本书由交互设计领域的思想领袖Jon Kolko所著，是交互设计领域的里程碑之作。本书完美地将当代设计理论和研究成果融入交互设计实践中，将对交互设计的阐释和分析推向了新的高度。本书重点阐释了对交互设计领域的理解和洞察，以及人与科技之间的联系。作者通过引人入胜的内容实现对设计师的教化，帮助设计师教化商业人士，同时确立交互设计在商业领域中的地位。本书不但探讨了经济局面的变化、互联性的增强和全球化的科技普及如何影响针对人类行为的设计活动和设计本身，而且对交互设计的定义进行了更好的阐释，主要涵盖三个

《人机共协计算》以人机共协计算这一理念为轴，以此对人机交互领域的现象予以归纳，对其未来发展提出一些启发。《人机共协计算》主要设置为理论篇和技术篇，共11章：第1～4章是关于人机共协计算框架的理论篇：在回顾人机交互的发展历史中，引出人机共协计算理念的由来，对技术的目的和发展趋势进行讨论，并对人机共协计算框架所涉内容与范畴进行梳理；第5～11章是基于HEC思考的技术篇：将人工智能、数字正念、自动驾驶、信息交互、设计未来、跨文化设计六个方向与人机共协计算思想相结合，提供一系列相关案例及视角。

“人工智能超入门丛书”致力于面向人工智能各技术方向零基础的读者，内容涉及数据素养、机器学习、视觉感知、情感分析、搜索算法、强化学习、知识图谱、专家系统等方向。本丛书体系完整、内容简洁、语言通俗，综合介绍了人工智能相关知识，并辅以程序代码解决问题，使得零基础的读者能够快速入门。
《强化学习：人工智能如何知错能改》是“人工智能超入门丛书”中的分册，以科普的形式讲解了强化学习的核心知识，内容生动有趣，带领读者走进强化学习的世界。本书包含强化学习方向的基础知识，如动态规划、时序差分等，让读者在开始

近些年来，在深度学习的推动下，人工智能步入新的发展阶段。然而，随着深度学习模型性能的提升，其计算复杂度也在不断增加，深度学习模型的运行效率面临巨大挑战。在这种情况下，深度学习高效计算成为在更大范围内应用人工智能的重要环节。本书围绕深度学习模型计算，重点从深度学习模型优化、算法软件加速、硬件架构设计等方面展开介绍深度学习高效计算，主要包括低秩分解、剪枝、量化、知识蒸馏、精简网络设计与搜索、深度神经网络高效训练、卷积神经网络高效计算、大模型高效计算、神经网络加速器设计等内容。

《AI训练师手册：算法与模型训练从入门到精通》内容系统、全面，实例丰富，共有10章，包括51个实操案例解析和80个行业案例分析。通过学习《AI训练师手册：算法与模型训练从入门到精通》，读者可以从零开始，逐步掌握人工智能的核心技术，成为合格的AI训练师。《AI训练师手册：算法与模型训练从入门到精通》附赠了同步教学视频＋PPT 教学课件＋素材＋效果＋AI提示词等资源。
书中内容从技能线和案例线展开介绍，具体内容如下。
技能线：从人工智能的相关技术入手，不仅介绍了AI训练师的

新质生产力具有以数字化、网络化、智能化新技术为支撑，以数据为关键生产要素，以科技创新为核心驱动力等鲜明的时代特征。人工智能是新质生产力的典型代表，是推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量。加快形成新质生产力，要牢牢抓住人工智能这个“牛鼻子”，以实现经济社会各领域各环节智能化转型升级。但也要看到，技术不稳定性使得人工智能在与社会深度融合的过程中面临多维度风险，而培育新质生产力也需要防范“忽视、放弃传统产业”“一哄而上、泡沫化”等认识误区和实践偏差。正如习近平总书记所强调

本书介绍了非线性动态系统的神经网络建模理论和技术，研究了如何为复杂系统建立自适应的神经网络模型，并提出了一种新的方法。

本书将介绍如何将早期AI的实用性与深度学习能力和工业控制技术结合起来，在现实世界中做出稳健的决策。作者使用具体的例子、最基本的理论和经过验证的架构框架，展示了如何教授自主AI明确的技能和策略。读者将了解何时以及如何使用和组合各种AI架构设计模式，以及如何设计高级AI，而无须操作神经网络或机器学习算法。

本书主要介绍了大模型的发展与演变、相关技术、应用场景、未来发展趋势和前景。本书首先回顾了大模型技术的起源和发展历程，然后介绍了数据预处理、Transformer、预训练与微调、模型推理和PyTorch框架等技术；此外，还通过具体的案例和实践展示了如何应用大模型技术来解决实际问题，旨在帮助读者了解大模型技术的发展与应用，并推动其在各个领域的应用和发展。

本书是关于神经网络与机器学习的经典教材，完整、详细地讨论了各个主题，并且包含了相关的计算机实验。全书共16章，主要内容包括神经网络的定义、Rosenblatt感知器、回归建模、最小均方算法、多层感知器、核方法和径向基函数网络、支持向量机、正则化理论、主成分分析、自组织映射、信息论学习模型、源于统计力学的随机方法、动态规划、神经动力学、动态系统状态估计的贝叶斯滤波、动态驱动递归网络。本书适合高等院校计算机、电子信息、软件工程、智能工程等专业的高年级本科生和研究生学习使用，也可供相关领域的技术人员参