知识图谱的发展历史源远流长，从经典人工智能的核心命题——知识工程，到互联网时代的语义Web，再到当下很多领域构建的数千亿级别的现代知识图谱。知识图谱兼具人工智能、大数据和互联网的多重技术基因，是知识表示、表示学习、自然语言处理、图数据库和图计算等多个领域技术的综合集成。本书全面覆盖了知识图谱的表示、存储、获取、推理、融合、问答和分析等七大方面，一百多个基础知识点的内容，同时囊括多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱，以及知识增强的语言预训练模型等新热点、新发展。作为一本导论性质的书，本书希望帮助初学者梳理知识图谱的基本知识点和关键技术要素，也希望帮助技术决策者建立知识图谱的整体视图和系统工程观，为前沿科研人员拓展创新视野和研究方向。 本书在技术广度和深度上兼具极强的参考性，适合高等院校的计算机专业师生阅读，也可供计算机相关行业的管理者和研发人员参考。

本书主要介绍自动化运维和智能化运维的常用技术，同时，通过搭建实验环境的方式，让读者能够基于前沿的容器化技术Docker与Kubernetes搭建自己的运维实验环境，从而帮助读者更好地掌握本书涉及的技术要点。

深度学习已经进入我们的生活，云计算和大数据为深度学习提供了便利。本书主要讲解深度学习中的数学知识、算法原理和实现方法，配套源码、数据集和开发环境。 本书共12章。第1章介绍人类视觉和深度学习的联系。第2章介绍深度学习中最为重要的梯度下降算法。第3章介绍卷积函数。第4章介绍计算损失函数所使用的交叉熵、决策树和信息熵。第5章介绍线性回归和逻辑回归。第6、7章介绍时间序列模型和生成对抗网络。第8章介绍TensorFlow框架。第9章介绍推荐算法。第10章介绍深度学习中的标准化、正则化和初始化。第11章是案例人脸识别。第12章是词嵌入向量案例，介绍自然语言处理方面的应用。 本书理论和实践相结合，理论讲解细致直观，通过实例进行演示，可以使读者快速掌握本书内容。本书适合深度学习初学者、深度学习算法开发人员阅读，也适合高等院校和培训机构人工智能相关专业的师生参考。

零基础读者应如何快速入门机器学习？数学基础薄弱的读者应如何理解机器学习中的数学原理？这些正是本书要解决的问题。本书从数学基础知识入手，通过前3章的介绍，帮助读者轻松复习机器学习涉及的数学知识；然后，通过第4-第13章的介绍，逐步讲解机器学习常见算法的相关知识，帮助读者快速入门机器学习；最后，通过第14章的综合实践，帮助读者回顾本书内容，进一步巩固所学知识。《机器学习的数学原理和算法实践》适合对机器学习感兴趣但数学基础比较薄弱的读者学习，也适合作为相关专业的学生入门机器学习的参考用书。

本书详解了Nginx架构、执行流程、模块实现与数据结构，剖析了Nginx源码设计精髓与应用。第1～2章介绍Nginx编译安装、基础架构与设计理念，涵盖源码结构、进程模型等，让读者对Nginx有整体性了解。第3章从内存池、共享内存展开介绍Nginx的内存管理与使用。第4章分析Nginx的数据结构，即字符串、数组、链表、队列、散列、红黑树、基数树的数据结构和算法。第5章详细介绍main配置块、events配置块与http配置块，呈现Nginx配置解析的全过程。第6章完整地介绍了Nginx的 进程管理，涵盖进程模式、master 进程、worker 进程以及进程间通信机制。第7章详细分析HTTP模块及其处理的11个阶段，如模块初始化流程、请求解析、请求响应等。第8章介绍了Upstream机制，涵盖初始化、上下游连接建立、长连接等，着重介绍了FastCGI通信流程。第9章详细介绍Event模块的实现以及Nginx中的惊群处理。第10章介绍Nginx的负载均衡、限流、日志等模块实现。第11章介绍跨平台实现，涵盖编译过程、共享内存等。第12章介绍Nginx的RTMP直播服务实现，着重介绍RTMP包协议与中继模块实现。

【免费获取】配套代码 数据 共读实战营 作者答疑群告别拖延症，14天掌握Embedding（社区领读10天 5个作业 4天实战）获取方式：1、微信关注“华章计算机”2、在后台回复关键词：Embedding 这是一本系统、全面、理论与实践相结合的Embedding技术指南，由资深的AI技术专家和高级数据科学家撰写，得到了黄铁军、韦青、张峥、周明等中国人工智能领域的领军人物的一致好评和推荐。在内容方面，本书理论与实操兼顾，一方面系统讲解了Embedding的基础、技术、原理、方法和性能优化，一方面详细列举和分析了Embedding在机器学习性能提升、中英文翻译、推荐系统等6个重要场景的应用实践；在写作方式上，秉承复杂问题简单化的原则，尽量避免复杂的数学公式，尽量采用可视化的表达方式，旨在降低本书的学习门槛，让读者能看得完、学得会。 全书一共16章，分为两个部分：第1部分（第1~9章）Embedding理论知识主要讲解Embedding的基础知识、原理以及如何让Embedding落地的相关技术，如TensorFlow和PyTorch中的Embedding层、CNN算法、RNN算法、迁移学习方法等，重点介绍了Transformer和基于它的GPT、BERT预训练模型及BERT的多种改进版本等。第二部分（第10 ~16章）Embedding应用实例通过6个实例介绍了Embedding及相关技术的实际应用，包括如何使用Embedding提升传统机器学习性，如何把Embedding技术应用到推荐系统中，如何使用Embedding技术提升NLP模型的性能等。

本书是一本介绍深度学习理论和实战应用的教程，先从数学基础和机器学习基础出发，按照神经网络的技术发展框架由易到难逐步讲解深度学习的理论，然后再通过实践部分，详细解释深度学习的应用案例，让读者既能了解深度学习理论，又能学会使用深度学习框架，实现自己的深度学习模型。主要内容包括深度学习的发展历史、单层感知器、线性神经网络、BP神经网络、深度学习算法卷积神经网络CNN和长短时记忆网络LSTM，以及深度学习算法在图像、自然语言处理和音频信号三个方面的实际应用。其中，案例实战部分使用的深度学习框架为Tensorflow 2/Keras。

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。

本书全面讲解PaddlePaddle Fluid框架在深度学习领域的应用。全书共15章，分别是PaddlePaddle深度学习开发环境的搭建、PaddlePaddle快速入门、线性回归算法实战、卷积神经网络实战、循环神经网络实战、生成对抗网络实战、强化学习实战、模型的保存与使用、迁移学习实战可视化工具Visual DL的使用、自定义图像数据集识别项目实战、自定义文本数据集分类项目实战、动态图的使用、开发具有AI能力的服务器接口、移动端深度学习框架Paddle Lite的项目实战。 本书实例丰富，适合机器学习爱好者、程序员、人工智能方面的从业人员阅读，也可以作为人工智能相关专业的师生用书和相关培训学校的教材。

本书从机器学习的基本原理开始讲解，然后是神经网络、深度学习，最后讲解卷积神经网络。本书在讲解原理的基础上，以MATLAB为开发工具和编程语言，将深度学习所涉及的原理均用MATLAB进行仿真实践，并将书中所有的实例以MATLAB为底层编程语言进行编程和讲解。 通过本书的阅读，读者可以学会神经网络和多层神经网络的原理，卷积和池化的含义，并可利用MATLAB进行深度学习的研究和开发。 本书可用作高等院校人工智能课程或工程师培训的教材，也可供从事人工智能等领域研究和应用的开发人员使用。 3.作者简介 Serge Kruk博士，奥克兰大学数学与统计系教授，曾是贝尔实验室资深研究员。具有多年的研究和工作经验，目前主要的研究方向为：algorithms for semidefinite optimization， scheduling， feasibility， and the related numerical linear algebra and analysis等 邹伟 博士，睿客邦创始人，研究方向为机器学习、数据挖掘、计算几何，致力于机器学习和深度学习在实际中的应用；主持研发50多个人工智能领域工业级项目，并受邀在中国移动、花旗银行、中信集团、中航信、烽火科技、京东方、完美世界等公司进行了上百场讲座和内部培训。创立的睿客邦与国内十多所高校建立了AI联合实验室或实训基地；兼任天津大学创业导师、山东交通学院客座教授等。曾在多个在线平台讲授“机器学习”“深度学习”等课程，广受网友好评，累计学习人数超过百万。