《调度问题求解与优化》系统论述调度系统的设计、优化和重调度。本书介绍了调度系统特征，期望理论分析，时间窗及需求动态变化情况的调度方案实时优化与设计，基于前景理论的用户期望感知预测，基于干扰管理策略调度因素分析，智能量子算法下的重调度方案实施与验证，低碳冷链物流调度、不确定需求物流调度、动态物流调度、末端配送干扰管理以及医疗物资配置等多场景的调度约束和优化策略。

本书是面向仓颉语言初学者的入门书，包括入门篇、进阶篇和高级篇，共计27章。入门篇（第1~7章），目标是零基础入门仓颉语言。从最简单的Hello World示例开始，先是讲解基本数据类型、变量、操作符等基础概念，然后讲解函数和流程控制，最后是综合应用示例，学习完本篇，读者就可以快速入门仓颉语言了。进阶篇（第8~22章），目标是掌握仓颉语言基础知识。本篇按照循序渐进的原则讲解了核心的仓颉语言概念，包括类、接口、枚举、泛型等，还讲解了常用的基础类库用法及异常处理、包管理等内容。学习完本篇，读者就掌握了基本的仓颉语言开发技能。高级篇（第23~27章），目标是学习初步的企业级开发知识，包括函数的高级用法、文件处理及并发处理，最后还介绍了仓颉编译器和调试器。本篇对于企业级开发比较基础，但对于初学者，还是有一定的难度的，学习掌握了本篇内容，就成为一个真正的仓颉语言开发者。本书适合仓颉语言的初学者、大中院校的计算机相关专业的学生。及有一定开发经验，希望快速学习仓颉软件开发的开发者、对自主可控编程语言感兴趣的爱好者阅读。

视觉问答任务要求机器根据指定的视觉图像内容， 对单轮或多轮的自然语言问题进行作答。其本质上是一个多学科的研究问题，涉及计算机视觉、自然语言处理、知识表示与推理等。本书共5 部分，第1 部分介绍在计算机视觉和自然语言处理领域广泛使用的基本方法和技术，包括卷积神经网络、序列建模和注意力机制等。本书将视觉问答分为图像和视频方法。第2 部分将图像视觉问答进一步分为五类，即联合嵌入、注意力机制、记忆网络、组合推理和图神经网络。此外，概述基于图像的其他视觉问答任务，例如基于知识的视觉问答、视觉问答的视觉和语言预训练。第3 部分讨论基于视频的视觉问答及其相关模型。第4 部分讨论与视觉问答相关的高级任务，包括具身视觉问答、医学视觉问答、基于文本的视觉问答、视觉问题生成、视觉对话和指代表达理解，它们是视觉问答任务的扩展。第5 部分对该领域进行总结和展望，讨论视觉问答领域的未来研究方向。

《深入理解Hive：从基础到高阶：视频教学版》采用“理论 实战”的形式编写，通过大量的实例，结合作者多年一线开发实战经验，全面地介绍Hive的使用方法。《深入理解Hive：从基础到高阶：视频教学版》的撰写秉承方便学习、易于理解、便于查询的理念。无论是刚入门的初学者想系统地学习Hive的基础知识，还是拥有多年开发经验的开发者想学习Hive，都能通过《深入理解Hive：从基础到高阶：视频教学版》迅速掌握Hive的各种基础语法和实战技巧。《深入理解Hive：从基础到高阶：视频教学版》作者曾经与极客学院合作，拥有丰富的教学视频制作经验，为读者精心录制了详细的教学视频。此外，《深入理解Hive：从基础到高阶：视频教学版》还免费提供所有案例的源码，为读者的学习和工作提供更多的便利。《深入理解Hive：从基础到高阶：视频教学版》分为12章，分别介绍Hive学习平台的搭建、Hive数据治理、Hive数据分析与应用等内容。在最后一章对Hive进行了拓展，深入探讨AI大模型在数据分析领域的应用，并介绍其与Hive的深度整合，解释如何利用AI大模型来加速Hive中的数据挖掘过程，使数据分析更为便捷、高效。同时，《深入理解Hive：从基础到高阶：视频教学版》提供了多个实际案例和示例，用于展示AI大模型在Hive数据分析中的实际运用场景。《深入理解Hive：从基础到高阶：视频教学版》结构清晰、案例丰富、通俗易懂、实用性强，特别适合初学者自学和进阶读者查询及参考。另外，《深入理解Hive：从基础到高阶：视频教学版》也适合社会培训机构作为培训教材使用，还适合大中专院校相关专业的师生作为教学参考书。

在本书中，著名软件工程师罗伯特·C. 马丁（Robert C. Martin，"鲍勃大叔"）解释了如何以及为什么使用函数式编程为真实客户构建更好的系统。作者将 Java 中传统的面向对象编码结构与函数式语言所支持的编码结构进行了比较，确定了每种结构的最佳作用，并展示了如何在特定环境中明智地使用这些结构来构建更好的系统。

本书是一本非数学专业主要是文科及艺术类专业的数学教材，讲述方式活泼，案例贴近生活，读者可以在轻松学习中体会数学乐趣和意义。全书分为三大部分：归纳和演绎、逻辑和数；代数和几何；概率统

本书是与《大学计算机（WPS Office）》（刘卫国主编，高等教育出版社出版）配套使用的教学参考书，分为实验篇、实训篇、练习篇和学习篇。实验篇围绕课程教学设置了12个实验，内容丰富，具有启发性和实用性，帮助读者加深对理论知识的理解，提高操作应用与问题求解能力；实训篇包括5个WPS Office综合实训，帮助读者提高综合操作能力；练习篇编写了丰富的练习题并给出参考答案，帮助读者复习和巩固课程内容；学习篇包括Python程序设计进阶，可以满足读者进一步学习的需要。 本书内容实用，重视操作能力和综合应用能力培养，可以作为高等学校“大学计算机”课程的教学实践用书，也可供专业技术人员参考阅读。

本书适用于拥有工程学或物理科学专业的本科学位或广泛课程并希望加深对应用数学基本主题的理解的学生。书中介绍的方法构成了工程和物理科学分析的核心。读者将学习研究中需要的解决方案、技术和方法。例如，他们将能够了解用于解决技术问题的各种科学软件包背后的基础知识（例如，描述复杂结构的固体力学的方程式或短期天气预报和长期天气预报的流体力学方程式气候变化），这对于成功使用此类法规至关重要。详细而众多的工作问题有助于确保对应用数学进行清晰而有节奏的介绍。每章末尾的计算挑战性问题为学生提供了动手学习的机会，并有助于确保对概念的掌握。

本书围绕国产计算机行业的具体技术展开论述，内容安排如下：第一章重点描述国内外计算机行业的发展现状，第二章重点介绍国产计算机的基础硬件发展情况，第三章重点介绍国产计算机的基础软件发展情况，第四章介绍国产计算机的应用软件发展情况，第五章介绍国产自主可控的云计算技术，第六章介绍国产自主可控的大数据技术，第七章介绍国产自主可控的物联网技术，第八章介绍国产自主可控的人工智能技术，第九章介绍国产自主可控的区块链技术。第十章是总结。

大模型是近年来引人注目的热点之一。大模型蓬勃发展的基础，是针对其需求设计的算力及基础架构。本书针对如何为大模型构建基础架构进行深入讲解，并基于TOGAF方法论，剖析业界知名案例的设计方案。 全书总计13章。第1章讲解AI与大模型时代对基础架构的需求；第2章讲解软件程序与专用硬件的结合，涉及GPU并行运算库、机器学习程序的开发框架和分布式AI训练；第3章剖析GPU的硬件架构，涉及GPU的总体设计、Nvidia GH100芯片架构和拥有其他Hopper架构的GPU；第4章讲解GPU服务器的设计与实现；第5章讲解机器学习所依托的I/O框架体系；第6章讲解GPU集群的网络设计与实现；第7章讲解GPU板卡算力调度技术；第8章讲解GPU虚拟化调度方案；第9章讲解GPU集群的网络虚拟化设计与实现；第10章讲解GPU集群的存储设计与实现；第11章讲解如何基于云原生技术为机器学习应用设计与实现更好的开发和运行平台；第12章讲解基于云平台的GPU集群的管理与运营，涉及云运维平台、云运营平台和云审计平台；第13章基于一个服务机器学习的GPU计算平台落地案例，展示如何针对机器学习应用进行需求分析、设计与实现。 无论是高等院校计算机与人工智能等相关专业的本科生或研究生，还是对并行计算技术、云计算技术、高性能存储及高性能网络技术感兴趣的研究人员或工程技术人员，都可以参考和阅读本书。