AI狂奔的时代，当同事还在为PPT排版熬夜、为数据报表抓狂时，懂DeepSeek的人早已关灯下班这不是魔法，而是工具碾压的硬核差距！

本书聚焦于DeepSeek的使用方法和技巧，直击30多个高频工作场景，通过100余个开箱即用的提示词模板，助你实现职场的弯道超车。从3分钟速出会议纪要、1键生成爆款思维导图，到悬疑剧本创作、短视频分镜设计，再到法律文书润色、学术数据可视化。无论是PPT排版效率革命、海报文案灵感爆发，还是商业计划专业攻坚，都可以用DeepSeek的理工科大脑与深

本书探讨了三支决策的基本概念、方法、模型以及应用，内容涵盖了TAO模型、分布式三支决策、概念三支决策模型、强化学习三支决策模型以及三支决策在自然语言处理、云计算领域的应用等内容。本书既有理论的证明推理，也有实际模型的构建；既有方法论的阐述，也有紧密结合当下热门领域的交叉实践。理论和实践紧密结合、从实际场景出发以及问题导向的思路构成了本书的重要特点。

本书是一本以大字大图配视频为特色的AI实用指南，以五天学习计划为框架，帮助读者零基础认识 AI、学会使用热门 AI 工具(如豆包、DeepSeek)，并将其运用于日常生活中。本书涵盖 AI基础知识、生活助手功能、健康管理功能、娱乐应用功能及艺术创作功能等内容。本书语言通俗易懂、操作步骤具体，并附有小练习。读者可以掌握 AI工具的使用方法，享受智能生活的便利与乐趣。

"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

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。

<

本书主要介绍统计机器学习框架，该框架以基于机器学习算法获得真实数据生成过程(DGP)概率分布的最佳近似为前提。统计机器学习框架由一组核心定理支撑，能够用来分析许多常见机器学习算法对DGP的渐近性。书中通过相关机器学习案例帮助学生理解框架中的核心定理。具体来说，本书分为四部分：第一部分通过实例介绍了机器学习算法概念和描述算法的数学工具；第二部分讨论了确定性学习机的渐近行为；第三部分讨论了随机推理机和随机学习机的渐近行为；第四部分关注的是机器学习算法的泛化性能表征问题。

"本书专注于介绍基于深度学习的算法。从探索深度学习的数学基础和理论架构，到九大经典的深度学习算法，旨在为读者提供一个从基础到高级的全方位指导。截至2024年，书中介绍的9个算法几乎涵盖了整个深度学习领域的经典和前沿算法。
本书在第1章和第2章介绍了深度学习的基础：数学基础与神经网络算法。从第3章开始，书籍逐步引领读者进入深度学习的核心领域，即一些基于神经网络的变体算法：卷积神经网络、循环神经网络、编码器-解码器模型，以及目前火热的变形金刚算法、生成对抗网络和扩散模型。这些章节不仅讲解了各个

"本书针对基于演化的机器学习的一些关键问题进行深入探索。全书共20章，分为3篇。
上篇为第1～6章，探索了深度改进的分布估计算法，提出了基于共轭先验分布的两层分布估计算法、带有链接学习的量子演化算法和问题规模自适应的基于分解的多目标分布估计算法。中篇为第7～13章，针对学习分类器与特征选择方法，重点研究两者的融合策略，将学习分类器的分类模型构建过程与特征选择的特征子集搜索过程统一集成在基于演化的机器学习框架下，同时改善了分类算法的预测性能与运行效率。下篇为第14～20章，从提高规则空间的搜

深度学习和大模型技术在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、大模型、AIGC、模型工程实现、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。本书既适合推荐系统、计算广告和搜索领域的从业者阅读，也适合人工智能相关专业的本科生、研究生、博士生阅读，帮助建立深度学习推荐系统的技术框架，通过学习前沿案例，加强深度学习理论与推荐系统工程实践的融合能力。