本书针对现有的混合式学习模式中存在理论、实验及创新实践三个环节的时间及空间分离问题，探索并构建一套“理实同步-虚实结合-资源共享”线上线下混合式人才培养平台。包括：建立了全新的通信网络控制模型，解决了通信互联网络引入的时延问题，实现了混合式学习线上线下课程的同步集成，提高了高校课堂教学效率；解决了个性化知识建构平台集成和多设备跨平台集成的信息安全问题，构建了创造性知识生成系统，并完成了知识库的自动更新。采用线下高校课堂与线上慕课混合策略，打造了一套全程同步混合式学习环境平台，满足学生从入学到毕业

本书主要围绕AI系统的理论基础与技术基础知识展开，结合实例进行介绍，旨在让读者了解AI系统的来龙去脉，形成对AI系统的系统化与层次化的初步理解，掌握AI系统基本理论、技术、实际应用及研究方向，为后续从事具体的学习研究工作和项目开发工作奠定基础。
　　本书首先介绍AI的历史、现状与发展及AI系统的基本知识，后分为AI硬件与体系结构、AI编译与计算架构、AI推理系统与引擎、AI框架核心模块四篇进行详细介绍，涉及AI系统从底层原理到应用落地的全貌，反映了AI系统架构的前沿技术。

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

本书全面介绍大语言模型提示工程基础、提示词类型与万能公式、文本摘要、改写重述、语法纠错、机器翻译、数据挖掘、程序开发、AI写作辅导、AI绘画、百度文心一言和阿里通义大模型等内容。同时详细介绍各类提示词的应用, 如问答式、指令式、状态类、建议式、安全类和感谢类提示词, 以及如何通过实战演练掌握这些技巧。此外, 还涉及使用提示词进行文本摘要、改写重述、语法纠错、机器翻译等语言处理任务, 以及在数据挖掘、程序开发等领域的应用。

通过“特征工程”技术, 可优化训练数据, 提升机器学习流程的输出效果! “特征工程”基于现有数据设计相关的输入变量, 由此简化训练过程, 增强模型性能。调整超参数或模型的效果都不如特征工程; 特征工程通过改变数据管道, 大幅提升了性能。本书列举6个实用项目, 引导你利用特征工程优化训练数据。每章探讨一个代码驱动的新案例研究, 涉及金融、医疗等行业。你将学会清洗和转换数据, 学会减少偏见。本书呈现各种性能提升技巧, 涵盖从自然语言处理到时间序列分析等所有主要机器学习子领域。

本书的目标是向你介绍图数据结构、图分析和图机器学习的概念、技术和工具。每章的开头都列出了目标，大致分为三个方面：学习图分析和机器学习的概念；用图分析解决特定问题；了解如何使用GSQL查询语言和TigerGraph图平台。首先介绍图数据的基本概念，然后通过连接、分析、学习三大部分深入讲解一些图算法和机器学习技术。

本书提供使用PyTorch 开发深度学习应用程序的基本原理和方法,旨在为读者介绍机器学习工程师和数据科学家在解决深度学习问题中所采用的主流现代算法与技术,紧跟深度学习领域的最新发展趋势,助力初学者熟练掌握PyTorch。本书的核心优势在于,采用易于理解的问题与解决方案的结构,全面而详尽地讲解了PyTorch的使用方法,并提供了大量相应的代码示例,以便将这些概念顺利应用于实际项目中。
本书适合对计算机视觉、自然语言处理等领域感兴趣的人士阅读。对于希望在深度学习任务中运用PyTorch 的读者

本书从机器学习的基本概念出发，系统地介绍了各种机器学习算法的原理与应用。书中强调了算法在实际问题中的应用与案例分析，通过完整的解决步骤和结果展示，使读者能够充分掌握算法建模的技术。本书涵盖了监督学习、无监督学习、半监督学习等主要机器学习算法。

"《机器学习项目成功交付》详细阐述了与机器学习成功交付相关的基本知识，主要包括项目前期，开始工作，深入研究问题，探索性数据分析、道德和基线评估，使用机器学习技术制作实用模型，测试和选择模型，系统构建和生产，发布项目等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。"