从零开始大模型开发与微调:基于PyTorch与ChatGLM
大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch 2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型发技术。 实战案例丰富 基于PyTorch卷积层的MNIST分类实战 PyTorch数据处理与模型展示 ResNet实战 有趣的词嵌 基于PyTorch循环神经网络的中文情感分类实战 自然语言处理的编码器 预训练模型BERT 自然语言处理的解码器 强化学习实战 只具有解码器的GPT2模型 实战训练自己的ChatGPT 源大模型ChatGLM使用详解 ChatGLM高级定制化应用实战 对ChatGLM行高级微调
(1)构建Python股票交易量化平台，实现交易量化技术;(2)详解股票交易主要模型、算法及其实现、应用;(3)量化交易工具提供云盘下载，方便读者学习
本书通过机器学习与可视化组件相结合的方式，系统介绍机器学习与可视化分析相关技术，并通过实战项目讲解机器学习中常用的数据挖掘相关知识，例如聚类、线性回归、逻辑回归以及决策树算法。特别是为了满足部分读者的需求，本书还详细介绍了深度学习的两个基础算法 文本分类与图像识别算法。
1. 介绍全面，讲解详尽 本书全面地讲解TensorFlow 2.0的新框架设计思想和模型的编写，详细介绍TensorFlow 2.0的安装、使用以及TensorFlow 2.0官方所推荐的Keras编程方法与技巧等。 2. 作者经验丰富，代码编写细腻 本书的代码编写由低到高，针对各个环节都有详尽的说明，使得读者能够充分了解和掌握代码各个模块的编写方法和技巧，是一本非常好的TensorFlow 2.0学习教程。 作者是长期奋战在科研和工业界的一线算法设计和程序编写人员，实战经验丰富，对代码中可能会出现的各种问题和 坑 有丰富的处理经验，能够使得读者少走很多弯路。 3. 理论扎实，深浅出 在代码设计的基础上，本书还深浅出地介绍深度学习需要掌握的一些基本理论知识，通过大量的公式与图示结合的方式对理论行介绍。 4. 提供完善的技术支持和售后服务 本书提供了专门的技术支持邮箱：booksaga@163.com。
使用深度学习行人脸识别是近年来AI研究的热之一。本书可以帮助读者掌握深度学习的核心内容、TensorFlow实现人脸识别的技术要以及从模型构建到应用程序编写的整套技巧。
使用深度学习行语音识别是近年来AI研究的热之一。本书可以帮助读者掌握深度学习的核心内容、TensorFlow实现语音识别的技术要以及从模型构建到应用程序编写的整套技巧。
通过TensorFlow图像处理，全面掌握深度学习模型及应用全面深讲解反馈神经网络和卷积神经网络理论体系结合深度学习实际案例的实现，掌握TensorFlow程序设计方法和技巧着重深度学习实际应用程序发能力和解决问题能力的培养
"1. 版本新，易门 本书详细地介绍从TensorFlow 2.1的安装到使用、TensorFlow默认API，以及使用官方所推荐的Keras的编程方法与技巧等。 2. 作者经验丰富，代码编写细腻 作者是长期奋战在科研和工业界的一线算法设计和程序编写人员，实战经验丰富，对代码中可能会出现的各种问题和 坑 有丰富的处理经验，使得读者能够少走很多弯路。 3. 理论扎实，深浅出 在代码设计的基础上，本书还深浅出地介绍深度学习需要掌握的一些基本理论知识，通过大量的公式与图示结合的方式对理论做介绍，是一本难得的好书。 4. 对比多种应用方案，实战案例丰富 本书采用了大量的实例，同时也提供了一些实现同类功能的其他解决方案，覆盖了使用TensorFlow行深度学习发中常用的知识。 "
JAX是一个用于高性能数值计算的Python库，专门为深度学习领域的高性能计算而设计。本书详解JAX框架深度学习的相关知识，并剖析3个实战案例： 使用ResNet完成CIFAR100数据集分类、有趣的词嵌与生成对抗网络。本书配套示例源码、PPT课件、数据集、发环境和答疑服务。
本书详解Spark 3.0 ML机器学习框架行大数据分析与挖掘的方法，配套示例源码、PPT课件、数据集、发环境、思维导图和答疑服务。
Keras实战:基于TensorFlow2.2的深度学习实践
本书全面系统地介绍了Keras框架的知识，重要内容均结合代码实例行讲解，读者通过这些实例可以深掌握Keras程序设计的技能，并对深度学习有一步的了解。
资深云计算技术讲师潜心力作 CSDN Hadoop版主鼎力推荐 深入浅出、结合实例，帮你在实战中掌握MapReduce 2.0编程的精髓
MLlib是Apache Spark机器学习库。本书入门简单，实例丰富，详解协同过滤、线性回归、分类、决策树、保序回归、聚类、关联、数据降维、特征提取和转换等MLlib主要算法，用实例说明MLlib大数据机器学习算法的运用。
TensorFlow 2.0破天荒地抛弃了原有的架构，重新始，整合了曾经为TensorFlow添加的多种组件，在2.0版本中，这些组件被包成一个综合平台，可支持机器学习的工作流程（从训练到部署），即用一个新的架构从根本上代替了已有的架构。 可以看到新架构中的训练部分主要关注Python API，即训练的可用性、整洁性以及易用性。它通过使用 存档 的方式连起训练与部署之间的桥梁。 模型的部署方式是多种多样，可以方便地使用多种端支持，使其能够运营在不同的平台上。而语言绑定（language binding）也有不同程度的支持，包括Swift、R和Julia等。
