中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥78.2
加入購物車
基于深度學(xué)習(xí)的社會(huì)信息挖掘應(yīng)用實(shí)例分析 版權(quán)信息
- ISBN：9787030656698
- 條形碼：9787030656698 ; 978-7-03-065669-8
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
基于深度學(xué)習(xí)的社會(huì)信息挖掘應(yīng)用實(shí)例分析 本書特色
詳細(xì)介紹了機(jī)器學(xué)習(xí)這一實(shí)現(xiàn)人工智能的方法以及深度學(xué)習(xí)這一實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)，分析了三者之間的關(guān)系
基于深度學(xué)習(xí)的社會(huì)信息挖掘應(yīng)用實(shí)例分析 內(nèi)容簡介
人工智能作為計(jì)算機(jī)科學(xué)學(xué)科中極富挑戰(zhàn)性的一門科學(xué)，融合了包括數(shù)學(xué)、神經(jīng)心理學(xué)、信息論、控制論等許多領(lǐng)域的技術(shù)，涉及學(xué)科繁多、研究范疇廣闊、實(shí)際應(yīng)用廣泛。目前，人工智能越來越多地介入到了人們的日常生活中來，從學(xué)術(shù)界走到了人們生活的方方面面，人工智能技術(shù)也備受關(guān)注。本書圍繞人工智能展開，詳細(xì)介紹了機(jī)器學(xué)習(xí)這一實(shí)現(xiàn)人工智能的方法以及深度學(xué)習(xí)這一實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)，分析了三者之間的關(guān)系，并從神經(jīng)網(wǎng)絡(luò)的源起講起，在技術(shù)層面詳細(xì)介紹了神經(jīng)網(wǎng)絡(luò)的技術(shù)架構(gòu)與以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的多種變體機(jī)器學(xué)習(xí)方法的網(wǎng)絡(luò)結(jié)構(gòu)，分析了不同機(jī)器學(xué)習(xí)方法的特點(diǎn)與適用場(chǎng)景，并以實(shí)際的應(yīng)用場(chǎng)景為例，分析了深度學(xué)習(xí)在智能信息挖掘與文本表示學(xué)習(xí)中的具體應(yīng)用方法與效果實(shí)現(xiàn)。本書將技術(shù)與應(yīng)用兩方面進(jìn)行結(jié)合，詳細(xì)介紹并分析了人工智能的技術(shù)發(fā)展與領(lǐng)域應(yīng)用，可作為人工智能領(lǐng)域的技術(shù)與實(shí)踐參考書。
基于深度學(xué)習(xí)的社會(huì)信息挖掘應(yīng)用實(shí)例分析 目錄
目錄
前言
第1章 緒論 1
1.1 人工智能 1
1.2 機(jī)器學(xué)習(xí) 6
1.3 深度學(xué)習(xí) 10
第2章 神經(jīng)網(wǎng)絡(luò) 14
2.1 神經(jīng)元 14
2.2 損失函數(shù) 15
2.3 激活函數(shù) 16
2.4 參數(shù)學(xué)習(xí) 19
2.5 梯度下降法 20
2.6 全連接神經(jīng)網(wǎng)絡(luò) 24
2.7 BP神經(jīng)網(wǎng)絡(luò) 25
2.8 優(yōu)化方案 28
2.9 注意力機(jī)制 31
2.10 本章小結(jié) 32
第3章 深度神經(jīng)網(wǎng)絡(luò) 33
3.1 卷積神經(jīng)網(wǎng)絡(luò) 33
3.2 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) 34
3.3 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 36
3.4 本章小結(jié) 37
第4章 基于啟發(fā)知識(shí)的學(xué)習(xí)方法 38
4.1 兄弟學(xué)習(xí) 38
4.2 頓悟?qū)W習(xí) 40
4.3 本章小結(jié) 43
第5章 極限學(xué)習(xí)機(jī) 44
5.1 引言 44
5.2 *小二乘擬和及Moore-Penrose廣義逆 45
5.3 標(biāo)準(zhǔn)SLFN數(shù)學(xué)模型 48
5.4 ELM學(xué)習(xí)算法 50
5.5 ELM的特征映射和特征空間 53
5.6 ELM、RVFL及其一般化結(jié)構(gòu) 56
5.7 ELM的理論基礎(chǔ) 58
5.8 本章小結(jié) 61
第6章 基于深度學(xué)習(xí)的網(wǎng)站智能信息挖掘 62
6.1 引言 62
6.2 網(wǎng)站信息的計(jì)算機(jī)自動(dòng)獲取 63
6.3 基于深度學(xué)習(xí)的網(wǎng)站相似度研究 64
6.4 網(wǎng)站內(nèi)容豐富度研究 67
6.5 面向任務(wù)的興趣推送 69
6.6 本章小結(jié) 71
第7章 基于卷積神經(jīng)網(wǎng)絡(luò)的甲骨文異體字識(shí)別 72
7.1 引言 72
7.2 相關(guān)研究 74
7.3 符號(hào)定義及概念 76
7.4 甲骨文異體字識(shí)別方法 76
7.5 實(shí)驗(yàn)及分析 85
7.6 總結(jié)與展望 92
第8章 基于LSTM 的小說情節(jié)高潮識(shí)別 94
8.1 引言 94
8.2 相關(guān)概念 96
8.3 情節(jié)高潮識(shí)別方法 100
8.4 算法實(shí)現(xiàn) 102
8.5 實(shí)驗(yàn)及分析 104
8.6 總結(jié)與展望 110
第9章 大規(guī)模復(fù)雜異質(zhì)圖動(dòng)態(tài)的構(gòu)建 111
9.1 引言 111
9.2 大規(guī)模復(fù)雜異質(zhì)圖舉例 112
9.3 國內(nèi)外現(xiàn)狀及發(fā)展動(dòng)態(tài) 115
9.4 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)的研究內(nèi)容 121
9.5 本章小結(jié) 123
第10章 基于深度學(xué)習(xí)的大規(guī)模復(fù)雜異質(zhì)圖動(dòng)態(tài)分析 124
10.1 復(fù)雜異質(zhì)動(dòng)態(tài)圖數(shù)據(jù)的采集與存儲(chǔ)管理 124
10.2 復(fù)雜異質(zhì)動(dòng)態(tài)圖的構(gòu)建與表示 125
10.3 動(dòng)態(tài)圖的演變模式分析 127
10.4 大規(guī)模復(fù)雜異質(zhì)圖動(dòng)態(tài)變化的優(yōu)化 129
10.5 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)的實(shí)現(xiàn) 130
10.6 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)算法 135
10.7 本章小結(jié) 140
參考文獻(xiàn) 141
前言
第1章 緒論 1
1.1 人工智能 1
1.2 機(jī)器學(xué)習(xí) 6
1.3 深度學(xué)習(xí) 10
第2章 神經(jīng)網(wǎng)絡(luò) 14
2.1 神經(jīng)元 14
2.2 損失函數(shù) 15
2.3 激活函數(shù) 16
2.4 參數(shù)學(xué)習(xí) 19
2.5 梯度下降法 20
2.6 全連接神經(jīng)網(wǎng)絡(luò) 24
2.7 BP神經(jīng)網(wǎng)絡(luò) 25
2.8 優(yōu)化方案 28
2.9 注意力機(jī)制 31
2.10 本章小結(jié) 32
第3章 深度神經(jīng)網(wǎng)絡(luò) 33
3.1 卷積神經(jīng)網(wǎng)絡(luò) 33
3.2 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) 34
3.3 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 36
3.4 本章小結(jié) 37
第4章 基于啟發(fā)知識(shí)的學(xué)習(xí)方法 38
4.1 兄弟學(xué)習(xí) 38
4.2 頓悟?qū)W習(xí) 40
4.3 本章小結(jié) 43
第5章 極限學(xué)習(xí)機(jī) 44
5.1 引言 44
5.2 *小二乘擬和及Moore-Penrose廣義逆 45
5.3 標(biāo)準(zhǔn)SLFN數(shù)學(xué)模型 48
5.4 ELM學(xué)習(xí)算法 50
5.5 ELM的特征映射和特征空間 53
5.6 ELM、RVFL及其一般化結(jié)構(gòu) 56
5.7 ELM的理論基礎(chǔ) 58
5.8 本章小結(jié) 61
第6章 基于深度學(xué)習(xí)的網(wǎng)站智能信息挖掘 62
6.1 引言 62
6.2 網(wǎng)站信息的計(jì)算機(jī)自動(dòng)獲取 63
6.3 基于深度學(xué)習(xí)的網(wǎng)站相似度研究 64
6.4 網(wǎng)站內(nèi)容豐富度研究 67
6.5 面向任務(wù)的興趣推送 69
6.6 本章小結(jié) 71
第7章 基于卷積神經(jīng)網(wǎng)絡(luò)的甲骨文異體字識(shí)別 72
7.1 引言 72
7.2 相關(guān)研究 74
7.3 符號(hào)定義及概念 76
7.4 甲骨文異體字識(shí)別方法 76
7.5 實(shí)驗(yàn)及分析 85
7.6 總結(jié)與展望 92
第8章 基于LSTM 的小說情節(jié)高潮識(shí)別 94
8.1 引言 94
8.2 相關(guān)概念 96
8.3 情節(jié)高潮識(shí)別方法 100
8.4 算法實(shí)現(xiàn) 102
8.5 實(shí)驗(yàn)及分析 104
8.6 總結(jié)與展望 110
第9章 大規(guī)模復(fù)雜異質(zhì)圖動(dòng)態(tài)的構(gòu)建 111
9.1 引言 111
9.2 大規(guī)模復(fù)雜異質(zhì)圖舉例 112
9.3 國內(nèi)外現(xiàn)狀及發(fā)展動(dòng)態(tài) 115
9.4 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)的研究內(nèi)容 121
9.5 本章小結(jié) 123
第10章 基于深度學(xué)習(xí)的大規(guī)模復(fù)雜異質(zhì)圖動(dòng)態(tài)分析 124
10.1 復(fù)雜異質(zhì)動(dòng)態(tài)圖數(shù)據(jù)的采集與存儲(chǔ)管理 124
10.2 復(fù)雜異質(zhì)動(dòng)態(tài)圖的構(gòu)建與表示 125
10.3 動(dòng)態(tài)圖的演變模式分析 127
10.4 大規(guī)模復(fù)雜異質(zhì)圖動(dòng)態(tài)變化的優(yōu)化 129
10.5 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)的實(shí)現(xiàn) 130
10.6 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)算法 135
10.7 本章小結(jié) 140
參考文獻(xiàn) 141
展開全部
書友推薦
- >
朝聞道
- >
煙與鏡
- >
名家?guī)阕x魯迅:故事新編
- >
回憶愛瑪儂
- >
中國歷史的瞬間
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
經(jīng)典常談
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
