本书立足“技术赋能职业”的理念，以“场景化学习”为脉络，聚焦AIGC工具在职场中的高频应用场景，通过“基础认知→工具实操→案例实战”的阶梯式设计，帮助学生从零起步，逐步掌握AIGC技术的核心逻辑与应用能力。

你的大脑是宇宙中最复杂的东西，但如果计算机也能像你一样变得聪明，能独立思考和学习呢？现今人工智能（AI）是科技领域的前沿话题，每个人都在谈论人工智能。人工智能到底是什么？它为何如此重要？它对我们是否存在风险？它将如何改变我们的生活？屡获殊荣的作家兼插画家尼尔·雷顿将为小读者讲解计算机和人工智能的知识。从早期只能解算术题的计算机，到如今能够识别人类语言并推荐电视节目的人工智能，以及人工智能在未来可能做到的事情。跟随着计算机的发展脚步一路走来，小读者将了解人工智能的方方面，并再次感受到我们人类的大脑

《深度学习基础与案例教程》主要介绍深度学习基础理论及案例实战，共11章内容，从人工智能基础，到深度学习算法原理，再到深度学习项目实战，逻辑清晰，由浅入深，内容层次分明，从简单的线性模型引出非线性的深度学习模型。深度学习模型部分主要讲解卷积神经网络、循环神经网络、Transformer模型、生成对抗网络、迁移学习等。《深度学习基础与案例教程》在介绍理论内容时配有公式推导和详细的阐述，便于读者理解。在项目实战方面，本书每个算法理论都对应一个案例进行巩固，并在最后两章结合深度学习的两大领域——自然语言

《机器学习从线性回归到大模型》以回归为主线，系统介绍统计学、机器学习与深度学习中最常用的分类与回归方法，力图在大数据与人工智能背景下，突破传统统计建模的局限，构建一个融合多学科视角的现代回归分析框架。
全书覆盖线性回归、岭回归、Lasso、Logistic回归等经典线性模型，决策树、随机森林、GBDT、XGBoost等集成方法，BP神经网络、卷积神经网络、循环神经网络等深度学习模型，以及基于Transformer的大语言模型（如BERT和GPT）。 此外，《机器学习从线性回归到

本书共11章，内容包括：基于生成样本分布优化的不平衡分类方法、基于样本空间映射的不平衡分类方法、面向多类样本特征交叠情况下的不平衡分类方法、面向数据多模态分布条件下的不平衡分类方法等。

机器学习作为人工智能的一个分支，它涵盖了利用技术使计算机能够从数据中识别问题并将其应用于人工智能程序的方法。本书是机器学习领域的入门教材，系统、详细地讲述机器学习的主要方法与理论，阐明算法的运行过程，并紧密结合企业实践与应用，根据企业实际需求设计算法案例。本书共11章，分别介绍机器学习基本概念、决策树、K最近邻算法、支持向量机、线性模型、贝叶斯分类器、数据降维、聚类算法、人工神经网络、随机森林等基础模型或算法。本书通过具体的案例让读者学到思考问题的方式，包括决策树算法案例、K最近邻算法案例、SV

本书共3篇，12章，内容涵盖了深度学习的基础理论、重要模型及其在计算机视觉和自然语言处理等领域的应用。第1篇深入讲解了深度学习的基础理论，包括感知机的主要概念及其实现、神经网络的架构与算法，以及参数更新策略、权重初始化方法和正则化技巧。第2篇专注于计算机视觉，介绍了卷积神经网络的结构及其在图像处理方面的广泛应用，同时探讨了经典卷积网络的结构以及先进网络在物体检测与图像分割等领域的应用。第3篇着眼于自然语言处理，涵盖了语言模型、word2vec模型、RNN模型及其变体、Transform

本书是关于机器学习的一本入门教材，技术难度适中，旨在让读者了解数据科学家这个职业及其对企业发展的推动作用。全书分11章介绍了机器学习的基础知识和数据科学家最常用的算法，从机器学习的基本原理开始，介绍无监督学习、监督学习和强化学习的核心内容，并结合商业案例讲解诸如分类、回归、聚类等常见任务的应用场景。

本书聚焦强化学习应用安全性，深入探讨强化学习框架内安全风险控制与训练安全。介绍 Worst - Case Soft Actor Critic（WCSAC）算法，分析累积安全成本分布、引入条件风险值平衡奖励与安全；讲解估计安全成本分布的高斯近似法和分位数回归法及其实验效果；阐述 Constrained Entropy Maximization（CEM）算法，学习安全前提下均匀访问状态的探索策略；介绍 Safe Guide（SaGui）框架，通过正则化快速迁移安全策略、促进目标任务学习。

本书深入探讨深度学习模型训练和推理加速的前沿技术，尤其是在 NVIDIA CUDA（Compute Unified Device Architecture）平台上的应用与优化。本书从大模型训练的挑战和分布式训练，到 CUDA 加速推理技术，再到端侧推理的优化部署，系统地介绍如何利用 CUDA 平台加速大模型的训练与推理过程，并结合具体案例深入讲解数据并行、模型并行、任务调度、负载均衡等技术。本书共 10 章，首先介绍大模型训练面临的计算复杂性、内存带宽和数据传输瓶颈等问题，并讲解基于NCCL（N