中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能技術基礎 版權信息
- ISBN：9787115577283
- 條形碼：9787115577283 ; 978-7-115-57728-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能技術基礎 本書特色
（1）由淺入深 通俗易懂本書旨在以通俗、易懂的方式讓讀者掌握人工智能的基本技術。描述問題及解答方案時不使用復雜的公式，也不使用晦澀難懂的專業術語，因此讀者無需具備相關領域的專業知識即可開始閱讀本書。（2）案例豐富 代碼詳解除了相關理論知識外，本書還選取了多個典型的應用案例，每個案例均給出了代碼實現以及詳細的解釋，有助于讀者進一步理解相應的算法原理。（3）立體資源 多元服務本書配套教學PPT、教學大綱、教案、案例素材、文獻導讀及視頻等豐富的教學輔助資源，全方位服務于教師教學。
人工智能技術基礎 內容簡介
本書介紹了人工智能領域常用的方法，包括搜索、統計學習、深度學習和自動機器學習等內容。各章節涉及的問題均根據歷史典故或現實生活引出，并使用通俗易懂的方式提出問題及其解決方法。因此，讀者在閱讀本書時不會感到枯燥無味，也不需要具備人工智能相關的知識背景。書中包含很多代碼示例，每個示例均有詳細的解釋，有助于讀者進一步理解相應的算法。在學完本書后，讀者將初步具備使用人工智能算法解決生活中實際問題的能力。 本書可作為高校人工智能及相關專業的教材，也可供計算機相關領域從業人員參考使用。
人工智能技術基礎 目錄
人工智能技術基礎 1
內容提要 1
前 言 2
目 錄 4
第 一章 趣談/漫話人工智能 11
1．1 一個古老的職業 11
1．2 *后的觀（占）星大師 12
1．3 中世紀的宇宙模型 13
1．4 八卦中的秘密 14
1．5 另一個蘋果 16
1．6 神經網絡發展 20
1．7 新時代的煉金術 21
1．8 深度學習和大數據 22
1．9 *后的圍棋大師 23
本章小結 24
習題 24
第二章 學習在于實踐-編程環境和基礎 25
2．1編程環境管家-Anaconda管理工具 25
2．1．1 Anaconda 簡介 25
2．1．2 如何安裝 25
2．1．3 環境管理 28
2．2簡明膠水語言-Python 29
2．2．1 簡介 29
2．2．2 安裝 29
2．2．3 基礎語法 30
2．2．4 解決兔子繁殖問題 35
2．3 面向數組的計算-NumPy 36
2．3．1 簡介 36
2．3．2 安裝 36
2．3．3 基礎語法 37
2．3．4 案例 38
2．4 機器學習百寶箱-Sklearn 41
2．4．1 簡介 41
2．4．2 安裝 41
2．5 大道至簡-keras 42
2．5．1 簡介 42
2．5．2 安裝 42
本章小結 43
習題 43
第三章 窮舉的魅力-搜索 44
3．1驢友的困惑-經典旅行問題 44
3．1．1 七橋問題 44
3．1．2 旅行商問題 45
3．1．3 迷宮問題 46
3．2搜索的積木-基礎數據結構 46
3．2．1 樹 46
3．2．2 圖 47
3．2．3 棧 49
3．2．4 優先隊列 50
3．3林深時見鹿-深度優先搜索 51
3．3．1 寬度優先搜索簡介 51
3．3．2 使用DFS解決七橋問題 54
3．3．3 使用DFS解決旅行商問題 55
3．3．4 使用DFS解決迷宮問題 57
3．4近水樓臺先得月-廣度優先搜索 59
3．4．1 廣度優先搜索簡介 59
3．4．2使用BFS解決七橋問題 59
3．4．3 使用BFS解決旅行商問題 59
3．4．4 使用BFS解決迷宮問題 60
本章小結 60
習題 60
第四章 計算機里的物競天擇-進化算法 61
4．1 生物的演化規律-物種起源 61
4．2程序的優化方法-遺傳算法 61
4．2．1 遺傳學的啟發 61
4．2．2 遺傳定律 62
4．2．3 遺傳算法 62
4．3基因優化的模擬-交叉變異 64
4．3．1 基因的二進制表示 64
4．3．2 適應度的選擇方法 65
4．3．3 基因交叉計算 66
4．3．4 基因變異 67
4．4更高級的程序優化-進化算法 67
4．4．1 進化算法原理 67
4．4．2 數值優化應用實踐 67
4．4．3 進化算法庫Geatpy 69
4．5橫看成嶺側成峰-多目標優化 72
4．5．1 帕累托*優 73
4．5．2 多目標優化算法 73
4．5．3 多目標優化實踐 73
4．6麻雀雖小五臟俱全-其它進化算法 75
4．6．1 粒子群優化算法 75
4．6．2 蟻群算法 76
本章小結 77
習題 77
第五章 數據即規律-統計學習 78
5．1 潤物細無聲-教師和學習 78
5．2 理想中的世界-線性模型 80
5．3 物以類聚，人以群分-聚類 86
5．4 如何做出選擇-決策樹 87
5．5 維度的秘密-支持向量機 90
5．6 三個臭皮匠頂個諸葛亮--集成機器學習 93
5．7 本章小結 94
5．8 習題 95
第六章 描述萬物的規律-神經網絡 96
6．1 *簡單的神經網絡模型-感知機 96
6．2 神經網絡的核心-非線性激活函數 97
6．3 感知機的缺陷-解決找茬（異或）難題 99
6．4 萬能的神經網絡-通用函數擬合 103
6．5 魔方缺了一面-利用反向傳播求解神經網絡 106
6．6 構建神經網絡的積木-keras API函數 109
6．7 開始動手-神經網絡應用 112
本章小結 116
習題 116
第七章 抽象的威力-深度學習 117
7．1被麻醉的貓-生物視覺原理 117
7．2深度學習的視覺-CNN模型 118
7．2．1 彩色圖片數據組成 119
7．2．2 CNN是怎么工作的 119
7．2．3 CNN學到了什么 122
7．2．4 CNN應用實例—貓狗大戰 123
7．3瞻前顧后的深度模型-RNN 130
7．3．1 RNN模型結構 130
7．3．2 往前看和往后看——雙向RNN 132
7．3．3 RNN的其他應用 132
7．4 *大的煩惱就是記性太好-長短期記憶網絡 132
7．4．1 梯度消失和梯度爆炸問題 132
7．5 本章小結 140
7．6 習題 140
7．7 拓展閱讀 141
第八章 深度學習的集市 142
8．1學會識別不同的圖像-圖像分類 142
8．2尋找物體的相框-目標檢測 150
8．2．1 數據集 150
8．2．2 基本原理 152
8．2．3 知名目標檢測模型 153
8．3學會區分不同的物體邊界-語義分割 158
8．3．1 數據集 158
8．3．2 基本原理 161
8．3．3 知名語義分割模型 161
本章小結 163
習題 163
第九章 基于關系的網絡-GNN 164
9．1 關系的表述-又是圖結構 164
9．1．1 靈活處理非歐數據的GNN 164
9．1．2 定義及概念介紹 165
9．2解決社交問題-原理和實踐 167
9．2．1 GCN原理介紹 167
9．2．2 GCN的應用——微博用戶性別預測（節點分類） 167
9．2．3 GCN的應用——閑魚垃圾評論識別（邊分類） 169
9．2．4 基于keras的GCN代碼解析 171
9．3 改進GCN模型-GAT原理及應用 179
9．3．1 GAT原理介紹 179
9．3．2 GAT的應用——微博用戶性別預測 180
9．3．3 基于keras的GAT代碼解析 181
本章小結 184
習題 184
拓展閱讀 184
第十章 巴甫洛夫的狗-智能體學習 185
10．1 靈感來源-反射學習 185
10．2 向狗學習-強化學習 185
10．2．1 發展歷程 185
10．2．2 強化學習范式 186
10．2．3 值函數與策略函數 189
10．2．4 MDP求解方法 190
10．3 實現強化學習-兩種策略 191
10．3．1 Off-policy學習 191
10．3．2 On-policy學習 191
10．4 引入萬能的神經網絡-深度強化學習 192
10．4．1 基于值函數的方法 193
10．4．2 基于策略梯度方法 193
10．5 解決更復雜的問題-分布式強化學習 194
10．5．1 Impala 194
10．5．2 SeedRL 195
10．5．3 Ape-X 196
10．5．4 Acme 196
10．6 史上*強大的狗-阿爾法狗（AlphaGo） 196
10．6．1 圍棋簡介 196
10．6．2 AlphaGo算法運行原理 197
10．6．3 與AlphaGo下棋小例子 199
10．7 走向更強-高級強化學習 200
10．7．1 分層強化學習 200
10．7．2 逆強化學習 200
10．7．3 元強化學習 201
10．7．4 多智能體強化學習 201
本章小結 202
第十一章 學會藝術創作-生成學習 203
11．1 和梵高學習畫畫-風格遷移模型 203
11．1．1 深度學習作畫 203
11．1．2 第 一個風格遷移神經網絡 205
11．1．3 固定風格任意內容的快速風格遷移 206
11．1．4 基于keras實現的Gatys風格遷移模型 207
11．2 失業的畫家-生成對抗網絡 214
11．2．1 對抗生成模型GAN 214
11．2．2 GAN原理解析 214
11．2．3 基于DCGAN的手寫體數字生成 217
11．3 深度學習也“脆弱”-對抗攻擊 221
11．4復活的唐詩-大規模預訓練模型 223
11．4．1 大規模預訓練”語言模型 223
11．4．2 BERT和GPT原理淺析 225
11．4．3 基于BERT和GPT的詩歌生成 226
本章小結 227
習題 227
拓展閱讀 227
第十二章 學習使我快樂-自動學習 228
12．1 如何實現自動學習-AutoML原理 228
12．1．1 算法模型選擇 229
12．1．2 超參數優化 230
12．1．3 網絡結構優化 234
12．2 動手實踐-AutoML實例 234
12．2．1 Auto-sklearn 234
12．2．2 分布式H2O 235
12．3 自動深度學習-AutoDL 236
12．3．1 深度學習概述 236
12．3．2 深度學習參數調節 236
12．4 自動強化學習-AutoRL 237
12．5 自動圖神經網絡-AutoGL 238
12．5．1 圖神經網絡簡介 238
12．5．2 自動圖神經網絡 239
本章小結 242
參考文獻 243
內容提要 1
前 言 2
目 錄 4
第 一章 趣談/漫話人工智能 11
1．1 一個古老的職業 11
1．2 *后的觀（占）星大師 12
1．3 中世紀的宇宙模型 13
1．4 八卦中的秘密 14
1．5 另一個蘋果 16
1．6 神經網絡發展 20
1．7 新時代的煉金術 21
1．8 深度學習和大數據 22
1．9 *后的圍棋大師 23
本章小結 24
習題 24
第二章 學習在于實踐-編程環境和基礎 25
2．1編程環境管家-Anaconda管理工具 25
2．1．1 Anaconda 簡介 25
2．1．2 如何安裝 25
2．1．3 環境管理 28
2．2簡明膠水語言-Python 29
2．2．1 簡介 29
2．2．2 安裝 29
2．2．3 基礎語法 30
2．2．4 解決兔子繁殖問題 35
2．3 面向數組的計算-NumPy 36
2．3．1 簡介 36
2．3．2 安裝 36
2．3．3 基礎語法 37
2．3．4 案例 38
2．4 機器學習百寶箱-Sklearn 41
2．4．1 簡介 41
2．4．2 安裝 41
2．5 大道至簡-keras 42
2．5．1 簡介 42
2．5．2 安裝 42
本章小結 43
習題 43
第三章 窮舉的魅力-搜索 44
3．1驢友的困惑-經典旅行問題 44
3．1．1 七橋問題 44
3．1．2 旅行商問題 45
3．1．3 迷宮問題 46
3．2搜索的積木-基礎數據結構 46
3．2．1 樹 46
3．2．2 圖 47
3．2．3 棧 49
3．2．4 優先隊列 50
3．3林深時見鹿-深度優先搜索 51
3．3．1 寬度優先搜索簡介 51
3．3．2 使用DFS解決七橋問題 54
3．3．3 使用DFS解決旅行商問題 55
3．3．4 使用DFS解決迷宮問題 57
3．4近水樓臺先得月-廣度優先搜索 59
3．4．1 廣度優先搜索簡介 59
3．4．2使用BFS解決七橋問題 59
3．4．3 使用BFS解決旅行商問題 59
3．4．4 使用BFS解決迷宮問題 60
本章小結 60
習題 60
第四章 計算機里的物競天擇-進化算法 61
4．1 生物的演化規律-物種起源 61
4．2程序的優化方法-遺傳算法 61
4．2．1 遺傳學的啟發 61
4．2．2 遺傳定律 62
4．2．3 遺傳算法 62
4．3基因優化的模擬-交叉變異 64
4．3．1 基因的二進制表示 64
4．3．2 適應度的選擇方法 65
4．3．3 基因交叉計算 66
4．3．4 基因變異 67
4．4更高級的程序優化-進化算法 67
4．4．1 進化算法原理 67
4．4．2 數值優化應用實踐 67
4．4．3 進化算法庫Geatpy 69
4．5橫看成嶺側成峰-多目標優化 72
4．5．1 帕累托*優 73
4．5．2 多目標優化算法 73
4．5．3 多目標優化實踐 73
4．6麻雀雖小五臟俱全-其它進化算法 75
4．6．1 粒子群優化算法 75
4．6．2 蟻群算法 76
本章小結 77
習題 77
第五章 數據即規律-統計學習 78
5．1 潤物細無聲-教師和學習 78
5．2 理想中的世界-線性模型 80
5．3 物以類聚，人以群分-聚類 86
5．4 如何做出選擇-決策樹 87
5．5 維度的秘密-支持向量機 90
5．6 三個臭皮匠頂個諸葛亮--集成機器學習 93
5．7 本章小結 94
5．8 習題 95
第六章 描述萬物的規律-神經網絡 96
6．1 *簡單的神經網絡模型-感知機 96
6．2 神經網絡的核心-非線性激活函數 97
6．3 感知機的缺陷-解決找茬（異或）難題 99
6．4 萬能的神經網絡-通用函數擬合 103
6．5 魔方缺了一面-利用反向傳播求解神經網絡 106
6．6 構建神經網絡的積木-keras API函數 109
6．7 開始動手-神經網絡應用 112
本章小結 116
習題 116
第七章 抽象的威力-深度學習 117
7．1被麻醉的貓-生物視覺原理 117
7．2深度學習的視覺-CNN模型 118
7．2．1 彩色圖片數據組成 119
7．2．2 CNN是怎么工作的 119
7．2．3 CNN學到了什么 122
7．2．4 CNN應用實例—貓狗大戰 123
7．3瞻前顧后的深度模型-RNN 130
7．3．1 RNN模型結構 130
7．3．2 往前看和往后看——雙向RNN 132
7．3．3 RNN的其他應用 132
7．4 *大的煩惱就是記性太好-長短期記憶網絡 132
7．4．1 梯度消失和梯度爆炸問題 132
7．5 本章小結 140
7．6 習題 140
7．7 拓展閱讀 141
第八章 深度學習的集市 142
8．1學會識別不同的圖像-圖像分類 142
8．2尋找物體的相框-目標檢測 150
8．2．1 數據集 150
8．2．2 基本原理 152
8．2．3 知名目標檢測模型 153
8．3學會區分不同的物體邊界-語義分割 158
8．3．1 數據集 158
8．3．2 基本原理 161
8．3．3 知名語義分割模型 161
本章小結 163
習題 163
第九章 基于關系的網絡-GNN 164
9．1 關系的表述-又是圖結構 164
9．1．1 靈活處理非歐數據的GNN 164
9．1．2 定義及概念介紹 165
9．2解決社交問題-原理和實踐 167
9．2．1 GCN原理介紹 167
9．2．2 GCN的應用——微博用戶性別預測（節點分類） 167
9．2．3 GCN的應用——閑魚垃圾評論識別（邊分類） 169
9．2．4 基于keras的GCN代碼解析 171
9．3 改進GCN模型-GAT原理及應用 179
9．3．1 GAT原理介紹 179
9．3．2 GAT的應用——微博用戶性別預測 180
9．3．3 基于keras的GAT代碼解析 181
本章小結 184
習題 184
拓展閱讀 184
第十章 巴甫洛夫的狗-智能體學習 185
10．1 靈感來源-反射學習 185
10．2 向狗學習-強化學習 185
10．2．1 發展歷程 185
10．2．2 強化學習范式 186
10．2．3 值函數與策略函數 189
10．2．4 MDP求解方法 190
10．3 實現強化學習-兩種策略 191
10．3．1 Off-policy學習 191
10．3．2 On-policy學習 191
10．4 引入萬能的神經網絡-深度強化學習 192
10．4．1 基于值函數的方法 193
10．4．2 基于策略梯度方法 193
10．5 解決更復雜的問題-分布式強化學習 194
10．5．1 Impala 194
10．5．2 SeedRL 195
10．5．3 Ape-X 196
10．5．4 Acme 196
10．6 史上*強大的狗-阿爾法狗（AlphaGo） 196
10．6．1 圍棋簡介 196
10．6．2 AlphaGo算法運行原理 197
10．6．3 與AlphaGo下棋小例子 199
10．7 走向更強-高級強化學習 200
10．7．1 分層強化學習 200
10．7．2 逆強化學習 200
10．7．3 元強化學習 201
10．7．4 多智能體強化學習 201
本章小結 202
第十一章 學會藝術創作-生成學習 203
11．1 和梵高學習畫畫-風格遷移模型 203
11．1．1 深度學習作畫 203
11．1．2 第 一個風格遷移神經網絡 205
11．1．3 固定風格任意內容的快速風格遷移 206
11．1．4 基于keras實現的Gatys風格遷移模型 207
11．2 失業的畫家-生成對抗網絡 214
11．2．1 對抗生成模型GAN 214
11．2．2 GAN原理解析 214
11．2．3 基于DCGAN的手寫體數字生成 217
11．3 深度學習也“脆弱”-對抗攻擊 221
11．4復活的唐詩-大規模預訓練模型 223
11．4．1 大規模預訓練”語言模型 223
11．4．2 BERT和GPT原理淺析 225
11．4．3 基于BERT和GPT的詩歌生成 226
本章小結 227
習題 227
拓展閱讀 227
第十二章 學習使我快樂-自動學習 228
12．1 如何實現自動學習-AutoML原理 228
12．1．1 算法模型選擇 229
12．1．2 超參數優化 230
12．1．3 網絡結構優化 234
12．2 動手實踐-AutoML實例 234
12．2．1 Auto-sklearn 234
12．2．2 分布式H2O 235
12．3 自動深度學習-AutoDL 236
12．3．1 深度學習概述 236
12．3．2 深度學習參數調節 236
12．4 自動強化學習-AutoRL 237
12．5 自動圖神經網絡-AutoGL 238
12．5．1 圖神經網絡簡介 238
12．5．2 自動圖神經網絡 239
本章小結 242
參考文獻 243
展開全部
人工智能技術基礎 作者簡介
周慶國，蘭州大學信息科學與工程學院教授，博導，中國計算機學會（CCF）高級會員，首批全國萬名優秀創新創業導師，教育部“新世紀優秀人才支持計劃”入選者，寧夏回族自治區高等學校特聘教授，青海省“高端創新人才****”（引進領軍人才）入選者，蘭州大學開源軟件與實時系統教育部工程研究中心副主任，蘭州大學計算機系統結構研究所所長，蘭州大學分布式與嵌入式系統實驗室主任。目前主要從事實時系統、嵌入式系統、人工智能的研究，2017年研制了甘肅省第一輛無人駕駛試驗車。近年來榮獲甘肅省科技進步二等獎（1/8）、第一屆全國高等學校計算機教育教學青年教師優秀論文獎一等獎、蘭州大學教學成果獎一等獎（1/5）等榮譽，牽頭編制了《甘肅省網絡空間安全綱要》。雍賓賓，蘭州大學信息科學與工程學院副教授，碩士生導師。主要從事高性能計算、深度學習和自動駕駛相關研究。2018年獲ACM蘭州分區優秀博士，2019年獲得谷歌獎教金，2021年獲得華為云與計算先鋒教師。共發表學術論文三十余篇，承擔5項教育部產學合作項目。
書友推薦
- >
我從未如此眷戀人間
- >
朝聞道
- >
詩經-先民的歌唱
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
龍榆生：詞曲概論/大家小書
- >
小考拉的故事-套裝共3冊
- >
我與地壇
- >
山海經
本類暢銷
