全书共分为三个部分，从概念、应用场景到具体的先进算法，再到最后的系统实现，对联邦学习技术进行全盘梳理与总结。第一部分为联邦学习基础知识，主要介绍和分享联邦学习的定义、挑战、应用场景和主要技术，包括联邦学习概述、应用场景和常用隐私保护技术。第二部分为联邦学习算法详述，主要介绍京东科技针对纵向联邦学习和横向联邦学习场景提出来的诸多创新性联邦学习算法，包括纵向联邦树模型算法、纵向联邦线性回归算法、纵向联邦核学习算法、异步纵向联邦学习算法、基于反向更新的双层异步纵向联邦学习算法、纵向联邦深度学习算法、快速安全的同态加密数据挖掘框架、横向联邦学习算法、混合联邦学习算法和联邦强化学习。第三部分为联邦学习系统，主要介绍京东科技设计的联邦学习系统及算法落地的性能优化技术，包括FedLearn联邦学习系统详述、gRPC在FedLearn中的联邦学习应用实例、落地场景中的性能优化实践和基于区块链的联邦学习。

数据孤岛问题已经成为制约人工智能发展的主要阻碍。在此背景下，联邦学习（Federated Learning）作为一种新兴的机器学习技术范式，凭借其突出的隐私保护能力，展示出在诸多业务场景中的应用价值。本书从联邦学习的基础知识出发，深入浅出地介绍了中央服务器优化和联邦机器学习的算法体系，详细阐述了联邦学习中涉及的加密通信模块的相关知识，以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系，还延伸介绍了提升联邦学习服务质量的方法，并对联邦学习的研究趋势进行了深入探讨与分析，可以对设计和选择算法提供工具式的参考和帮助。本书是高校、科研院所和业界相关学者研究联邦学习技术的理想读本，也适合大数据、人工智能行业的从业者和感兴趣的读者参考。

Kubeflow是基于K8S的机器学习工具包，是为数据科学家和数据工程师构建生产级别的机器学习实现而设计的。本书采用循序渐进的方式，从Kubeflow的安装、使用和设计开篇，随后从模型训练的整个周期展开，涵盖了数据探索、特征准备、模型训练/调优、模型服务、模型测试、模型监测和模型版本管理等各个环节，既有相关的理论知识也囊括了真实的使用案例，能够让读者在学习Kubeflow知识的同时全面了解机器学习的相关知识，是入门和深入学习Kubeflow以及机器学习的良好指南。

《数据库系统实现(第2版)》是斯坦福大学计算机科学专业数据库系列课程第二门课的教科书。书中对数据库系统实现原理进行了深入阐述，并具体讨论了数据库管理系统的三个主要成分——存储管理器、查询处理器和事务管理器的实现技术。此外，第2版充分反映了数据管理技术的新进展，对内容进行了扩充，除了在第1版中原有的“信息集成”一章（第10章）中加入了新的内容外，还增加了两个全新的章：“数据挖掘”（第11章）和“数据库系统与互联网”（第12章）。 《数据库系统实现(第2版)》适合作为高等院校计算机专业研究生的教材或本科生的教学参考书，也适合作为从事相关研究或开发工作的专业技术人员的高级参考资料。 海报：

数据库系统实现，ISBN：9787111078876，作者：（美）Hector Garcia-Molina等著；杨冬青等译

《数据库系统实现(第2版)》是斯坦福大学计算机科学专业数据库系列课程第二门课的教科书。书中对数据库系统实现原理进行了深入阐述，并具体讨论了数据库管理系统的三个主要成分——存储管理器、查询处理器和事务管理器的实现技术。此外，第2版充分反映了数据管理技术的新进展，对内容进行了扩充，除了在第1版中原有的“信息集成”一章（第10章）中加入了新的内容外，还增加了两个全新的章：“数据挖掘”（第11章）和“数据库系统与互联网”（第12章）。 《数据库系统实现(第2版)》适合作为高等院校计算机专业研究生的教材或本科生的教学参考书，也适合作为从事相关研究或开发工作的专业技术人员的高级参考资料。 海报：

数据库系统实现，ISBN：9787111078876，作者：（美）Hector Garcia-Molina等著；杨冬青等译

数字化转型背景下，Python作为一门简单、易学、速度快、免费、开源的主流编程语言，广泛应用于大数据处理、人工智能、云计算等各个领域，是众多高等院校学生的必修基础课程，也是堪与Office办公软件应用比肩的职场人士的必备技能。同时随着数据存储、数据处理等大数据技术的快速进步，机器学习的各种算法在各行各业得以广泛应用，同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”有机结合，推动数字化人才的培养，提升人才的实践应用能力。 全书内容共17章。第1、2章介绍Python的入门知识和进阶知识；第3章介绍机器学习的概念及各种术语及评价标准；第4~10章介绍相对简单的监督式学习方法，包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶斯算法、高维数据惩罚回归算法、K近邻算法；第11、12章介绍主成分分析算法、聚类分析算法两种非监督式学习算法；第13~15章介绍相对复杂的监督式学习算法，包括决策树算法和随机森林算法、提升法两种集成学习算法；第16、17章介绍支持向量机算法、神经网络算法两种高级监督式学习算法。 本书可以作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python或机器学习应用的专业教材、参考书；也可以作为企事业单位数字化人才培养的教科书、工具书，还可以作为职场人士自学掌握Python机器学习应用、提升数据挖掘分析能力进而提高工作效能和改善绩效水平的工具书。