随着信息技术和各类互联网平台的快速发展，图像、视频、文本等多模态数据呈现爆发式的增长，多模态数据已经成为大数据的主要呈现形式，针对海量多模态数据进行分析和处理、从多个模态中获取知识和价值的现实需求越来越高。本书详细介绍一系列前沿的多模态数据融合与挖掘方法，从多模态聚类、多模态分类等层面对多模态融合与挖掘相关进展进行介绍，具体介绍基于深度多样图对比学习的多模态聚类方法、基于聚类引导的自适应结构增强网络的多模态聚类方法、基于深度子空间学习的半监督多模态数据语义标注方法以及基于深度受限低秩子空间学习的多模态半监督分类方法。在不同数据集上的实验结果验证了所介绍方法的有效性。

“缓存”——在计算机领域中无处不在，几乎在任何项目中都能看到“缓存”的影子。不论是移动互联网、云计算还是大数据领域，“缓存”都可以提供更快速、更可靠、更高效的性能和体验。正因如此，“多级缓存”这样的架构理念在复杂的分布式或微服务系统中也被逐步地演变与应用。本书依托实际案例，从基础技术开始逐步深入探讨多级缓存架构与多级网关的架构原理与应用，并且最终使用KubeSphere 进行云原生的项目部署。本书也会引导读者从基础架构逐步进阶为高级架构，并整体涵盖基础项目架构的搭建、缓存的应用、分布式架构、网关设计与应用、并发优化等方面的相关技术知识，从而使读者对多级架构有更深入的了解。本书主要分为三大部分。第一部分“基础篇”会搭建基础架构，并且实现本地缓存Caffeine与分布式缓存Redis 的应用以及Redis 进阶。第二部分“进阶篇”对项目的架构进行演变，结合Lua 脚本实现网关业务逻辑，从而构建多级网关与多级缓存架构，以此实现基于网关的高并发操作。第三部分“云原生与DevOps”会对Kubernetes 进行介绍，并且围绕KubeSphere来落地，进行项目的流水线发布。本书适合软件开发工程师、系统架构师、运维工程师、测试工程师以及对构建高性能系统架构感兴趣的读者阅读，不论你是初学者还是经验丰富的专业技术人员，本书都将提供有价值的技术与知识。

设计是现代项目中不可或缺的环节，设计质量将直接影响项目的成败。那么应该如何开展设计工作呢？这对于任何一位设计者来说都是很难回答的问题。软件行业流行将具体实现进行抽象的设计思想，从繁琐的细节中提取本质，并将其梳理清晰，这样更容易找到解决复杂问题的方案。经过一定程度的抽象，这些方案将具有足够的通用性，不只适用于某种行业或技术。作者布鲁克斯通过自己丰富的职业经历，为读者介绍了应该如何应对现代工作所特有的设计挑战。本书不仅包括对于设计的深刻思考，还举例分析了多个不同领域的设计案例。除了专业的设计知识外，作者还分享了自己对于哲学、艺术和历史的见解，值得读者仔细品读。本书配以丰富的插画，照片，图表和设计原稿，大大提升了阅读体验。

随着信息、互联网、社交媒体、卫星定位、基于位置的服务（Location Based Services，LBS）等技术的发展，轨迹数据领域迎来了大数据时代。在轨迹大数据背景下，轨迹数据分析的关注度得到持续攀升，它能够借助移动对象的时空特征和移动行为信息发现新知识和模式，从而为智慧城市计算与服务、交通管理与规划、物流管理、智能制造、旅游路径推荐、自然灾害预测与预警、疫情传播监测等诸多领域提供决策支持与服务。本书以轨迹数据相关分析及挖掘技术为主要研究对象，针对轨迹大数据背景下轨迹数据的特征及分析需求，对数据噪声处理、特征提取、相似性度量、参数依赖及复杂轨迹聚类等问题开展了深入研究。 本书可供从事大数据、数据挖掘、机器学习、轨迹数据分析等相关领域的科研及工程人员参考，也可作为高等院校计算机、软件工程及自动化、信息与通信工程等专业的本科生和研究生的学习参考书。

本书作为新媒体数据分析的教学用书，采用任务式教学模式， 融合丰富的项目实训案例， 系统、全面地介绍新媒体运营过程中涉及的各种数据分析方法和技巧。本书分8个项目，项目1讲解新媒体数据分析的基础知识；项目2讲解新媒体数据分析的思维、方法和工具；项目 3讲解新媒体数据的采集与处理；项目 4讲解自媒体平台数据分析；项目 5讲解短视频平台数据分析；项目 6讲解网站数据分析；项目 7讲解新媒体数据可视化；项目 8讲解新媒体数据分析报告。本书内容全面，专业性较强，能够切实有效地帮助读者掌握新媒体数据分析的方法和技能，并为其提供最实用的新媒体数据分析指导。本书既可作为新媒体从业者学习新媒体数据分析的参考书，也可作为高等院校新媒体数据分析课程的实用教材。

《大规模语言模型开发基础与实践》循序渐进、详细讲解了大模型开发技术的核心知识，并通过具体实例的实现过程演练了使用TensorFlow和PyTorch开发大模型程序的方法和流程。全书共12章，分别讲解了大模型基础，数据集的加载、基本处理和制作，数据集的预处理，卷积神经网络模型，循环神经网络模型，特征提取，注意力机制，模型训练与调优，模型推理和评估，大模型优化算法和技术，AI智能问答系统和AI人脸识别系统。全书简洁而不失其技术深度，内容丰富全面。《大规模语言模型开发基础与实践》易于阅读，以极简的文字介绍了复杂的案例，是学习大模型开发的实用教程。《大规模语言模型开发基础与实践》适用于已经了解Python基础开发的读者，以及想进一步学习大模型开发、模型优化、模型应用和模型架构的读者，还可以作为大专院校相关专业的师生用书和培训学校的专业性教材。

《中文版3ds Max 2024完全案例教程（微课视频版）》以实例操作的形式系统讲述3ds Max知识和三维建模、材质、灯光、渲染、特效以及动画制作等核心技术应用，是一本3ds Max完全自学教程、案例视频教程。 全书共21章， 其中第1~19章详细介绍了认识3ds Max 2024、3ds Max 界面、3ds Max基本操作、内置几何体建模、样条线建模、复合对象建模、修改器建模、多边形建模、渲染器参数设置、灯光、材质、贴图、摄影机、环境和效果、动力学、粒子系统与空间扭曲、毛发系统、关键帧动画和高级动画等知识点，最后两章通过美式风格玄关设计和样板间夜晚卧室设计两个大型设计案例完整展示了使用3ds Max 2024进行实际项目设计的全过程。 《中文版3ds Max 2024完全案例教程（微课视频版）》的各类学习资源有： （1）276集同步视频、实例的素材源文件。 （2）《CAD室内设计基础》《室内设计常用尺寸表》《三维设计灵感集锦》《3ds Max易错问题集锦》《3ds Max常用快捷键索引》《室内配色宝典》《色谱表》等电子书。 （3）3ds Max常用贴图、常用模型和PPT教学课件。 （4）《Photoshop 基础视频教程（116集）》《Photoshop常用快捷键速查表》《Photoshop常用工具速查表》。 《中文版3ds Max 2024完全案例教程（微课视频版）》既可作为3ds Max初学者的自学教材，又可作为学校、培训机构的教学用书，还可作为对3ds Max有一定使用经验的读者的参考手册。使用3ds Max 2020、3ds Max 2018、3ds Max 2016等较低版本的读者也可参考学习。

这是一本实例版的 C 语言编程图书，通过编码求解问题的方式来讲解 C 语言的编程知识、数据结构和算法。全书共 15 章，第 1~10 章着重介绍 C 语言的基础知识，包括选择语句、循环控制语句、函数、数组、指针、字符串、结构体、结构体数组与链表、位运算和文件等；第 11~15 章侧重于算法和数据结构基础，包括递归、栈和队列、前缀和与差分、贪心算法、动态规划等。本书包含了 400 个实例和 150 个实练题目，每个实例都有实际的应用背景，通过分析和编码来培养读者的计算机思维和解决实际问题的能力。每个实例实练都配备了相应的视频讲解，以帮助读者解决学习中的疑难问题，加深对所学知识的理解和运用。本书提供代码源文件，便于读者下载练习。另外，本书还提供网站在线刷题，提高读者的编程实战能力。本书旨在帮助读者系统学习和掌握 C 语言编程的核心知识和应用技巧，无论是计算机相关专业的新生、程序设计竞赛的入门级选手、培训学员、C 语言程序设计的深入理解和提高者，还是 C 语言编程的教师和毕业求职者，本书都将提供有价值的帮助 。

在“视频大数据”时代，利用人工智能技术对视频中的目标行为进行智能识别与分析，可为公共与国防安全、体育与娱乐等领域的诸多应用提供更高层级的技术支持。本书以体育场景为重点，进行案例剖析。研究体育运动中人类活动规律，构造智能系统，可为提高运动员竞技能力、促进大众科学健身提供新的高科技手段，极大提高了体育产业的智能化程度。本书剖析了主流的视频行为分析技术，基于多个层次对体育视频中个体及群体行为进行理解，重点研究了体育视频中的目标跟踪与行为识别，具体包括单目标跟踪，多目标跟踪，单目标行为识别，群体行为识别等智能视觉任务，涉及关系学习，监督学习，无监督学习等优化方法。本书剖析了体育场景的特殊性，体育目标描述的复杂性，体育群体关系建模的专业性等难题，并提出一系列基于深度模型的解决方法，建立起契合体育场景的、高效鲁棒的目标分析框架，以供广大读者参考。编辑团队总结了人工智能在视频分析领域的最新成果，在编写过程中参考了大量书籍、文献及手册资料，在此向各位相关作者表示诚挚的感谢。同时，由于作者水平有限，而且智能体育分析技术是一种正在不断发展和完善的技术，本书难以概括全面，敬请读者批评指正。

"《Python数据分析实例精解》详细阐述了多个Python数据分析的基本解决方案，主要包括生成汇总统计数据、为探索性数据分析准备数据、在Python中可视化数据、在Python中执行单变量分析、在Python中执行双变量分析、在Python中执行多变量分析、在Python中分析时间序列数据、在Python中分析文本数据、处理异常值和缺失值、在Python中执行自动化探索性数据分析等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。"