在生成式人工智能的时代，我们见证了模型推理对存储空间和计算能力的巨大需求，这对大语言模型和视觉生成模型的实际应用提出了前所未有的挑战。在这样的背景下，高效模型压缩和模型设计技术显得尤为重要，它们是降低模型计算和存储需求的关键，使得模型的快速部署和高效运行成为可能。本书系统地介绍了高效模型压缩和模型设计的方法，在编写上兼顾理论和实践。本书主体部分详细介绍了模型压缩的方法论，包括高效模块设计、模型剪枝、模型量化、模型二值化、神经网络架构搜索、知识蒸馏几大部分。另外，简要介绍了定制化硬件加速

本书共9章，主要内容有：深度学习模型性能评估、模型可视化、轻量级模型设计、模型剪枝、模型量化、迁移学习与知识蒸馏、自动化模型设计、模型优化与部署工具。

《基于深度学习的图像处理与实践》循序渐进、深入浅出地讲解了基于深度学习的图像处理的核心知识，并通过具体实例演示了开发深度学习图像处理程序的方法和流程。全书共 14 章，分别讲解了图像识别技术基础，scikit-image数字图像处理，OpenCV 图像视觉处理，dlib机器学习和图像处理，face_recognition人脸识别，采样、变换和卷积处理，图像增强，图像特征提取，图像分割，目标检测，图像分类，国内常用的第三方人脸识别平台，斗转星移换图系统，智能OCR文本检测识别系统等内容。本书

本书是一本全面介绍深度学习和PyTorch实战的入门指南。全书共11章，第1章主要介绍了深度学习的概念、应用场景及如何搭建开发环境。第2章详细介绍PyTorch数学基础，包括函数、微分、数理统计、矩阵等基础知识及案例。第3章则介绍了数据预处理及常用工具，包括NumPy、Matplotlib、数据清洗、特征工程以及深度学习解决问题的一般步骤等。第4章分别介绍了PyTorch的基本概念、深度神经网络以及数据建模。第5章重点介绍了卷积神经网络、循环神经网络等；第6章则涵盖了回归分析、聚类分析

在这本书中，作者着力讨论了几种获取机器学习和数据挖掘算法性能的相关知识的方法。作者展示了如何再次利用这些知识来选择、组合、编撰和调整算法和模型，从而为数据挖掘提供更快、更有效的解决方案，帮助研究人员改进算法，并开发能够自我改进的学习系统。本书的新版在旧版基础上就内容做了非常大的扩充。作者介绍了最新的自动机器学习方法，阐明了它与元学习之间的关系，他们解释了操作链设计方法的自动化问题。这本书将引起机器学习、数据挖掘和人工智能领域的研究人员和研究生的兴趣

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。

全书共分为8章，可分为三个部分。读者只需按照章节顺序学习，即可掌握相关知识。第一部分为深度学习基础篇，包括第1-2章，介绍Python基础、数学基础、深度学习的概念和任务等；第二部分为深度学习基本模型篇，包括第3-5章，介绍卷积神经网络、循环神经网络和基于自注意力机制的Transformer网络；第三部分为自然语言应用篇，包括第6-8章，介绍从词向量、预训练语言模型、词法分析等自然语言处理领域的应用和实践。书中各章节相互独立，读者可根据自己的兴趣和时间情况选择使用。书中每章都给出了相应

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。