中圖網(wǎng)小程序
一鍵登錄
更方便
¥24.3(2.9折)?
預(yù)估到手價(jià)是按參與促銷活動(dòng)、以最優(yōu)惠的購(gòu)買方案計(jì)算出的價(jià)格（不含優(yōu)惠券部分），僅供參考，未必等同于實(shí)際到手價(jià)。
促銷活動(dòng):
本類五星書更多>
-
>
四千年農(nóng)夫 中國(guó)、朝鮮和日本的永續(xù)農(nóng)業(yè)
-
>
(精)中華古樹名木(全2冊(cè))
-
>
線辣椒優(yōu)質(zhì)高產(chǎn)栽培
-
>
生命的藝術(shù):動(dòng)物解剖學(xué)的神秘歷史之旅
-
>
正確使用農(nóng)藥知識(shí)問(wèn)答
-
>
龍眼譜:外二種
-
>
迷你花園:打造你的玻璃生態(tài)瓶
中圖價(jià):¥48.5
加入購(gòu)物車
人工智能算法及其在土壤重金屬殘留物檢測(cè)中的運(yùn)用研究 版權(quán)信息
- ISBN：9787517094371
- 條形碼：9787517094371 ; 978-7-5170-9437-1
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
人工智能算法及其在土壤重金屬殘留物檢測(cè)中的運(yùn)用研究 內(nèi)容簡(jiǎn)介
《人工智能算法及其在土壤重金屬殘留物檢測(cè)中的運(yùn)用研究》是人工智能技術(shù)在土壤重金屬殘留物檢測(cè)方面的專業(yè)研究書籍。通過(guò)此書，讀者能夠了解和掌握人工智能技術(shù)的基礎(chǔ)知識(shí)，并能了解人工智能技術(shù)在土壤重金屬殘留物檢測(cè)中的算法和應(yīng)用。 該書概念講解清晰、系統(tǒng)性強(qiáng)，是作者多年來(lái)從事土壤重金屬殘留物檢測(cè)工作并指導(dǎo)研究生開(kāi)展研究的經(jīng)驗(yàn)總結(jié)，具有較強(qiáng)的實(shí)用性，可供高等院校相關(guān)專業(yè)的高年級(jí)本科生、研究生和工程技術(shù)人員閱讀。
人工智能算法及其在土壤重金屬殘留物檢測(cè)中的運(yùn)用研究 目錄
理論篇
第1章 機(jī)器學(xué)習(xí)算法
1．1 機(jī)器學(xué)習(xí)算法概述
1．2 決策樹算法
1．2．1 決策樹特征選擇
1．2．2 決策樹生成
1．2．3 決策樹剪枝
1．3 聚類算法
1．3．1 相似度矩陣和鄰接矩陣
1．3．2 拉普拉斯矩陣
1．3．3 譜聚類中切圖方法
1．4 鏈接分析算法
1．4．1 PageRank算法
1．4．2 HITS算法
1．5 概率密度估計(jì)算法
1．5．1 直方圖密度估計(jì)
1．5．2 核密度估計(jì)
1．5．3 K近鄰估計(jì)法
1．5．4 典型參數(shù)估計(jì)方法
1．6 EM算法
1．6．1 EM算法理論
1．6．2 高斯混合模型
1．7 概率圖模型
1．7．1 貝葉斯網(wǎng)絡(luò)
1．7．2 馬爾科夫網(wǎng)絡(luò)
1．8 貝葉斯深度學(xué)習(xí)
1．8．1 前向傳播
1．8．2 反向傳播
1．9 MCMC
1．9．1 接收-拒絕采樣
1．9．2 重要性采樣
1．9．3 MCMC
參考文獻(xiàn)
第2章 集成學(xué)習(xí)算法
2．1 集成學(xué)習(xí)概述
2．2 隨機(jī)森林算法（RF）
2．3 Boosting算法
2．3．1 加法模型
2．3．2 前向分布算法
2．4 AdaBoost算法
2．5 梯度提升算法（GBDT）
2．5．1 梯度下降提升（Gradient Boosting）
2．5．2 GBDT
2．6 XGBoost算法
2．6．1 XGBoost原理
2．6．2 XGBoost工程實(shí)現(xiàn)
2．7 Light GBM算法
2．7．1 Light GBM原理
2．7．2 Light GBM工程實(shí)現(xiàn)
2．8 CatBoost算法
2．8．1 CatBoost算法原理
2．8．2 CatBoost高效實(shí)現(xiàn)
2．9 NGBoost算法
2．9．1 自然梯度
2．9．2 NGBoost
2．10 本章小結(jié)
參考文獻(xiàn)
第3章 圖神經(jīng)網(wǎng)絡(luò)
3．1 圖神經(jīng)網(wǎng)絡(luò)概述
3．2 GCN算法
3．2．1 理論基礎(chǔ)
3．2．2 圖卷積神經(jīng)網(wǎng)絡(luò)
3．3 圖注意力網(wǎng)絡(luò)（GAT）
3．3．1 Attention理解
3．3．2 Attention權(quán)重求取
3．3．3 圖注意力網(wǎng)絡(luò)
3．4 變分圖自編碼器（VGAE）
3．5 GGN圖生成網(wǎng)絡(luò)
3．6 GSTN圖時(shí)空網(wǎng)絡(luò)
3．7 DeepWalk和Node2vec算法
3．7．1 理論基礎(chǔ)
3．7．2 DeepWalk
3．7．3 Node2vec
3．8 GraphSage算法
3．9 本章小結(jié)
參考文獻(xiàn)
第4章 深度生成模型
4．1 深度生成模型概述
4．2 自編碼器（AE）
4．3 變分自編碼器及相關(guān)變體
4．3．1 變分自編碼器
4．3．2 條件變分自編碼器CVAE
4．4 PixelRNN-CNN
4．5 生成式對(duì)抗模型（GAN）
4．5．1 經(jīng)典GAN模型
4．5．2 條件GAN
4．6 GAN變種模型
4．6．1 WGAN算法
4．6．2 InfoGAN算法
4．6．3 VAE-GAN算法
4．7 Flow模型
4．7．1 數(shù)學(xué)理論基礎(chǔ)
4．7．2 Flow模型
4．8 本章小結(jié)
參考文獻(xiàn)
第5章 自動(dòng)機(jī)器學(xué)習(xí)
5．1 AutoML概述
5．2 特征工程
5．2．1 特征清洗
5．2．2 單特征處理
5．2．3 多特征處理
5．3 NAS
5．3．1 搜索空間
5．3．2 搜索策略
5．3．3 性能評(píng)估
5．4 Meta Learning
5．4．1 Few-shot Learing
5．4．2 MAML
5．4．3 Reptile
5．5 遷移學(xué)習(xí)
5．5．1 傳統(tǒng)的非深度遷移
5．5．2 深度網(wǎng)絡(luò)的finetune
5．5．3 深度網(wǎng)絡(luò)自適應(yīng)
5．5．4 深度對(duì)抗網(wǎng)絡(luò)的遷移
5．6 超參數(shù)調(diào)優(yōu)
5．6．1 貝葉斯優(yōu)化
5．6．2 網(wǎng)格搜索
5．6．3 隨機(jī)搜索
5．7 自動(dòng)模型集成
5．8 本章小結(jié)
參考文獻(xiàn)
第6章 知識(shí)圖譜
6．1 知識(shí)圖譜概述
6．2 知識(shí)表示
6．2．1 RDF和RDFS
6．2．2 OWL
6．2．3 向量表示
6．3 知識(shí)存儲(chǔ)
6．3．1 Neo4j
6．3．2 Jena框架
6．4 知識(shí)抽取
6．4．1 結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取
6．4．2 半結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取
6．4．3 非結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取
6．5 知識(shí)融合
6．5．1 本體層融合
6．5．2 實(shí)體對(duì)齊
6．5．3 實(shí)體鏈接
6．6 知識(shí)推理
6．6．1 基于邏輯的推理
6．6．2 基于規(guī)則的推理
6．6．3 基于表示學(xué)習(xí)的推理
6．6．4 基于路徑排序的推理
6．7 本章小結(jié)
參考文獻(xiàn)
運(yùn)用篇
第7章 基于貝葉斯優(yōu)化-集成學(xué)習(xí)的重金屬污染風(fēng)險(xiǎn)智能評(píng)價(jià)方法研究
7．1 研究概述
7．2 風(fēng)險(xiǎn)評(píng)價(jià)與數(shù)據(jù)特征工程
7．2．1 污染等級(jí)評(píng)價(jià)
7．2．2 數(shù)據(jù)相關(guān)處理
7．3 模型構(gòu)建與實(shí)驗(yàn)分析
7．3．1 基于貝葉斯優(yōu)化的超參數(shù)搜索
7．3．2 集成學(xué)習(xí)
7．4 本章小結(jié)
參考文獻(xiàn)
第8章 基于GNNs的農(nóng)田重金屬研究區(qū)采樣點(diǎn)聚類方法研究
8．1 研究概述
8．2 圖結(jié)構(gòu)數(shù)據(jù)生成
8．3 基于GNNs的采樣點(diǎn)聚類方法建模
8．4 實(shí)驗(yàn)結(jié)果
8．5 本章小結(jié)
參考文獻(xiàn)
第9章 基于深度強(qiáng)化學(xué)習(xí)的變異函數(shù)模型參數(shù)估算研究
9．1 研究概述
9．2 變異函數(shù)
9．3 基于深度強(qiáng)化學(xué)習(xí)的變異函數(shù)模型參數(shù)估算研究
9．3．1 DECGA遺傳算法
9．3．2 基于DQN的DECGA超參數(shù)進(jìn)化策略
9．4 實(shí)驗(yàn)結(jié)果
9．4．1 變異函數(shù)單一模型參數(shù)估計(jì)
9．4．2 變異函數(shù)套合模型參數(shù)估計(jì)
9．5 本章小結(jié)
參考文獻(xiàn)
第10章 基于知識(shí)圖譜的農(nóng)田重金屬知識(shí)問(wèn)答
10．1 背景與意義
10．2 知識(shí)圖譜構(gòu)建
10．2．1 數(shù)據(jù)處理
10．2．2 本體層設(shè)計(jì)
10．2．3 實(shí)體構(gòu)建與存儲(chǔ)
10．3 知識(shí)圖譜的重金屬知識(shí)問(wèn)答
10．3．1 問(wèn)句理解
10．3．2 答案推理
10．4 本章小結(jié)
參考文獻(xiàn)
附錄A 農(nóng)田重金屬
附錄B 數(shù)學(xué)基礎(chǔ)
附錄C 學(xué)習(xí)資源
第1章 機(jī)器學(xué)習(xí)算法
1．1 機(jī)器學(xué)習(xí)算法概述
1．2 決策樹算法
1．2．1 決策樹特征選擇
1．2．2 決策樹生成
1．2．3 決策樹剪枝
1．3 聚類算法
1．3．1 相似度矩陣和鄰接矩陣
1．3．2 拉普拉斯矩陣
1．3．3 譜聚類中切圖方法
1．4 鏈接分析算法
1．4．1 PageRank算法
1．4．2 HITS算法
1．5 概率密度估計(jì)算法
1．5．1 直方圖密度估計(jì)
1．5．2 核密度估計(jì)
1．5．3 K近鄰估計(jì)法
1．5．4 典型參數(shù)估計(jì)方法
1．6 EM算法
1．6．1 EM算法理論
1．6．2 高斯混合模型
1．7 概率圖模型
1．7．1 貝葉斯網(wǎng)絡(luò)
1．7．2 馬爾科夫網(wǎng)絡(luò)
1．8 貝葉斯深度學(xué)習(xí)
1．8．1 前向傳播
1．8．2 反向傳播
1．9 MCMC
1．9．1 接收-拒絕采樣
1．9．2 重要性采樣
1．9．3 MCMC
參考文獻(xiàn)
第2章 集成學(xué)習(xí)算法
2．1 集成學(xué)習(xí)概述
2．2 隨機(jī)森林算法（RF）
2．3 Boosting算法
2．3．1 加法模型
2．3．2 前向分布算法
2．4 AdaBoost算法
2．5 梯度提升算法（GBDT）
2．5．1 梯度下降提升（Gradient Boosting）
2．5．2 GBDT
2．6 XGBoost算法
2．6．1 XGBoost原理
2．6．2 XGBoost工程實(shí)現(xiàn)
2．7 Light GBM算法
2．7．1 Light GBM原理
2．7．2 Light GBM工程實(shí)現(xiàn)
2．8 CatBoost算法
2．8．1 CatBoost算法原理
2．8．2 CatBoost高效實(shí)現(xiàn)
2．9 NGBoost算法
2．9．1 自然梯度
2．9．2 NGBoost
2．10 本章小結(jié)
參考文獻(xiàn)
第3章 圖神經(jīng)網(wǎng)絡(luò)
3．1 圖神經(jīng)網(wǎng)絡(luò)概述
3．2 GCN算法
3．2．1 理論基礎(chǔ)
3．2．2 圖卷積神經(jīng)網(wǎng)絡(luò)
3．3 圖注意力網(wǎng)絡(luò)（GAT）
3．3．1 Attention理解
3．3．2 Attention權(quán)重求取
3．3．3 圖注意力網(wǎng)絡(luò)
3．4 變分圖自編碼器（VGAE）
3．5 GGN圖生成網(wǎng)絡(luò)
3．6 GSTN圖時(shí)空網(wǎng)絡(luò)
3．7 DeepWalk和Node2vec算法
3．7．1 理論基礎(chǔ)
3．7．2 DeepWalk
3．7．3 Node2vec
3．8 GraphSage算法
3．9 本章小結(jié)
參考文獻(xiàn)
第4章 深度生成模型
4．1 深度生成模型概述
4．2 自編碼器（AE）
4．3 變分自編碼器及相關(guān)變體
4．3．1 變分自編碼器
4．3．2 條件變分自編碼器CVAE
4．4 PixelRNN-CNN
4．5 生成式對(duì)抗模型（GAN）
4．5．1 經(jīng)典GAN模型
4．5．2 條件GAN
4．6 GAN變種模型
4．6．1 WGAN算法
4．6．2 InfoGAN算法
4．6．3 VAE-GAN算法
4．7 Flow模型
4．7．1 數(shù)學(xué)理論基礎(chǔ)
4．7．2 Flow模型
4．8 本章小結(jié)
參考文獻(xiàn)
第5章 自動(dòng)機(jī)器學(xué)習(xí)
5．1 AutoML概述
5．2 特征工程
5．2．1 特征清洗
5．2．2 單特征處理
5．2．3 多特征處理
5．3 NAS
5．3．1 搜索空間
5．3．2 搜索策略
5．3．3 性能評(píng)估
5．4 Meta Learning
5．4．1 Few-shot Learing
5．4．2 MAML
5．4．3 Reptile
5．5 遷移學(xué)習(xí)
5．5．1 傳統(tǒng)的非深度遷移
5．5．2 深度網(wǎng)絡(luò)的finetune
5．5．3 深度網(wǎng)絡(luò)自適應(yīng)
5．5．4 深度對(duì)抗網(wǎng)絡(luò)的遷移
5．6 超參數(shù)調(diào)優(yōu)
5．6．1 貝葉斯優(yōu)化
5．6．2 網(wǎng)格搜索
5．6．3 隨機(jī)搜索
5．7 自動(dòng)模型集成
5．8 本章小結(jié)
參考文獻(xiàn)
第6章 知識(shí)圖譜
6．1 知識(shí)圖譜概述
6．2 知識(shí)表示
6．2．1 RDF和RDFS
6．2．2 OWL
6．2．3 向量表示
6．3 知識(shí)存儲(chǔ)
6．3．1 Neo4j
6．3．2 Jena框架
6．4 知識(shí)抽取
6．4．1 結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取
6．4．2 半結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取
6．4．3 非結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取
6．5 知識(shí)融合
6．5．1 本體層融合
6．5．2 實(shí)體對(duì)齊
6．5．3 實(shí)體鏈接
6．6 知識(shí)推理
6．6．1 基于邏輯的推理
6．6．2 基于規(guī)則的推理
6．6．3 基于表示學(xué)習(xí)的推理
6．6．4 基于路徑排序的推理
6．7 本章小結(jié)
參考文獻(xiàn)
運(yùn)用篇
第7章 基于貝葉斯優(yōu)化-集成學(xué)習(xí)的重金屬污染風(fēng)險(xiǎn)智能評(píng)價(jià)方法研究
7．1 研究概述
7．2 風(fēng)險(xiǎn)評(píng)價(jià)與數(shù)據(jù)特征工程
7．2．1 污染等級(jí)評(píng)價(jià)
7．2．2 數(shù)據(jù)相關(guān)處理
7．3 模型構(gòu)建與實(shí)驗(yàn)分析
7．3．1 基于貝葉斯優(yōu)化的超參數(shù)搜索
7．3．2 集成學(xué)習(xí)
7．4 本章小結(jié)
參考文獻(xiàn)
第8章 基于GNNs的農(nóng)田重金屬研究區(qū)采樣點(diǎn)聚類方法研究
8．1 研究概述
8．2 圖結(jié)構(gòu)數(shù)據(jù)生成
8．3 基于GNNs的采樣點(diǎn)聚類方法建模
8．4 實(shí)驗(yàn)結(jié)果
8．5 本章小結(jié)
參考文獻(xiàn)
第9章 基于深度強(qiáng)化學(xué)習(xí)的變異函數(shù)模型參數(shù)估算研究
9．1 研究概述
9．2 變異函數(shù)
9．3 基于深度強(qiáng)化學(xué)習(xí)的變異函數(shù)模型參數(shù)估算研究
9．3．1 DECGA遺傳算法
9．3．2 基于DQN的DECGA超參數(shù)進(jìn)化策略
9．4 實(shí)驗(yàn)結(jié)果
9．4．1 變異函數(shù)單一模型參數(shù)估計(jì)
9．4．2 變異函數(shù)套合模型參數(shù)估計(jì)
9．5 本章小結(jié)
參考文獻(xiàn)
第10章 基于知識(shí)圖譜的農(nóng)田重金屬知識(shí)問(wèn)答
10．1 背景與意義
10．2 知識(shí)圖譜構(gòu)建
10．2．1 數(shù)據(jù)處理
10．2．2 本體層設(shè)計(jì)
10．2．3 實(shí)體構(gòu)建與存儲(chǔ)
10．3 知識(shí)圖譜的重金屬知識(shí)問(wèn)答
10．3．1 問(wèn)句理解
10．3．2 答案推理
10．4 本章小結(jié)
參考文獻(xiàn)
附錄A 農(nóng)田重金屬
附錄B 數(shù)學(xué)基礎(chǔ)
附錄C 學(xué)習(xí)資源
展開(kāi)全部
書友推薦
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
姑媽的寶刀
- >
有舍有得是人生
- >
煙與鏡
- >
【精裝繪本】畫給孩子的中國(guó)神話
- >
小考拉的故事-套裝共3冊(cè)
- >
朝聞道
- >
經(jīng)典常談
本類暢銷
