本书涵盖了一系列有监督的机器学习方法，包括基础方法(k-NN、决策树、线性和逻辑回归等)和高级方法(深度神经网络、支持向量机、高斯过程、随机森林和提升等)，以及常用的无监督方法(生成模型、k-均值聚类、自动编码器、主成分分析和生成对抗网络等)。所有方法都包含详细的解释和伪代码。通过在方法之间建立联系，讨论一般概念(例如损失函数、最大似然、偏差-方差分解、核和贝叶斯方法)，同时介绍常规的实用工具(例如正则化、交叉验证、评估指标和优化方法)，本书始终将关注点放在基础知识上。最后两章为解决现

本书以通俗易懂的语言和有趣的插画来解释深度学习中的概念和方法, 生动形象的插图更容易帮助读者理解和记忆。 同时, 书中指导读者将自己的理解制作成短视频, 以加强学习效果。 另外, 书中还指导读者在 Colab 平台上进行实践。 本书内容全面, 从基础的神经网络、 卷积神经网络、 循环神经网络等入门知识, 到深度学习的应用领域如计算机视觉、 自然语言处理等高级主题都有涉及。 本书具有丰富的趣味性、 互动性和实践性, 可以帮助读者更好地理解深度学习知识, 并为未来的职业发展打下坚实的基础。

本书是新文科·新投资系列的一本。本教材将主要介绍机器学习的基本原理，以及它们在社会科学中的应用。本书的定位是面向熟悉计量经济学、因果识别理论，但不熟悉机器学习的社会科学研究者。因此本书将更加侧重于以浅显直白的语言介绍机器学习的基本原理，并以文献综述、案例详解等方式，介绍机器学习各个算法在社会科学实证研究中的代表性应用。对于代码实操，本书也尽量选取了贴近社会科学研究者的案例，进行详细阐述。 本书还以二维码的形式将相关的代码和具体应用呈现出来，供广大社会科学研究人员参考。

人工智能不只是一种技术，更是一种政治。本书从当代政治哲学的具体主题切入讨论人工智能政治，包括：自由、操纵、剥削和奴役；平等、公正、种族主义、性别歧视和其他形式的偏见与歧视；民主、专业知识、参与和极权主义；权力、规训、监控和自我建构；与后人类主义和超人类主义相关的动物、环境和气候变化等，由此勾勒出了人工智能政治哲学的思考框架。
如果我们想要解决21世纪全球和地区最紧迫的一些问题，就必须在思考政治和思考技术之间建立对话，并追问：我们需要什么样的政治技术来塑造未来？

本书以信息交互设计为研究对象，思考在设计学视野下的信息交互设计理论本体并进行“四维一体”的模型建构，比较系统的梳理信息交互设计的发展历程，并着重对发展趋势进行展望。本书以信息交互设计为研究目标进行了系统性、逻辑性的设计理论研究，力求综合、深刻地把握与探索信息交互设计的本体与趋势，并对今后的信息交互设计实践活动提供一定参考与启示。

勇敢的新世界：伪装的艺术……正如人工智能这个名字所暗示的，它是人工的，与人类智能根本不同。然而，人工智能的目标通常是模仿人类智能，这种欺骗从最初就开始了。自从艾伦·图灵回答了“机器能思考吗？”这个问题，并提出机器假装是人类以来，我们就一直在尝试模仿。现在，我们开始构建真正欺骗我们的人工智能。像ChatGPT这类强大的人工智能工具可以让我们相信它们是智能的，模糊了真实与模拟之间的界限。实际上，它们缺乏真正的理解、意识和常识。但这并不意味着它们不能改变世界。人工智能系统是否可以创造性地思考

教育信息化促进了教育测评理念的变革，人工智能时代的教育更加关注以智能技术驱动的学习者认知分析与个性化学习的诉求。本书遵循"理论-方法-应用"研究范式，探索人工智能时代的学习认知分析的新理论与新方法。

本书是作者对自2008年起系统分析"机器能否获得认知发展能力"这一问题而不得不先诉诸于"人工智能基础问题"或"认知哲学"方面的研究其结果的总结。本书立论开宗明义：将机器认知发展问题简化为"物理机器的概念产生问题"。据此，作者遂建立起自己对"概念体系"的理论和对"心灵哲学"的基本观念，之后使用符合哲学讨论习惯的方式进行论述，来揭示现有物理机器对此无能为力的本质原因，并指出我们目前对"认知发展如何进行理论化"在哲学准备上的欠缺之处。

这是一本讲解如何用ChatGPT、Github Copilot X、Cursor等主流AIGC工具优化和提升软件开发全流程效率和质量的实战性著作。

全书以软件开发的流程位主线来组织内容，详细讲解了程序员、架构师、项目经理、产品经理、技术团队管理者们如何在技术方案构建、需求文档撰写、代码编写与注解、客户端开发、前端开发、后端开发、测试和调试、性能优化、疑难问题解决、产品设计、软件架构与设计、应试与面试12个主题充分发挥AIGC工具的潜能，在提高研发效率和质量的同时，提升自身的实

本书分为两篇：第一篇算法原理：详细介绍了先进的深度学习模型，包括Transformer、GPT系列、深度生成模型，从基本架构、训练方法到特定应用，包括但不限于Seq2Seq结构、位置编码、注意力机制、残差连接、变分自编码器、GAN、ViT、CLIP、Stable Diffusion、各模型训练实践的知识点。此外，探讨了预训练模型的涌现能力、模型参数和通信数据量的估算，以及分布式训练的各种技术，如数据并行、模型并行和混合精度训练等。第二篇应用实战：聚焦于深度学习模型的实际应用，特别是文本