大模型应用开发：核心技术与领域实践

最新上架

• 会员

  大语言模型：原理、应用与优化

  这是一本从工程化角度讲解大语言模型的核心技术、构建方法与前沿应用的著作。首先从语言模型的原理和大模型的基础构件入手，详细梳理了大模型技术的发展脉络，深入探讨了大模型预训练与对齐的方法；然后阐明了大模型训练中的算法设计、数据处理和分布式训练的核心原理，展示了这一系统性工程的复杂性与实现路径。除了基座模型的训练方案，本书还涵盖了大模型在各领域的落地应用方法，包括低参数量微调、知识融合、工具使用和自主智

  苏之阳 王锦鹏 姜迪 宋元峰计算机12.1万字
• 制造业大模型的构建与实践

  本书分两篇，为读者提供基于制造业视角的大模型理论与应用指南。基础篇深入大模型理论层面，主要介绍大模型的基础知识、构建路径、价值对齐策略，同时涉及多模态与AIGC技术、提示词工程的相关知识。应用篇则聚焦于大模型的实践应用层面，主要讲解垂直制造领域微调、RAG等构建技术，AIAgent的原理与应用，以及大模型压缩与部署策略，并且通过具体案例来展示大模型在工业制造及设备运维等方面的应用，最后对大模型进行

  郭秉义计算机18.3万字
• 会员

  大模型应用开发：核心技术与领域实践

  本书由科大讯飞与中国科大的大模型的资深专家联合撰写，一本书打通大模型的技术原理与应用实践壁垒，深入大模型3步工作流程，详解模型微调、对齐优化、提示工程等核心技术及不同场景的微调方案，全流程讲解6个典型场景的应用开发实践。本书共10章，从逻辑上分为“基础知识”“原理与技术”“应用开发实践”三部分。基础知识（第1章）介绍大模型定义、应用现状、存在的问题，以及发展趋势。原理与技术（第2和3章）详细讲解大

  于俊 刘淇 程礼磊 程明月计算机12.3万字
• 会员

  量子人工智能

  量子计算与人工智能的交叉融合，促使量子人工智能的不断发展。本书旨在采用对深度学习爱好者友好的方式，构建量子人工智能应用。全书共13章，第1章和第2章系统介绍量子计算机发展脉络和量子计算编程的基础知识。第3~7章分别介绍不同的深度学习方法和在这些算法逻辑上构建量子启发算法的方式，用量子线路中的相位作为神经网络的可学习参数，重构为量子神经网络算子。这些算子可以在PyTorch环境中直接调用。第8章和第

  金贤敏 胡俊杰编著计算机7.6万字
• 会员

  ChatGPT漫谈

  本书深度探讨了构建和训练ChatGPT模型涉及的核心技术，以及ChatGPT在各种实际应用中的作用。全书精心划分为三部分，其中第1章为第1部分，第2章为第2部分，第3章和第4章为第3部分。首先，详细阐述了机器学习的历史演变与各种学习范式，同时也揭示了在人工智能生成内容（AIGC）领域下，图像处理和自然语言处理技术的历史发展趋势；接下来，对ChatGPT的运行机制和关键算法进行深度解析，包括大规模模

  邱才明 凌泽南 冯湛搏 杨昊编著计算机10.8万字
• 会员

  Python视觉分析应用案例实战

  本书以Python3.10.7为平台，以实际应用为背景，通过概念、公式、经典应用相结合的形式，深入浅出地介绍了Python图形图像处理经典实现。全书共10章，主要包括绪论、迈进Python、Python图形用户界面、数据可视化分析、图像视觉增强分析、图像视觉复原分析、图像视觉几何变换与校正分析、图像视觉分割技术分析、图像视觉描述与特征提取分析、车牌识别分析等内容。通过本书的学习，读者可领略到Py

  丁伟雄编著计算机12.3万字
• 会员

  玩赚ChatGPT：人人都能用的工作好帮手

  本书以工作场景和具体任务来驱动，包括53个场景展示、85项任务模拟、237次提问示范，让完全不懂技术的小白，也能成为ChatGPT工具使用方面的行家。本书通过详细讲解具体任务的提问与追问方法，让ChatGPT成为每个人的工作好帮手，帮助人们提升工作效能，打造超能个体与超能团队。

  唐振伟编著计算机13.8万字
• 会员

  AIGC辅助数据分析与数据化运营：场景化解决方案与案例分析

  这是一本能从业务、方法、场景3个维度帮助读者使用AI技术提升数据分析和数据化运营能力的著作。用扎实的理论框架、丰富的实践案例、实用的操作技巧，全面展示了如何用AI延伸业务分析广度、拓展业务分析深度、优化业务分析效能，从而达到帮助企业用智能的数据化运营实现业务持续增长的目的。本书采用案例驱动的写作方式，通过实际业务案例详细拆解AI技术在各个场景中的应用步骤和技巧。语言简洁易懂，理论与实践结合，注重实

  宋天龙计算机17.2万字
• 会员

  机器学习的算法分析和实践

  本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者。机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最

  孙健编著计算机7.4万字