本书采用图形化的方法讲解人工智能和机器学习的知识与技术，并且借用图形化软件KNIME采用拖、拉、拽等“傻瓜式”的操作完成从简单到复杂的机器学习项目。全书分为三个部分，分别是人工智能技术入门、传统机器学习和深度学习。本书具有图说图解、自上而下、够用即止、实战掌握的特点，操作步骤描述详细，图文并茂，内容翔实、详略得当。

作为国内人工智能领域的创新性实验教材，本书重点介绍各类深度学习框架和算法，涵盖图像、视频、语音和文本等人工智能技术广泛应用的多个领域，涉及分类、识别、检测、多模态和三维重建等多类实验任务。书中选取的实验分别介绍了相关背景、所涉及的深度网络模型框架和实验操作，实验操作部分描述了实验代码、操作步骤、数据集、评估准则、所应用的平台及系统环境等内容，有助于读者在了解基础理论的基础上根据实验操作的描述独立完成相关实验。

机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力，但仍面临一大障碍——计算机无法解释其预测结果。因此，本书旨在阐明如何使机器学习模型及其决策具有可解释性。本书探索了可解释性的概念，介绍了许多简单的可解释模型，包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法，用于解释黑盒模型（如特征重要性和累积局部效应），以及用Shapley 值和局部代理模型解释单个实例预测。此外，本书介绍了深度神经网络的可解释性方法。本书深入解释并批判性地讨论所有的可解释方法，如它们在黑盒下的运作机制

《PyTorch深度学习项目教程》根据初学者的学习曲线和职业生涯成长规律，由浅入深设计了5个基础项目和3个综合项目。 基础项目包括手写数字识别、二维曲线拟合、猫狗图像分类、提升猫狗图像分类的准确率和文本翻译，引导读者使用PyTorch构建神经网络算法框架，深入探讨了深度学习数据集构建、神经网络模型原理及实现、算法训练与评价等内容；综合项目包括食品加工人员异常行为检测、工业检测图像分割和内容智能生成，介绍了深度学习的新技术，实现了目标检测、图像分割、超分辨率重建、智能问答、文生图、图生图等应

本书系统阐述了机器学习的基本理论、算法和实现。全书共11章：第1章着重介绍了机器学习的基本知识；第2章介绍了样本数据预处理和提取的传统算法(如PCA和LDA)，并增加了流形学习和稀疏表征等理论；第3-8章系统介绍了传统机器学习算法，如监督学习(贝叶斯、最近邻、线性模型、非线性模型和集成学习)和非监督学习(聚类)；第9、10章分别介绍了概率图模型和人工神经网络的基本理论；第11章着重讲述了强化学习的基本理论和算法。本书针对理论难点，插入了可视化图，引导读者对理论的理解；每章配有习题，以便

本书对机器学习的基础知识和基本算法进行了详细的介绍，对广泛应用的经典算法(如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等)进行了深入的分析，并讨论了无监督学习的基本方法。用6章对深度学习和深度强化学习进行了相当全面的叙述，不仅深入地讨论了反向传播算法、多层感知机、卷积神经网络、循环神经网络和长短期记忆网络等深度神经网络的核心知识和结构，对于一些发展中的专题(如Transformer、大模型和深度生成模型等)也给予了一定深度的介绍。对于强化学习，不仅介绍了经典表格方法，

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

大模型作为人工智能技术的重要发展方向，逐渐成为未来科技发展的重要方向之一。基于此，本书重点介绍与大模型相关的基础知识、原理与技术。本书分为14章，内容包括深度学习基础、自然语言处理、大模型网络结构、大模型训练与优化、大模型微调及相关应用案例等。全书强调内容的科学性与系统性，从大模型历史发展脉络、理论基础、构建方法到应用场景，循序渐进地全面讲解大模型技术。本书聚焦于大模型在不同领域的扩展应用，提供了应用案例的全方位学习路径，旨在培养和提升学生的实践和创造能力。每章都提供了相应的习题，供学生练习和巩

本书旨在成为大模型在各行各业落地应用的“百科全书”，专为对大模型感兴趣的从业者和企业管理者量身打造。本书结合了实地调研和多元视角，不仅对大模型进行了技术分析，还从商业、产品、行业等多个角度进行了应用探讨。全书共5章：第 1 章介绍了大模型的训练过程和核心技术；第 2 章分析了大模型对软件行业的影响，通过具体案例展示了软件公司如何适应大模型需求；第 3、4 章分别从产品和行业角度出发，讨论了大模型如何改变产品升级流程和工作流程，以及它对各行各业的具体影响；第 5 章展望了大模型的未来，预测了它将如

"模式识别是人工智能技术的重要分支，也是实现机器智能的重要手段。本书作为该领域的入门教材，介绍了各类典型的模式识别的理论与方法。全书共10章。第1章为绪论；第2~5章介绍与模式识别相关的人工智能基础知识，包括智能 Agent、确定性知识表示与推理、搜索策略、智能优化算法等；第6章介绍特征提取与选择方法，应用于模式识别中的预处理过程；第7~10章介绍各种典型的模式识别模型和算法，包括基于判别函数的分类方法、基于概率的分类方法、人工神经网络,以及聚类分析。
本书可作为高等院校电子信息类、计算机