本书围绕AI在典型工程领域的应用实践，将机器学习理论融入具体应用场景中，力图通过构建场景化教学案例创新机器学习技术人才培养模式。内容上本书采用理论结合实践的模式，选择国民生产5个典型领域的真实工程案例为对象，即“AI+科学计算”、“AI+加工制造”、“AI+智能运维”、“AI+后市场服务”和“AI+环境感知”，选择其中

本书摒弃空洞理论，通过60个高阶技巧，覆盖信息获取、内容创作、数据处理与分析、编程与自动化、商业应用、教育学习、多媒体内容创作及个人效率提升等8大核心领域，以分步教程、案例驱动和专家建议的形式，手把手教你解决真实场景中的痛点。书中每个技巧均可在10分钟内掌握，助你迅速实现效率翻3倍的目标。你将学会让Manus成为你的“

本书是《概率机器学习(基础篇)》的进阶篇，扩展了机器学习范围，对基础篇中的各个主题进行了更深入的讨论。本书在第一部分详细介绍了所需的理论基础知识(包括概率论、统计学、图模型、信息论和优化)，在后续的部分分别讨论推理方法(包括高斯滤波和平滑、消息传递算法等)、预测模型(包括广义线性模型、深度神经网络等)、生成模型(包括变

本书系统介绍深度学习的核心概念、主流模型与实战方法。内容涵盖神经网络基础、卷积神经网络、循环神经网络、图神经网络、生成对抗神经网络、Transformer、扩散模型、深度强化学习等前沿方向，详细阐述各类模型的数学原理、网络结构、训练流程与优化方法，并结合PyTorch框架提供了丰富的代码示例与完整项目解析。同时，每章配

本书共16章。第1-3章从大模型的基本概念入手，详细讲述其背后的神经网络原理，并介绍PyTorch框架，为读者打下坚实的理论与实践基础。第4-8章深入剖析构建大模型的各类核心架构，包括多层感知机、卷积神经网络、循环神经网络、Transformer以及生成对抗网络，阐述不同基础神经网络的使用场景和数据处理方案。第9-14

本书共6章：第1章介绍深度学习的入门与开发基础知识，帮助读者快速进入深度学习实践；第2章系统讲解数据采集、清洗、预处理、标注与增强等环节，奠定数据基础；第3章阐述模型构建与训练，包括模型结构设计、调优策略、超参数调优、微调、分布式与大规模训练等；第4章聚焦模型部署与优化，涵盖推理引擎、模型压缩、云边协同等；第5章面向典

本书内容涵盖人工智能的基础模型与方法、机器学习和深度学习的核心技术、强化学习与决策智能、自然语言处理及计算机视觉等核心方向，同时深入探讨人工智能与智慧医疗、自动驾驶、智能制造等新兴前沿领域的交叉融合，帮助读者掌握人工智能的基础理论，并理解其在不同学科中的创新场景与实际模式。

本书分10章。第1章绪论；第2章深度学习；第3章大语言模型；第4章提示词过程；第5章AI智能体；第6章具身智能；第7章数字人；第8章AI辅助办公；第9章AI辅助编程；第10章AIGC应用与实践。

本书旨在构建“核心基础-经典网络-前沿进展”三级知识体系，核心基础包括深度学习的框架、数学基础、基本神经网络、性能评估等，经典网络包括卷积神经网络(CNN)、循环神经网络(RNN)、变分自编码器(VAE)、Transformer等经典架构，更独辟蹊径，深入探讨预训练大模型、扩散模型、生成对抗网络(GAN)、YOLO网络

本书循序渐进完成知识讲授。首先夯实信息技术基础知识，涵盖计算机软硬件、操作系统、数据存储运算及Python编程基础，帮助读者构建扎实的信息素养与计算思维，为人工智能学习筑牢根基。其次聚焦人工智能核心技术体系，全面梳理人工智能发展历程、底层基础设施、感知语言、知识决策、生成技术等核心内容，清晰阐释机器学习到深度学习的技术