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。"

"本书循序渐进地介绍了深度学习的基础知识与常用方法，全面细致地提供了深度学习操作的原理和在深度学习框架下的实践步骤。本书共分为三部分，理论基础、实验和案例。第一部分理论基础，包括第1~7章，主要介绍深度学习的基础知识、深度学习在不同领域的应用、不同深度学习框架的对比以及机器学习、神经网络等内容； 第二部分实验，包括第8~9章，主要讲解常用深度学习框架的基础以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第三部分案例包括第10~17章，通过8个案例介绍深度学习在图像分类、目标

因素空间是信息、智能和数据科学的数学基础理论。本书将介绍因素空间如何将智能生成的统一机制落实到各行各业，开展全民智能孵化的洛神工程。
　　本书主要内容包括：介绍因素的范式特质和智能孵化洛神工程的内容；介绍因素空间对智能生成机制的落实细则；介绍因素显隐的理论，将现有人工智能数学算法归结到回归和优化两大方面，突出支持向量机与因素空间对支持向量机的改进，并介绍作者在线性规划方面的独特贡献；强调智能的核心是因果分析，支持珀尔的因果革命论，并对其中的瑕疵进行改进；作为智能孵化的一个应用，介绍循证因素

本书从多角度覆盖了多智能体自主协同技术的内容，分5篇共18章，包括多智能体系统的协同基础、集群控制、通信优化、任务协同及目标追踪，旨在将多智能体自主协同技术中的方法和理论结合起来，并强调协同基础的重要性，具有基础性、应用性、综合性和系统性等特点。
本书可以作为多智能体系统领域研究的入门指南，或者作为协同无人系统工程师的自学教材，还可以用作高年级本科生以及研究生教材。另外，本书也可以作为协同无人系统、无人飞行系统以及无人系统的补充阅读材料。