本书全面系统地介绍机器学习的经典方法、前沿技术和应用实践。全书分为基础篇、进阶篇和实践篇，共10章，主要内容包括绪论、学习模式、判别式模型、生成式模型、高级机器学习概述、特征表示学习、新兴学习机制概述、主流机器学习编程框架、人脸识别、灾害性天气预报。 本书坚持理论联系实际，兼顾经典与前沿，为读者由浅入深地构建机器学习的

本书主要分为3部分。第一部分为第1～5章，介绍机器学习的基础知识，包括机器学习的基本概念、监督学习和无监督学习的主要算法、特征工程的技术，并探讨机器学习在通信网络优化中的应用，涵盖速率提升等无线网络优化方面的内容。第二部分为第6～8章，深入讲解深度学习与大模型、模型加速等高级技术，并探讨深度学习和大模型在通信网络优化中

本书详细介绍了基于大模型的生成式AI开发技术，涵盖了自然语言处理、语音识别及计算机视觉与图像生成等不同领域。首先在比对生成式AI与判别式AI的基础之上，讲解了大模型的基础知识及相关应用技巧，从文本向量化入手深入剖析了转换器架构的各项核心技术，通过丰富的示例阐述了大模型处理相关任务时的代码实现、模型加载、数据预处理和流水

本书内容沿两条核心主线展开，为读者搭建扎实的学习与实践框架。技能线：全面覆盖AI模型训练的关键技能，从基础的AI入门知识、模型部署、数据获取、数据标注、模型微调，到进阶的语言模型训练、绘画模型训练、语音模型训练，再到AI模型的商业应用，层层递进，确保读者能够系统掌握AI训练的核心功能与应用技巧。案例线：精心设计多个领域

作为自然计算的一个新分支，膜计算探讨如何利用生命细胞(含神经细胞)机理抽象出新的计算模型。全书共7章，分别介绍膜计算的基本概念、基本模型、聚类模型、卷积模型、循环模型，以及卷积模型在数字图像处理和循环模型在自然语言处理中的应用。本书力图在膜计算基本概念和基本模型的基础上，重点阐述膜计算的三种学习模型及应用，旨在向读者介

本书是基于Python语言和PyTorch框架的深度学习技术与应用解析书籍。内容包括深度学习基础模型与深度学习应用技术两个部分。首先是深度学习基础模型部分,包括第1-4章,分别介绍了深度学习基础、卷积神经网络、循环神经网络、Transformer。然后是深度学习应用技术部分,包括第5-8章,分别介绍了计算机视觉技术、时

本书系统阐释联邦学习这一新兴技术的理论与应用。开篇详解联邦学习的背景、发展阶段、模型架构及分类，深入剖析其隐私保护技术与安全挑战。继而探讨联邦学习在移动边缘网络优化、通信成本降低、资源分配策略及激励机制设计等方面的创新应用，揭示其与物联网、区块链、大模型等技术的融合路径。最后，结合通信、金融、医疗、交通等多行业场景，展

本书旨在介绍近年来作者在强化学习和随机优化交叉领域的研究成果，主要内容包括随机优化的定量稳定性分析，求解多阶段随机优化的新型情景树生成、约减方法，机会约束规划问题的模型转换、凸逼近与求解，非平稳强化学习的样本复杂度与泛化能力分析，随机优化和强化学习的统一模型及其基本性质，风险厌恶马氏决策过程与强化学习，分布鲁棒机会约束

为了响应国家健康发展人工智能技术的战略，针对国家、社会、个人对于提高机器学习安全与数据隐私保护的迫切需求，本书聚焦机器学习攻防对抗问题，根据机器学习的生命周期系统梳理了包括模型训练、模型推理、算法实践3个阶段的安全与隐私相关问题，并深入探讨了常见的攻防对抗场景及对应场景面临的安全威胁与隐私风险，如数据隐私泄露、模型后门

本书从机器学习在数据处理的角度入手来介绍机器学习的常用算法，按照"背景引入－方法介绍－案例－拓展知识点及文献”的思路来组织内容。本书共14章，涵盖了机器学习的常用算法。对于书中的每种机器学习算法，本书均给出了基本定义、典型应用，可方便读者更加深入的理解每种机器学习算法。此外，本书还介绍了计算机视觉的应用为例，阐述了机器