/谋算理论为三大支柱的人工智能的信息科学原理，提出一个自我意识主体的智能就是该自我意识主体的信息的智能论题（intelligence thesis）,提出人工智能的孙子模型；第Ⅴ部分，信息的哲学，提出信息时代科学双引擎的方法论和信息时代一些重大科学问题，简
脑-计算机交互是通过读取特定脑神经活动，构建认知模型获取用户逻辑意图与精神状态，从而建立脑与外部设备间的直接连接通路，搭建闭环神经反馈系统。系统以脑机接口、机器学习、模式识别等关键技术为基础，围绕可穿戴干电极脑电采集、运动神经康复、认知情感建模以及多模态神经反馈等关键科学问题开展研究，开发智能脑-机交互技术。本分册首先介绍脑-计算机交互技术的原理、方法及关键技术，其次对无创脑-计算机交互系统的实现（包括SSVEP、P300、想象运动等）、植入式脑-计算机交互系统的实现、脑-计算机交互系统的医学应用以及情感脑-计算机接口的工作原理和关键算法等。
《Transformer自然语言处理实战：使用Hugging Face Transformers库构建NLP应用》 本书涵盖了Transformer在NLP领域的主要应用。首先介绍Transformer模型和Hugging Face 生态系统。然后重点介绍情感分析任务以及Trainer API、Transformer的架构，并讲述了在多语言中识别文本内实体的任务，以及Transformer模型生成文本的能力，还介绍了解码策略和度量指标。接着深入挖掘了文本摘要这个复杂的序列到序列的任务，并介绍了用于此任务的度量指标。之后聚焦于构建基于评论的问答系统，介绍如何基于Haystack进行信息检索，探讨在缺乏大量标注数据的情况下提高模型性能的方法。最后展示如何从头开始构建和训练用于自动填充Python源代码的模型，并总结Transformer面临的挑战以及将这个模型应用于其他领域的一些新研究。 《ChatGPT原理与实战：大型语言模型的算法、技术和私有化》 这是一本系统梳
《Prompt魔法：提示词工程与ChatGPT行业应用》 这是一本能指引我们每个人赢在AI时代的著作，它将教会我们在各种场景中熟练使用ChatGPT等AI工具和编写提示词，大幅提升我们的工作效率，让我们实现AI普惠，成为AI高手。 本书的几位作者都是AI领域的技术专家和应用布道者，本书是他们丰富实践经验的总结。阅读本书，你将获得以下知识和技能： 认识AIGC将给社会和个体带来的深刻影响及其背后的本质，包括AIGC如何引发生产效率革命、如何重新定义脑力劳动、如何调整社会分工、如何重新分配社会价值等； ChatGPT/GPT-4、文心一言、Midjourney、Stable Diffusion、DALL·E3等主流AIGC工具的配置、使用和选型； 提示词（Prompt）编写的入门指南、基本原则、黄金公式和进阶技巧； AIGC辅助文案写作、文稿翻译、数据分析、邮件撰写、PPT制作、工作总结、知识整理、图片生成等； 程序设
本书是对《Xilinx Zynq-7000嵌入式系统设计与实现：基于Arm Cortex-A9双核处理器和Vivado的设计方法（第二版）》一书的一次重要修订，全书共包含30章，主要内容包括Xilinx Zynq系列SoC设计导论、AMBA规范、Zynq-7000系统公共资源和特性、Zynq-7000调试和测试子系统、Cortex-A9处理器指令集、Cortex-A9片上存储器系统结构和功能、Zynq-7000 SoC的Vivado基本设计流程、Zynq-7000 GPIO原理和控制、Cortex-A0异常与中断原理和实现、Cortex-A9定时器原理及实现、Cortex-A9 DMA控制器原理和实现、Cortex-A9安全性扩展、Cortex-A9 NEON原理和实现、Zynq-7000的可编程逻辑资源、Zynq-7000的互联结构、Zynq-7000 SoC内 简单AXI-Lite IP、Zynq-7000 SoC内 复杂AXI Lite IP、Zynq-7000 AXI HP数据传输原理和实现、Zynq-7000 ACP数据传输原理和实现、Zynq-7000软件与硬件协同调试原理和实现、Zynq-7000 SoC启动与配置原理和实现、Linux开发环境的构建、Zynq-
PyTorch深度学习指南 丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。 本书为该套丛书的第一卷：编程基础。本书主要介绍了梯度下降和PyTorch的Autograd；训练循环、数据加载器、小批量和优化器；二元分类器、交叉熵损失和不平衡数据集；决策边界、评估指标和数据可分离性等内容。 本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读学习。 《PyTorch自动驾驶视觉感知算法实战》全面介绍了自动驾驶系统中深度学习视觉感知的相关知识，包括深度神经网络和深度卷积神经网络的基本理论，深入讲解了自动驾驶中常用的目标检测、语义、实例分割和单目深度估计四种视觉感知任务。 《PyTorch自动驾驶视觉感知
《Transformer自然语言处理实战：使用Hugging Face Transformers库构建NLP应用》 本书涵盖了Transformer在NLP领域的主要应用。首先介绍Transformer模型和Hugging Face 生态系统。然后重点介绍情感分析任务以及Trainer API、Transformer的架构，并讲述了在多语言中识别文本内实体的任务，以及Transformer模型生成文本的能力，还介绍了解码策略和度量指标。接着深入挖掘了文本摘要这个复杂的序列到序列的任务，并介绍了用于此任务的度量指标。之后聚焦于构建基于评论的问答系统，介绍如何基于Haystack进行信息检索，探讨在缺乏大量标注数据的情况下提高模型性能的方法。最后展示如何从头开始构建和训练用于自动填充Python源代码的模型，并总结Transformer面临的挑战以及将这个模型应用于其他领域的一些新研究。 《自然语言处理实战：预训练模型应用及其产品化》 在过去几年中，自然语言
