本书共9章：第1章介绍图神经网络的背景、发展历史和现状，并探索大规模图神经网络的缘由；第2章介绍图神经网络模型的基础知识及其应用；第3章介绍分布式并行机器学习的流程、训练模式、训练架构、物理架构等基础知识；第4章从整体上介绍分布式图神经网络训练的流程和方法；第5章和第6章分别介绍大规模图神经网络的小批次分布式并行训练和

本书主要内容包括：知识图谱基础、知识图谱实践、知识图谱前沿，共三篇。具体内容包括：知识图谱概述、知识图谱表示、知识图谱存储、知识图谱构建、知识图谱推理、知识图谱融合等。

本书从国内可视化顶流《网易数读》《RUC新闻坊》《澎湃美数课》《谷雨数据》和《DT财经》中引用了105个经典作品(所有模仿作品都提供有图表源文件,可修改可套用),借力大师的思维和智慧,寻找上述问题的解决之道。本书以“解决问题”为目标,章节内容以问题种类展开,每1章解决1个大类问题,每1节解决1个小问题,让读者知原理、懂

本书共10章，分为三部分。第一部分为图表基础与动态交互(第1-6章)，内容涵盖图表选择方法与思维进阶(第1章)、图表智能制作与专业优化(第2章)、图表组合与动态标注技术(第3章)，并解析动态图表核心架构、函数公式(基于DeepSeek)与交互设计(第4-6章)，奠定可视化基础。第二部分为看板设计与系统集成(第7-9章)

本书在详细阐述强化学习基本概念与基本理论的基础上，循序渐进地介绍了深度强化学习各常用算法的基本思想、算法伪代码、算法实现、基于实例的算法演示与程序分析等内容。具体介绍了Q-learning算法求解最优路径问题，SARSA算法求解最优安全路径问题，策略迭代算法求解两地租车最优调度问题，价值迭代算法求解最优路径问题，DQN

本书内容涵盖深度学习的基础理论及前沿技术，内容循序渐进，旨在逐步提升学习者对深度学习技术的理解和应用能力。本书共10章，主要内容包括绪论、深度学习基础理论及实践、卷积神经网络理论及实践、基于CNN的目标检测算法及实践、基于CNN的图像分割算法及实践、循环神经网络理论及实践、注意力机制与Transformer、生成式网络

本书全面梳理机器学习、深度学习和强化学习相关理论和方法,完整设计各种模型和算法的应用实例。首先概述与人工智能和深度学习相关的基本概念和发展历程;然后详细介绍机器学习中的回归任务、分类任务、梯度下降法的基本理论和算法,并给出完整的TensorFlow编程实例;之后循序渐进地阐述人工神经网络与深度学习、深度神经网络的训练方

本书是第一本探讨如何对不同方法进行均衡处理,以便建模和解决序贯决策问题的图书,承袭了大多数聚焦于机器学习、优化和模拟的书籍的风格。本书专为具有概率和统计背景知识并对建模和应用程序感兴趣的读者而设计。线性规划有时用于特定的问题类型。本书提供了一个可以借助5个核心组件(状态变量、决策变量、外部信息变量、转移函数和目标函数)

本书围绕MLOps展开,全面阐释其概念与落地实践。开篇对MLOps进行概述,剖析其体系架构、价值定位与技术栈。随后各章从特征工程、模型训练与推理,到可观测性基础设施,通过理论阐述与架构解析,并结合Uber、Meta等知名案例,分享建设思路。此外,本书还介绍RayCore及RayAI库的使用,并提供大语言模型训练部署实例

本书通过系统而全面的介绍，帮助读者深入理解和掌握图机器学习的基本原理、方法和技术；同时，通过丰富的案例和实践经验，展示了图机器学习在各个领域的应用价值和广阔前景。 本书基于斯坦福大学图机器学习CS224W课程的内容编写，结合作者自身和团队学生在图机器学习中的痛点和实践经验，重新梳理知识脉络，重点介绍图机器学习的相关知识