本书将挑战你对用户体验（UX）研究的先入之见，并鼓励你思考表象背后的本质。你将了解如何规划和进行UX研究、分析数据、说服团队针对研究结果采取行动，并在UX领域规划自己的职业生涯。本书将帮助你从更具战略性的视角看待产品设计，以便更好地专注于优化UX。UX研究者、设计师、项目经理、敏捷教练、业务分析师和市场营销经理都将在书中找到工具、灵感和想法来激活思维、激励团队并提高技能水平。在最新修订的第二版中，作者着眼于过去几年中UX研究方法的变化：为什么你不能只使用远程UX研究方法、如何处理难以应付的测试参

"《PyTorch深度学习入门与技术实践》介绍如何学习和使用流行的PyTorch框架开发深度学习应用，主要内容包括PyTorch中的计算图，用三阶多项式拟合函数，实现手写数字识别，神经网络基础，卷积神经网络，PyTorch基础知识，transformer架构，文本分类应用开发，聊天机器人应用开发，用Wav2Vec2进行语音识别，机器翻译应用开发，分布式PyTorch等。
《PyTorch深度学习入门与技术实践》适合作为高等院校计算机、软件工程专业本科生、研究生的参考书目，同时也适用于对Py

Meta Learning得到的算法能依据自己表现的反馈信号及时地调整其结构和参数空间, 进而在新环境中通过累计经验提升表现性能，是走向机器自主学习和迈向强人工智能的关键一步。 本书适用于所有对人工智能感兴趣的读者。作者面向meta learning甚至是机器学习的初学者，从学习者的视角，通俗易懂地描述meta learning的基本概念、原理和理论体系, 并在此过程中同步展开一些有意义的实践，逐步引导读者获得学习的快乐和成就！

在机器学习领域，优化的核心目标是用最少的计算资源获取最准确的预测结果无论是规划最短配送路线、确定最优定价策略，还是生成最精准的推荐。当传统方法因效率低下或成本过高而显得力不从心时，贝叶斯优化可以利用概率论的知识，为高效调优机器学习函数、算法及超参数提供革命性的解决方案。
《机器学习贝叶斯优化》一书将教你如何运用贝叶斯方法创建高效的机器学习流程。本书呈现了处理大型数据集、调优超参数以及探索复杂搜索空间的实用技巧。书中内容生动有趣，包含丰富的插图和引人入胜的实例，如优化咖啡的甜度、天

本书融合作者构建、运维和扩展大型机器学习系统的经验，通过丰富的示例，详细讲解如何运行高效、可靠的机器学习系统。本书首先概述机器学习相关概念和数据管理原则，涵盖数据管理、机器学习模型、评估质量、特征、公平性、隐私等主题；然后介绍机器学习模型及其生命周期；最后讲述如何将机器学习引入组织，以及引入后组织会发生什么等复杂问题。

"随着社会需求的变化，越来越多的人工智能应用涉及多标签学习问题，如文本分类、语义标注、社交网络、基因预测和疾病诊疗等，多标签学习已成为当前人工智能领域的研究热点之一。本书基于集成学习相关理论，围绕多标签局部依赖、多标签缺失补全、极端量级多标签学习、长尾多标签学习和开放词多标签学习等一系列问题进行展开，提出了一系列高效的集成多标签学习方法。我们提出了一种集成多标签学习方法，该方法巧妙融合了多标签学习与集成学习的优势，旨在克服传统多标签学习在多样化应用场景中面临的挑战。本书将详细阐述方法在不同实际场

"《联邦学习》为研究人员和从业者深入探讨了联邦学习最重要的问题和方法。
联邦学习(Federated Learning，FL)是一种机器学习方法，其中训练数据不是集中管理的。数据由参与联邦学习过程的各方保留，不与任何其他实体共享。这使得联邦学习成为一种日益流行的机器学习解决方案，适用于因隐私、监管或实际原因而难以将数据集中到一个存储库中的任务。
本书阐述了联邦学习的**研究进展和**进的发展成果，包括从最初构想到首次应用和商业化使用。为了全面、深入地了解这个领域，研究人员从不同的角度

本书系统讲解自动机器学习工具与方法。让机器学习与自动化两大概念合理的结合起来，进而让读者精准理解自动化机器学习的必要性。从技术原理剖析其在自动化机器学习中的角色和内涵，通过案例掌握自动化机器学习的关键知识点和技术原理。自动机器学习可以将部分机器学习过程自动化，减轻数据科学从业者的工作负担。本书介绍自动机器学习模块的理论、技术与应用，包括自动实现数据预处理、特征选择、模型训练、模型优化等任务，学习应用auto-sklearn和MLBox等已有的自动化库，并且创建和扩展自定义的自动机器学习

本书以深度学习入门内容为主线，通过数形结合的方式来渐进式引导读者进行学习，力争使各位读者对于每个算法原理不仅要做到知其然更要做到知其所以然。同时，本书采用了深度学习中较为流行且简单易学的PyTorch框架来进行示例，以便让各位读者在学习各个算法的原理过程中也能够掌握其实际的用法。
本书共10章，分为深度学习领域发展和开发环境配置、深度学习基础和深度学习技术在自然语言处理领域方面的应用三部分内容。第一部分内容（第1~2章）详细介绍了深度学习的起源和发展阶段及深度学习环境的安装配置。

本书带领读者手把手实现深度学习推理框架，并支持大语言模型的推理。



全书共 9 章，以实现开源深度学习推理框架 KuiperInfer 为例，从基础的张量设计入手，逐步深入讲 解计算图、核心算子等关键模块的设计与实现。最后，书中还涵盖了如何支持深度学习模型如 ResNet、 YOLOv5，以及大语言模型 Llama 2 的推理。通过本书，读者不仅能够获得构建和优化深度学习推理框架 的实践经验，还能深入理解框架的内部机制。

<