贝努瓦·利凯（Benoit Liquet）：麦考瑞大学数学与物理科学学院教授。研究方向为高维数据、大数据、组学数据、模型选择、降维与半参数模型、多状态模型、生存模型和多重检验。萨拉特·莫卡（Sarat Moka）：悉尼新南威尔士大学数学与统计学院讲师，兼任麦考瑞大学数学与物理科学学院荣誉研究员。研究方向为计算统计学、应用概率、机器学习和深度学习。尤尼·纳扎拉西（Yoni Nazarathy）：昆士

作为机器学习领域的“圣经”，本书融合了概率论、统计学、线性代数和优化理论，构建了从基础概念到前沿技术的完整知识体系，内容涵盖决策论、概率分布、线性回归模型、线性分类模型、神经网络、核方法、稀疏核机、图模型、混合模型与最大期望算法、近似推断、采样方法、连续潜变量、序列数据、模型组合等。零编程门槛：聚焦深度学习的数学本质，不依赖任何编程知识，适合AI行业工程、物理、数学等领域的读者，快速掌握神经网络、

全书共11章和一个术语表，依次介绍了机器学习的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学习、问题与解决方案、进阶操作、非监督学习以及其他学习方式等，涵盖了监督学习和非监督学习、支持向量机、神经网络、集成学习、梯度下降、聚类分析、维度降低、自编码器、迁移学习、强化学习、特征工程、超参数调试等众多核心概念和方法。本书围绕大模型展开，共分为6章。、循环神经网络、Transformer 架

本书系统介绍了数据结构与算法的基本概念和相关知识，既注重理论，又注重算法设计，更突出代码实现，是一本着眼于数据结构与基本算法的教学实践的教材。本书介绍了线性表、队列与栈、树与优先级队列、集合与静态查找表、动态查找表、排序、外部查找与排序、图、最小生成树与最短路径、算法设计思想等内容，将数据结构的理论与真实应用的实践紧密结合，从各种数据结构的代码实现到火车票管理系统的代码实现，手把手地指导读者学习数

第一部分为机器学习基础，主要讲解机器学习的基本概念以及两个最基础的机器学习算法，即KNN和线性回归，并基于这两个算法讨论机器学习的基本思想和实验原则。第四部分为无监督模型，涉及聚类、PCA降维、概率图模型、EM算法和自编码器，旨在从不同任务、不同技术的角度讨论无监督学习，让读者体会无监督学习和监督学习之间的区别。例如，只想学习各个算法的整体思想而不关注具体实现细节的读者，可以只阅读除代码以外的文字

它不是一本写给工程师的技术手册，也不会堆砌晦涩的行业术语，而是尝试从你已经感受到、却还没来得及理解清楚的使用场景出发，回答那些最现实的问题：为什么同样的一个问题，Al的响应速度有时快有时慢，AI回复的成本有时高有时低？为什么老板们真正关心的，已经不是要不要用Al，而是应该买人力、买软件，还是买Token?但当Al从“偶尔回答问题”变成“持续帮你干活”的工具，当模型公司开始按输入Token、输出To

全书从“软件工程”视角，解析了从命令行助手到可编程Agent的演进路径，并围绕Claude Code的四层架构模型展开，深入探讨了记忆系统（CLAUDE.md）、技能（Skills）、子智能体（SubAgents）、事件钩子（Hooks）与MCP等核心机制的设计哲学与协同原理。书中不仅提供了翔实的技术选型指南、组件配置方法和触发机制对比，更通过大量实战案例，展示了如何构建安全、高效、可维护的AI辅

从 Python 基础语法、流程控制与函数调 试入手，逐步深入到列表、字典、文件操作及正则表达式等数据处理核心技能，进而拓展至 Web 抓取、电子表格与数据库操作、图像处理、GUI 自动化，以及语音识别等高级应用领域， 全面覆盖 Python 在自动化办公与智能开发中的关键场景。《Python编程快速上手》官方配套练习册，包含大量配套习题、拓展案例与常见易错点分析，适合看完主教材之后进行实操训练，

第 3 章介绍程序员编码前、中、后的编码修养的培养。无论是系统工程师、后端开发者，还是对Go语言运行时、编译器及新兴技术感兴趣的Go程序员，都能在本书中找到翔实的技术解析和实践指南，达到高效开发和技术进阶的目的。第四部分（第6章）：着眼于AI行业的岗位，为想要进入AI行业的读者，介绍不过多要求技术经验的岗位和实用的转行攻略，帮助读者抓住AI时代的职业发展机遇。第二部分（第2章）：聚焦学习AI的方法

由于 LLM 本身具有较高的复 杂性和较大的规模，MLOps 在其中显得尤为重要，它能够有效应对多个挑战，例如大型数据集的管 理、模型版本的控制、结果的可复现性，以及模型性能的长期维护等。第 1 章：理解 LLM Twin 的概念与架构，介绍贯穿全书的项目LLM Twin——一个端到端的生 产级 LLM 应用示例， 定义用于构建可扩展的机器学习系统的特征、训练、推理（feature/ traini