本书从写作与ChatGPT的基础知识讲起，结合创作者的实际写作经历与写作教学经历，重点介了用ChatGPT写作的基础技巧、进阶写作的方法、不同文体的写作方法、写作变现的秘诀，让读者系统地理解写作技巧与变现思路。本书包括如下内容：用ChatGPT重建写作思维、快速摘定选题、快速写出标题、高效收集索材、生成文章结构、写出优质文章、进行日常写作训练，以及用ChatGPT提升写作变现能力。本书适合零基础想学习写作、想利用ChatGPT提高写作能力的读者阅读。本书适合零基础想学习写作、想利用ChatGPT提高写作能力的读者阅读。

人工智能（AI）的飞速发展和广泛普及把人类社会带入一个人机协同、跨界融合、共创分享的智能时代，正在深刻改变着产业发展图景和职业游戏规则。本书采取跨学科研究方法，从AI引领第四次工业革命的高度、AI产业发展历史的长度、各国AI产业现状及发展之路的广度、人与AI协 进与突进的深度，系统探讨了人工智能时代的产业发展和就业前景，展示了个人致胜AI时代的动能与势能，助力在这个崭新的时代更好地生存和发展。

这是一本讲解以ChatGPT/GPT-4为代表的大模型如何为软件研发全生命周期赋能的实战性著作。它以软件研发全生命周期为主线，详细讲解了ChatGPT/GPT-4在软件产品的需求分析、架构设计、技术栈选择、高层设计、数据库设计、UI/UX 设计、后端应用开发、Web 前端开发、软件测试、系统运维、技术管理等各个环节的应用场景和方法。让读者深刻地感受到，ChatGPT/GPT-4在革新传统软件工程的方式和方法的同时，还带来了研发效率和研发质量的大幅度提升。更为重要的是，本书能帮助架构师、开发工程师、数据库工程师、测试工程师、运维工程师、项目经理、产品经理、UI/UX工程师和技术管理者深入地理解ChatGPT/GPT-4的原理和应用，全面塑造他们在AI时代的核心竞争力，实现价值创新并形成竞争优势，为未来的发展奠定基础。作者在本书中创新性地提出了大模型时代的软件研发新范式——水母开发模式（顶部大、底部小）。该模式将研发活动分成6个层次，分别对应软件研发生命周期的分析、设计、编码、测试、部署和维护。其中分析和设计层的工作量大很多，类似水母的头部；其余4个层次的工作量较少，类似水母的触手。除此之外，本书还给出了工程师们与ChatGPT互动（Prompt）的步骤和注意事项，整个过程分为6步，只要遵循这6步就能比较容易获得较为满意的输出结果。

人机交互情感测量与预测旨在通过赋予机器（如计算机、机器人等）识别、理解和表达人的情感的能力，使机器具有更高的智能。本书深度融合神经人因学、情感化设计以及人机交互等理论和方法，介绍如何利用问卷调查、眼动追踪、生理测量、脑电测量、行为观察等实验手段以及统计分析、数学建模等方法，测量和预测人机交互中的用户情感。本书的出版对于提高我国智能交互产品的情感化设计水平与量化评测能力，进一步推动人工智能产业的发展有重要意义。本书的主要读者对象为管理学、计算机科学、工业设计、心理学、认知神经科学等相关专业的科研人员、教师、研究生、本科生以及人机交互领域的从业者。

虽然训练计算机以解释和生成语音和文本这个挑战很大，但是它在减少劳动力和改进人机交互方面所带来的回报也很大！自然语言处理（NLP）领域目前正在快速发展，诞生了大量新的工具和实践。这本独特的书可以给读者带来一系列可以应用于机器翻译、语音助手、文本生成等领域的创新NLP技术。　《赠ChatGPT中文范例的自然语言处理入门书》将展示如何构建实用的、可以改变人类和计算机协同工作方式的NLP应用程序。本书通过对每个核心NLP主题进行清晰、直观的解释和指导，帮助你创建许多有趣的应用程序，包括情感分析器和聊天机器人。在该过程中，你将使用Python和开源库（AllenNLP和Hugging Face Transformers）加快开发过程。● 设计、开发和部署实用的NLP应用程序 ● 构建命名实体标注器 ● 构建机器翻译系统 ● 构建语言生成系统和聊天机器人

在《强化学习与机器人控制》一书中，专家团队不仅简洁明了地描述了人机交互控制方案，还深入介绍了新颖的无模型强化学习控制器。本书首先简述更先进的人机交互控制方案和强化学习，然后讲解典型的环境模型，最后介绍一些更著名的参数估计识别技术。《强化学习与机器人控制》提供了严谨的数学推理和演示，这有助于读者理解控制方案和算法。书中还描述了人机交互控制和基于强化学习控制的稳定性和收敛性分析。另外，还讨论了一些前沿话题，如逆运动学和速度运动学解决方案、神经控制以及机器人领域未来可能的发展趋势。● 全面介绍基于模型的人机交互控制● 详细研究基于欧拉角的无模型人机交互控制和“人机回圈”机制控制● 实际讨论机器人位置和力控制的强化学习以及机器人力控制的连续时间强化学习● 深入研究使用强化学习来控制最坏情况下不确定性的机器人，并使用多智能体强化学习对冗余机器人进行控制

深度强化学习是人工智能和机器学习的重要分支领域，有着广泛应用，如AlphaGo和ChatGPT。本书作为该领域的入门教材，在内容上尽可能覆盖深度强化学习的基础知识和经典算法。全书共10章，大致分为4部分：第1部分（第1～2章）介绍深度强化学习背景（智能决策、人工智能和机器学习）；第2部分（第3～4章）介绍深度强化学习基础知识（深度学习和强化学习）；第3部分（第5～9章）介绍深度强化学习经典算法（DQN、AC、DDPG等）；第4部分（第10章）为总结和展望。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步深入探索。 本书可作为高等院校计算机、智能金融及相关专业的本科生或研究生教材，也可供对深度强化学习感兴趣的研究人员和工程技术人员阅读参考。

《图解人工智能》从基础概念、历史沿革、基础算法、代表性应用、**研究进展、跨学科交叉成果等多个方面深入介绍人工智能。为满足不同程度学习者的学习需求，全书以图片为主并辅以少量文字说明，每节配有“小清爱提问”在线视频，具有初等阅读能力的读者（包括中小学生）可以轻松获得人工智能的基础知识和全局视野；每一节还包括扩展学习资料、深入阅读材料和编程实践资源供高等阅读能力的读者（包括大学生和教师）自学提高。为配合课堂教学，全书每一节都配有PPT课件、附加视频资料、互动演示程序等教学资源。对应不同知识背景的读者，本书有速读、专业、教学3种建议阅读模式。 期待更多人能借此书产生对人工智能学科的探索热情！ 本书封面贴有清华大学出版社防伪标签，无标签者不得销售。版权所有，侵权必究。

数字经济是继农业经济与工业经济之后新的经济发展形态。随着数字经济在全球经济和国内经济中的占比不断提高，经济社会各领域步入全方位数字化转型的阶段，社会各界对数字化转型的经验和方法空前关注。“中国数字发展研究”是伏羲智库推动经济和社会数字化转型的重要举措，旨在通过典型案例的遴选和研究，勾勒数字发展的宏观蓝图，探索数字发展的具体路径。本研究构建了中国数字发展研究案例库，总结数字化转型案例的经验与模式，重点归纳突出各类案例的特征。在总体逻辑关系上，综述篇从全球数字发展的现状出发，重点探讨中国数字发展的趋势。分析篇从案例库的整体特征和普遍特点入手，对场景、需求和思路进行了总结梳理。专题篇对数字经济（农业、工业和服务业）、数字政府、数字社会、数字生态文明和数字文化等5个部分进行了专题研究。建议篇对加快推进数字中国建设提出了政策建议。案例篇选择若干典型案例进行了深入剖析。为更好地推进研究工作，伏羲智库不仅构建了中国数字发展研究案例库，还联合清华大学互联网治理研究中心、中国科学院计算技术研究所的跨领域研究者们组建了联合研究团队。研究团队成员包括：李晓东、孟庆国、谢丹夏、付伟、刘艺、杨晓波、成龙、邵靖芳、程凯、陈尚容、陈蓓、李娜、司小圆、王珩、王瑜、郑婷婷、杜威。中国数字发展研究案例库的构建得到了中国互联网协会数字化转型与发展工作委员会的支持，案例库中的案例主要选自中国互联网协会“互联网助力经济社会数字化转型”案例征集活动，入选案例由28名业界资深专家进行评估遴选。专家包括：尚冰、邬贺铨、李国杰、方滨兴、吴建平、黄如、郑纬民、张宏科、邵广禄、王国权、余晓辉、曾宇、鲁春丛、赵岩、黄澄清、徐愈、吴世忠、杨春艳、卢卫、李欲晓、周德进、陈熙霖、谢高岗、田溯宁、周鸿祎、齐向东、吴海、李晓东等。我们希望此研究能够为数字化转型的实践者和研究者提供有价值的信息和洞见，并对推动数字化转型取得更好的成果起到积极的促进作用。在此，感谢业界资深专家的悉心指导和联合研究团队的辛勤工作，感谢中国互联网协会的支持，也感谢所有参与案例研究和提供建议的人员和机构。

机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率最大化思想估计模型参数，利用方差对不确定性的捕捉构造 k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。具体模型包括线性回归模型、K近邻模型、贝叶斯推断、逻辑回归模型、最大熵模型、决策树模型、感知机模型、支持向量机、EM算法和提升方法。 本书共 12章，绪论介绍贯穿本书的两大思维模式，以及关于全书的阅读指南；第 1章介绍一些基本术语，并给出监督学习的流程；第 2章介绍关于回归问题的机器学习方法；第 3～9章介绍关于分类问题的机器学习方法；第 10章介绍可应用于具有隐变量模型的参数学习算法——EM算法；第 11章简单介绍集成学习，并重点阐述其中的提升（Boosting）方法。为满足个性化学习需求的不同需求，本书从核心思想、方法流程及实际案例应用等不同角度，详细描述各种方法的原理和实用价值，非常适合数据科学、机器学习专业的本科生和研究生学习，也可供相关从业者参考。