华南理工大学计算机科学与工程学院院长、教授，欧洲科学院外籍院士陈俊龙接受媒体采访时表示，

以DeepSeek为代表的人工智能在各行各业掀起了浪潮，但目前行业青年学者、研发人员并非完全来自信息产业，人工智能的本质是交叉学科，不同行业与人工智能的深度嵌入，是未来发展的底层逻辑。目前人工智能领域人才依然是处于短缺状态，对于文科生来说也可以积极拥抱新技术，从人工智能领域来说就是了解大模型的应用。

陈俊龙（来源：广州日报）

数据标注处于大模型前端是相对基础的专业，目前广东不少地市都设立了数据标注中心，数据标注的范围很广，不少数据标注相关的工作也终将自动化、智能化。

谈及人工智能行业基础性岗位未来发展机遇，陈俊龙介绍道未来可以考虑设计针对数据标注的算法。

“文科生的创意和想象力可能是算法开发中非常需要的能力，文科生在考虑投入人工智能行业时，可以将自身所长与技术结合起来，或许能达到1+1>2的效果。”

本文为强国号发布的内容。

那么，如何学好数据标注、机器学习、人工智能？

或许可以在陈俊龙老师编写的图书中，找到答案。

机器学习——数据表示学习及应用

编辑推荐：郑南宁院士作序，陈俊龙院士编写，王怀民院士任丛书主编；

知识点+案例形式，提供源码、课件、教学大纲等资源。

作者：张春阳、陈俊龙

丛书名：高等学校大数据专业系列教材

定价：59.90元印次：1-1

出版日期：2025.01.01

作为人工智能的核心技术之一，机器学习是获得智能的基本途径，其应用遍及人工智能的各个领域，包括计算机视觉、自然语言处理和图网络分析等。为了迎合新一代人工智能发展规划对该领域人才的需求，本书为人工智能相关专业的学生介绍机器学习基础理论知识、最新发展成果、实际应用以及项目实践等。

本书主要内容

本书可视为一本围绕数据表示学习的机器学习图书，全书共7章。

第1章绪论，包括机器学习简介、特征工程与数据表示学习、数学与概率基础。 第2章传统降维方法，包括主成分分析、流形学习、t分布随机邻域嵌入和自编码器。第3章分布式表示学习和聚类算法，包括Kmeans算法和K近邻算法、原型聚类算法、基于密度的聚类算法以及层次聚类。第4章稀疏表示学习，包括稀疏表示简介和匹配追踪算法等。第5章神经网络中的特征提取，包括多层神经网络、卷积神经网络、循环神经网络、图神经网络等。第6章生成式表示学习，包括贝叶斯学习、近似推断、概率图模型、生成对抗网络和扩散模型等。第7章对比式表示学习，包括数据增强、正负样本的选择、相似性度量、对比框架等。

本书特色

(1) 角度新颖，探索核心。

本书围绕数据表示学习介绍机器学习，解决机器学习及其应用的核心问题，角度较为新颖。人工智能涉及计算机视觉中图像和视频内容的理解、自然语言的理解以及具有拓扑结构的图网络理解等任务。完成此类高阶人工智能任务的核心，是解决如何从各类型的原始数据中智能地提取出重要的模式、特征、嵌入和表示等信息，从而帮助解决下游的具体应用任务。

(2) 夯实基础，紧追前沿。

本书不仅包含传统的机器学习模型和算法，还纳入最新的发展成果。例如，对比学习作为无监督学习技术之一，近年来显示出来强大的表示学习能力，极大地缩小甚至超过了现有的有监督模型的性能，此部分内容被纳入本书中。

(3) 注重理论，联系实际。

本书不仅详细介绍数据表示学习的基础理论和方法，也阐述了它们在计算机视觉、自然语言处理和图网络分析任务中的实际应用。本书介绍了数值、图像、视频、语音、自然语言、图网络等不同类型数据的表示学习方法，并提供可学习和可执行的项目代码。

(4) 详细全面，使用方便。

本书内容详细全面，对于各章节内容由浅入深、详细论述，以便读者在学习过程中更加容易理解各个算法提出的动机、具体的步骤、性能特点、应用领域等。除了通过数学公式描述算法外，也注重图表的可视化展示，以及详尽的文字描述。

配套资源

为便于教与学，本书配有源代码、教学课件、教学大纲、教学日历、教学进度表。

读者对象