本文介绍了PyTorch中张量的数学运算之向量运算，包括加减乘除、数乘、内积、外积、范数、广播机制等

本文介绍了PyTorch中张量的数学运算之矩阵运算，包括基础运算、转置、行列式、迹、伴随矩阵、逆矩阵、特征值和特征向量等及其数学原理。

本文介绍了张量的梯度计算，包括变量（Variable）、自动微分、计算图及其可视化等

本文介绍了张量变形操作，包括改变张量的形状：view、reshape、reshape_as；改变维度：flatten、unsqueeze和squeeze； 重新排列：permute和transpose

本文介绍了深度强化学习的基本概念

本文介绍了张量的统计计算，包括基本统计量（均值、方差、标准差、最大值、最小值）、相关性统计量（相关系数、协方差）、累积统计量（张量的和、张量的累积和、张量的乘积、张量的累积乘积）、分布统计量（百分位数、偏度、峰度）等。

本文介绍了PyTorch中数据集（Dataset）与数据加载器（DataLoader），并实现自定义鸢尾花数据类

奥利维耶.卡埃朗（Olivier Caelen），国际支付服务先驱 Worldline 公司机器学习研究员、布鲁塞尔自由大学机器学习博士，业余时间在布鲁塞尔自由大学教授机器学习课程。玛丽-艾丽斯.布莱特（Marie-Alice Blete），国际支付服务先驱 Worldline 公司研发部门软件架构师、数据工程师。她还负责维护开发者关系，并担任技术演讲嘉宾。何文斯（译者），大模型创业公司 Dify

近年来，深度学习在人工智能的发展过程中起到了举足轻重的作用，而图神经网络是人工智能领域的一个新兴方向，被称为图上的深度学习。本书详细介绍了从深度学习到图神经网络的基础概念和前沿技术，包括**图上的深度学习、图神经网络的数学基础、神经网络学习与算法优化、深度学习基础、神经网络中的表示学习、面向图数据的嵌入表示、初代图神经网络、空域及谱域图卷积神经网络等内容。为增强可读性，本书叙述清晰、内容深入浅出、

推荐系统是计算机软件工程的一个子领域，通过大数据、机器学习等技术，在用户使用产品的过程中，学习用户的兴趣偏好，主动展示他可能喜欢的“物品”（这里的物品是指待推荐的东西，可以是商品、电影、视频、文章、音乐、美食、景点、理财产品甚至是人，后面都用物品指代，不再说明），从而促成“消费”，节省用户时间，提升用户体验，优化资源配置，最终为服务提供方、物品提供方创造商业价值。上述定义有几点需要说明，以便大家更