本书立足于AIGC技术前沿与发展趋势，全面阐述了AIGC的概念内涵、底层技术与应用场景，详细梳理全球科技巨头在AIGC领域的战略布局，并辅之以大量生动有趣的案例，深度剖析AIGC在各行业领域的应用场景，旨在引导读者真切感受AIGC革命浪潮蕴含的商业创造力。 全书分为五个部分，共18章。第一部分主要厘清AIGC技术的起源与演变，阐述席卷全球的AIGC背后的技术架构以及AIGC的应用场景；第二部分重点剖析AIGC产业现状与生态图谱，以及AIGC产业的发展机遇、挑战与未来趋势；第三部分着重阐述AIG

8大专题内容深度讲解、80多个热门、高频的ChatGPT+Excel智能办公案例实战！ 130多分钟教学视频讲解、130页PPT教学课件、170多款素材与效果文件超值赠送！ 全书通过理论+实例的形式，分别介绍了掌握Excel基本操作、加速输入数据资料、掌握ChatGPT基本用法、用ChatGPT统计求和、用ChatGPT编写函数公式、将ChatGPT接入到Excel中、用ChatGPT创建Excel宏和用ChatGPT协助办公等内容。 本书结构清晰，案例丰富，适合以下人群阅读：一是Exce

“人工智能超入门丛书”致力于面向人工智能各技术方向零基础的读者，内容涉及数据素养、机器学习、视觉感知、情感分析、搜索算法、强化学习、知识图谱、专家系统等方向，体系完整、内容简洁、文字通俗，综合介绍人工智能相关知识，并辅以程序代码解决问题，使得零基础的读者快速入门。《知识工程：人工智能如何学贯古今》是“人工智能超入门丛书”中的分册，以科普的形式讲解了知识工程的相关知识，内容生动有趣，带领读者走进知识工程的世界。本书包含学习知识工程必备的相关知识，如逻辑运算、逻辑推理等均是重要的基础内容；书中也对专

本书讲解了搜索算法的相关知识，内容包括算法问题中涉及的基本数据结构和复杂度分析，及状态空间、树、图等较复杂的数据结构；同时，通过相关实例，讲解了各类搜索方法及线性规划与非线性规划；也重点解读了组合优化问题和群智能算法。全书内容包含了搜索算法所能用到的核心方法和技术，另附三个附录，分别讲解了类与继承以及博弈基础等。

本书全面介绍了统计机器学习的主要算法，内容涉及多元线性回归、对数线性回归、逻辑斯蒂回归、岭回归、Lasso回归、判别分析和聚类分析等传统方法，也涉及支持向量机、深度神经网络以及集成学习等比较热门的算法，并给出相应算法的R语言实现。本书还给出了向量和矩阵函数求导以及拉格朗日对偶等数学基础，便于读者理解相关算法推导。本书可以作为统计机器学习等相关专业的教材和参考书，也可供从事相关领域研究的人员参考。

《AIGC：让生成式AI成为自己的外脑》针对近期较为火热的AIGC技术及其相关话题，介绍AIGC的技术原理、专业知识和应用。全书共分为九章。第一章介绍AIGC技术的基本概念和发展历程；第二、三章介绍AIGC的基础技术栈和拓展技术栈；第四、五章分别讨论了AIGC技术在文本生成和图像生成两个领域的现状和前景；第六章列举了目前较为热门的AIGC技术应用；第七章描述了AIGC的上、中、下游产业链及未来前景；第八章主要关注AIGC在法律和道德上可能存在的争议与问题；第九章对AIGC技术进行了总结与展望。全

《极简ChatGPT：如何利用AI提高办公效率》从ChatGPT的使用入手，系统介绍了如何使用它实现Office自动化与数据分析。本书内容丰富，案例详尽，可作为ChatGPT的使用教程与参考手册，适合Office应用人员、数据分析师与项目管理人员阅读。

人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。本书面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、分析方法、理论思想进行介绍。结合相应组学挖掘的具体研究案例，向读者展示组学人工智能驱动的生命健康交叉研究的绚烂图景。

本书是著名科学家、科普作家卡尔·萨根的科普名作。作者基于生物学、神经解剖学、脑科学、行为学和考古学的知识来探寻人类智能的本质和进化过程，并为开发人工智能和寻找外星智能提供有用的线索。作者从三重脑模型——爬行动物脑、边缘系统、新皮层说起，讲了脑的物质进化史，又从情感、记忆、推理、梦、意识等角度讲了大脑功能方面的进化渊源。在人工智能科技发展日益完善的今天，本书的内容有利于促进中国人工智能产业的发展，可以给相关从业人员新的看待智能的角度和启发。

《Python机器学习实战：基于Scikit-learn与PyTorch的神经网络解决方案》基于作者多年的积累，通过概念及其解释、Python代码示例及其解释和代码输出，特别针对零基础读者精心设计了这本机器学习进阶指南。全书包含3部分16章的内容，在介绍完编程和数据处理基础之后，探讨了监督学习（如线性回归、逻辑回归及决策树、朴素贝叶斯和支持向量机）、集成学习以及无监督学习（如降维和聚类等）。值得一提的是，书的最后讲到了神经网络和深度学习的基本思想，探讨了人工神经网络、卷积神经网络和递归神经网络。