中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 人工智能原理、技術(shù)及應(yīng)用
開本：
16開
頁數(shù)：
251
本類五星書更多>
-
>
全國計算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
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)
人工智能原理、技術(shù)及應(yīng)用 版權(quán)信息
- ISBN：9787111707776
- 條形碼：9787111707776 ; 978-7-111-70777-6
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
人工智能原理、技術(shù)及應(yīng)用 本書特色
適讀人群 ：高等院校大數(shù)據(jù)專業(yè)學(xué)生配套資源：數(shù)據(jù)集、算法包、教學(xué)課件、教學(xué)大綱、教學(xué)輔導(dǎo)視頻 本書特色; 詳解人工智能、云計算、大數(shù)據(jù)之間的關(guān)聯(lián)性 系統(tǒng)介紹人工智能的起源、發(fā)展趨勢、應(yīng)用領(lǐng)域、核心技術(shù) 基于圖靈引擎為核心的Al生態(tài)，提供一站式可視化的數(shù)據(jù)分析與挖掘教學(xué)實踐環(huán)境
人工智能原理、技術(shù)及應(yīng)用 內(nèi)容簡介
本書主要向讀者介紹當(dāng)代人工智能技術(shù)的入門知識，特別是以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)方法。內(nèi)容包括人工智能的概念、分類和原理，闡述了人工智能的三大流派等。著重介紹了人工智能的相關(guān)技術(shù)和算法，包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、自然語言處理、機(jī)器視覺、機(jī)器人等。本書從基本原理概念、基礎(chǔ)算法、基本理論應(yīng)用三個方面對每章內(nèi)容進(jìn)行詳細(xì)介紹，方便讀者對內(nèi)容知識的理解，有較強(qiáng)的知識性和趣味性。 本書可作為高等院校大數(shù)據(jù)專業(yè)和人工智能專業(yè)的核心基礎(chǔ)課程教材，也可以作為計算機(jī)相關(guān)專業(yè)的專業(yè)課或選修課教材，同時也可以作為從事人工智能與大數(shù)據(jù)技術(shù)相關(guān)工作的人員的參考用書。 本書由東方國信的圖靈引擎平臺提供在線實驗環(huán)境，地址為https://www. turingtopia.com/aibook/1，書中相應(yīng)章節(jié)的AI實驗案例可通過該平臺實現(xiàn)。
人工智能原理、技術(shù)及應(yīng)用 目錄
目錄
出版說明
前言
第1章 人工智能概述1
1.1 人工智能的起源與定義1
1.1.1 人工智能的起源1
1.1.2 人工智能的定義4
1.1.3 人工智能的分類及特征4
1.2 人工智能的流派6
1.2.1 符號主義7
1.2.2 連接主義8
1.2.3 行為主義9
1.3 人工智能的技術(shù)構(gòu)成9
1.3.1 基礎(chǔ)設(shè)施10
1.3.2 基礎(chǔ)技術(shù)10
1.3.3 AI要素10
1.3.4 AI技術(shù)10
1.3.5 AI應(yīng)用11
1.4 人工智能的進(jìn)展與發(fā)展趨勢11
1.4.1 知識表示11
1.4.2 知識獲取12
1.4.3 知識應(yīng)用16
1.5 人工智能的應(yīng)用領(lǐng)域19
1.5.1 AI在農(nóng)業(yè)方面的應(yīng)用19
1.5.2 AI在工業(yè)方面的應(yīng)用20
1.5.3 AI在商業(yè)方面的應(yīng)用21
1.5.4 AI在醫(yī)療方面的應(yīng)用21
1.5.5 AI在教育方面的應(yīng)用22
1.6 本章習(xí)題24
第2章 人工智能與大數(shù)據(jù)、云計算25
2.1 大數(shù)據(jù)—AI發(fā)展的能量源25
2.1.1 大數(shù)據(jù)簡介25
2.1.2 大數(shù)據(jù)的特征26
2.1.3 大數(shù)據(jù)技術(shù)生態(tài)圈27
2.2 云計算—AI發(fā)展的發(fā)動機(jī)28
2.2.1 云計算簡介28
2.2.2 云計算的基礎(chǔ)架構(gòu)29
2.2.3 云計算的特點(diǎn)30
2.3 人工智能、大數(shù)據(jù)與云計算的
關(guān)系31
2.3.1 大數(shù)據(jù)與云計算的關(guān)系31
2.3.2 人工智能=云計算+大數(shù)據(jù)32
2.4 本章習(xí)題33
第3章 人工智能的技術(shù)基礎(chǔ)34
3.1 知識表示和圖譜34
3.1.1 知識與知識表示的概念34
3.1.2 知識表示方法35
3.1.3 知識圖譜的概念37
3.1.4 本體知識表示、萬維網(wǎng)知識表示38
3.2 知識圖譜的現(xiàn)狀及發(fā)展40
3.3 自動推理44
3.4 專家系統(tǒng)45
3.4.1 專家系統(tǒng)的概念及特點(diǎn)45
3.4.2 專家系統(tǒng)的結(jié)構(gòu)及類型45
3.4.3 專家系統(tǒng)工具與環(huán)境46
3.5 群智能算法46
3.5.1 群智能算法的發(fā)展歷程46
3.5.2 遺傳算法48
3.5.3 粒子群算法49
3.5.4 蟻群算法50
3.6 搜索技術(shù)51
3.6.1 搜索的概念51
3.6.2 搜索算法52
3.7 本章習(xí)題54
第4章 知識發(fā)現(xiàn)與數(shù)據(jù)挖掘55
4.1 知識發(fā)現(xiàn)概述55
4.1.1 知識發(fā)現(xiàn)的對象56
4.1.2 知識發(fā)現(xiàn)的任務(wù)57
4.1.3 知識發(fā)現(xiàn)方法57
4.1.4 知識發(fā)現(xiàn)的應(yīng)用領(lǐng)域59
4.2 數(shù)據(jù)挖掘概述59
4.2.1 數(shù)據(jù)挖掘技術(shù)的產(chǎn)生及定義60
4.2.2 數(shù)據(jù)挖掘的功能60
4.2.3 常用的數(shù)據(jù)挖掘方法61
4.3 大數(shù)據(jù)處理概述65
4.3.1 分布式數(shù)據(jù)基礎(chǔ)設(shè)施平臺Hadoop
及其生態(tài)系統(tǒng)66
4.3.2 分布式計算框架Spark及其生態(tài)
系統(tǒng)70
4.3.3 低延遲流式處理大數(shù)據(jù)框架—
Storm77
4.3.4 大數(shù)據(jù)挖掘與分析80
4.4 數(shù)據(jù)挖掘應(yīng)用實踐82
4.4.1 學(xué)生考試成績預(yù)測82
4.4.2 基于用戶手機(jī)使用行為進(jìn)行風(fēng)險
識別85
4.5 本章習(xí)題88
第5章 機(jī)器學(xué)習(xí)89
5.1 機(jī)器學(xué)習(xí)簡介89
5.1.1 機(jī)器學(xué)習(xí)的發(fā)展歷程89
5.1.2 機(jī)器學(xué)習(xí)的概念及地位90
5.1.3 機(jī)器學(xué)習(xí)的范疇92
5.2 機(jī)器學(xué)習(xí)的分類93
5.2.1 監(jiān)督學(xué)習(xí)93
5.2.2 無監(jiān)督學(xué)習(xí)94
5.2.3 弱監(jiān)督學(xué)習(xí)94
5.3 經(jīng)典的機(jī)器學(xué)習(xí)算法97
5.3.1 分類算法98
5.3.2 k均值聚類算法104
5.3.3 Apriori關(guān)聯(lián)規(guī)則算法106
5.3.4 遷移學(xué)習(xí)108
5.4 機(jī)器學(xué)習(xí)應(yīng)用實踐112
5.4.1 使用決策樹模型進(jìn)行列車空調(diào)
故障預(yù)測112
5.4.2 采用多種算法實現(xiàn)校園用戶
識別115
5.5 本章習(xí)題120
第6章 深度學(xué)習(xí)121
6.1 深度學(xué)習(xí)簡介121
6.1.1 什么是深度學(xué)習(xí)121
6.1.2 深度學(xué)習(xí)的前世今生123
6.1.3 深度學(xué)習(xí)開發(fā)框架125
6.2 卷積神經(jīng)網(wǎng)絡(luò)129
6.2.1 卷積神經(jīng)網(wǎng)絡(luò)的提出129
6.2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)130
6.2.3 經(jīng)典卷積模型132
6.3 循環(huán)神經(jīng)網(wǎng)絡(luò)137
6.3.1 RNN基本原理137
6.3.2 RNN的基本結(jié)構(gòu)138
6.3.3 RNN的高級形式139
6.3.4 RNN的訓(xùn)練142
6.4 深度學(xué)習(xí)應(yīng)用實踐144
6.4.1 用GoogLeNet訓(xùn)練識別花卉144
6.4.2 圖像著色148
6.4.3 風(fēng)格遷移148
6.4.4 圖片識別149
6.5 本章習(xí)題149
第7章 強(qiáng)化學(xué)習(xí)150
7.1 強(qiáng)化學(xué)習(xí)簡介150
7.1.1 什么是強(qiáng)化學(xué)習(xí)150
7.1.2 強(qiáng)化學(xué)習(xí)的應(yīng)用152
7.2 基于值函數(shù)的強(qiáng)化學(xué)習(xí)方法153
7.2.1 蒙特卡羅法154
7.2.2 時間差分法155
7.2.3 值函數(shù)逼近法156
7.3 基于直接策略搜索的強(qiáng)化學(xué)習(xí)
方法157
7.3.1 策略梯度法158
7.3.2 置信域策略優(yōu)化法160
7.3.3 確定性策略梯度法160
7.4 DQN算法模型161
7.5 強(qiáng)化學(xué)習(xí)前沿研究162
7.5.1 逆向強(qiáng)化學(xué)習(xí)162
7.5.2 深度強(qiáng)化學(xué)習(xí)163
7.5.3 分層強(qiáng)化學(xué)習(xí)164
7.5.4 價值迭代網(wǎng)絡(luò)164
7.5.5 AlphaGo的原理165
7.6 強(qiáng)化學(xué)習(xí)應(yīng)用實踐167
7.7 本章習(xí)題169
第8章 自然語言處理170
8.1 自然語言處理概述170
8.1.1 自然語言處理的概念170
8.1.2 自然語言處理的層次171
8.1.3 NLP的判別標(biāo)準(zhǔn)172
8.2 自然語言處理的發(fā)展與應(yīng)用173
8.2.1 自然語言處理的發(fā)展歷程173
8.2.2 自然語言處理的應(yīng)用175
8.3 自然語言處理技術(shù)分類178
8.3.1 NLP基礎(chǔ)技術(shù)178
8.3.2 NLP應(yīng)用技術(shù)180
8.4 語音處理182
8.4.1 語音處理概述183
8.4.2 語音處理發(fā)展?fàn)顩r183
8.4.3 語音處理的主要分支184
8.4.4 語音處理的其他分支184
8.5 自然語言處理應(yīng)用實踐185
8.6 本章習(xí)題187
第9章 機(jī)器視覺188
9.1 圖像表達(dá)與性質(zhì)188
9.1.1 圖像表達(dá)的若干概念1
出版說明
前言
第1章 人工智能概述1
1.1 人工智能的起源與定義1
1.1.1 人工智能的起源1
1.1.2 人工智能的定義4
1.1.3 人工智能的分類及特征4
1.2 人工智能的流派6
1.2.1 符號主義7
1.2.2 連接主義8
1.2.3 行為主義9
1.3 人工智能的技術(shù)構(gòu)成9
1.3.1 基礎(chǔ)設(shè)施10
1.3.2 基礎(chǔ)技術(shù)10
1.3.3 AI要素10
1.3.4 AI技術(shù)10
1.3.5 AI應(yīng)用11
1.4 人工智能的進(jìn)展與發(fā)展趨勢11
1.4.1 知識表示11
1.4.2 知識獲取12
1.4.3 知識應(yīng)用16
1.5 人工智能的應(yīng)用領(lǐng)域19
1.5.1 AI在農(nóng)業(yè)方面的應(yīng)用19
1.5.2 AI在工業(yè)方面的應(yīng)用20
1.5.3 AI在商業(yè)方面的應(yīng)用21
1.5.4 AI在醫(yī)療方面的應(yīng)用21
1.5.5 AI在教育方面的應(yīng)用22
1.6 本章習(xí)題24
第2章 人工智能與大數(shù)據(jù)、云計算25
2.1 大數(shù)據(jù)—AI發(fā)展的能量源25
2.1.1 大數(shù)據(jù)簡介25
2.1.2 大數(shù)據(jù)的特征26
2.1.3 大數(shù)據(jù)技術(shù)生態(tài)圈27
2.2 云計算—AI發(fā)展的發(fā)動機(jī)28
2.2.1 云計算簡介28
2.2.2 云計算的基礎(chǔ)架構(gòu)29
2.2.3 云計算的特點(diǎn)30
2.3 人工智能、大數(shù)據(jù)與云計算的
關(guān)系31
2.3.1 大數(shù)據(jù)與云計算的關(guān)系31
2.3.2 人工智能=云計算+大數(shù)據(jù)32
2.4 本章習(xí)題33
第3章 人工智能的技術(shù)基礎(chǔ)34
3.1 知識表示和圖譜34
3.1.1 知識與知識表示的概念34
3.1.2 知識表示方法35
3.1.3 知識圖譜的概念37
3.1.4 本體知識表示、萬維網(wǎng)知識表示38
3.2 知識圖譜的現(xiàn)狀及發(fā)展40
3.3 自動推理44
3.4 專家系統(tǒng)45
3.4.1 專家系統(tǒng)的概念及特點(diǎn)45
3.4.2 專家系統(tǒng)的結(jié)構(gòu)及類型45
3.4.3 專家系統(tǒng)工具與環(huán)境46
3.5 群智能算法46
3.5.1 群智能算法的發(fā)展歷程46
3.5.2 遺傳算法48
3.5.3 粒子群算法49
3.5.4 蟻群算法50
3.6 搜索技術(shù)51
3.6.1 搜索的概念51
3.6.2 搜索算法52
3.7 本章習(xí)題54
第4章 知識發(fā)現(xiàn)與數(shù)據(jù)挖掘55
4.1 知識發(fā)現(xiàn)概述55
4.1.1 知識發(fā)現(xiàn)的對象56
4.1.2 知識發(fā)現(xiàn)的任務(wù)57
4.1.3 知識發(fā)現(xiàn)方法57
4.1.4 知識發(fā)現(xiàn)的應(yīng)用領(lǐng)域59
4.2 數(shù)據(jù)挖掘概述59
4.2.1 數(shù)據(jù)挖掘技術(shù)的產(chǎn)生及定義60
4.2.2 數(shù)據(jù)挖掘的功能60
4.2.3 常用的數(shù)據(jù)挖掘方法61
4.3 大數(shù)據(jù)處理概述65
4.3.1 分布式數(shù)據(jù)基礎(chǔ)設(shè)施平臺Hadoop
及其生態(tài)系統(tǒng)66
4.3.2 分布式計算框架Spark及其生態(tài)
系統(tǒng)70
4.3.3 低延遲流式處理大數(shù)據(jù)框架—
Storm77
4.3.4 大數(shù)據(jù)挖掘與分析80
4.4 數(shù)據(jù)挖掘應(yīng)用實踐82
4.4.1 學(xué)生考試成績預(yù)測82
4.4.2 基于用戶手機(jī)使用行為進(jìn)行風(fēng)險
識別85
4.5 本章習(xí)題88
第5章 機(jī)器學(xué)習(xí)89
5.1 機(jī)器學(xué)習(xí)簡介89
5.1.1 機(jī)器學(xué)習(xí)的發(fā)展歷程89
5.1.2 機(jī)器學(xué)習(xí)的概念及地位90
5.1.3 機(jī)器學(xué)習(xí)的范疇92
5.2 機(jī)器學(xué)習(xí)的分類93
5.2.1 監(jiān)督學(xué)習(xí)93
5.2.2 無監(jiān)督學(xué)習(xí)94
5.2.3 弱監(jiān)督學(xué)習(xí)94
5.3 經(jīng)典的機(jī)器學(xué)習(xí)算法97
5.3.1 分類算法98
5.3.2 k均值聚類算法104
5.3.3 Apriori關(guān)聯(lián)規(guī)則算法106
5.3.4 遷移學(xué)習(xí)108
5.4 機(jī)器學(xué)習(xí)應(yīng)用實踐112
5.4.1 使用決策樹模型進(jìn)行列車空調(diào)
故障預(yù)測112
5.4.2 采用多種算法實現(xiàn)校園用戶
識別115
5.5 本章習(xí)題120
第6章 深度學(xué)習(xí)121
6.1 深度學(xué)習(xí)簡介121
6.1.1 什么是深度學(xué)習(xí)121
6.1.2 深度學(xué)習(xí)的前世今生123
6.1.3 深度學(xué)習(xí)開發(fā)框架125
6.2 卷積神經(jīng)網(wǎng)絡(luò)129
6.2.1 卷積神經(jīng)網(wǎng)絡(luò)的提出129
6.2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)130
6.2.3 經(jīng)典卷積模型132
6.3 循環(huán)神經(jīng)網(wǎng)絡(luò)137
6.3.1 RNN基本原理137
6.3.2 RNN的基本結(jié)構(gòu)138
6.3.3 RNN的高級形式139
6.3.4 RNN的訓(xùn)練142
6.4 深度學(xué)習(xí)應(yīng)用實踐144
6.4.1 用GoogLeNet訓(xùn)練識別花卉144
6.4.2 圖像著色148
6.4.3 風(fēng)格遷移148
6.4.4 圖片識別149
6.5 本章習(xí)題149
第7章 強(qiáng)化學(xué)習(xí)150
7.1 強(qiáng)化學(xué)習(xí)簡介150
7.1.1 什么是強(qiáng)化學(xué)習(xí)150
7.1.2 強(qiáng)化學(xué)習(xí)的應(yīng)用152
7.2 基于值函數(shù)的強(qiáng)化學(xué)習(xí)方法153
7.2.1 蒙特卡羅法154
7.2.2 時間差分法155
7.2.3 值函數(shù)逼近法156
7.3 基于直接策略搜索的強(qiáng)化學(xué)習(xí)
方法157
7.3.1 策略梯度法158
7.3.2 置信域策略優(yōu)化法160
7.3.3 確定性策略梯度法160
7.4 DQN算法模型161
7.5 強(qiáng)化學(xué)習(xí)前沿研究162
7.5.1 逆向強(qiáng)化學(xué)習(xí)162
7.5.2 深度強(qiáng)化學(xué)習(xí)163
7.5.3 分層強(qiáng)化學(xué)習(xí)164
7.5.4 價值迭代網(wǎng)絡(luò)164
7.5.5 AlphaGo的原理165
7.6 強(qiáng)化學(xué)習(xí)應(yīng)用實踐167
7.7 本章習(xí)題169
第8章 自然語言處理170
8.1 自然語言處理概述170
8.1.1 自然語言處理的概念170
8.1.2 自然語言處理的層次171
8.1.3 NLP的判別標(biāo)準(zhǔn)172
8.2 自然語言處理的發(fā)展與應(yīng)用173
8.2.1 自然語言處理的發(fā)展歷程173
8.2.2 自然語言處理的應(yīng)用175
8.3 自然語言處理技術(shù)分類178
8.3.1 NLP基礎(chǔ)技術(shù)178
8.3.2 NLP應(yīng)用技術(shù)180
8.4 語音處理182
8.4.1 語音處理概述183
8.4.2 語音處理發(fā)展?fàn)顩r183
8.4.3 語音處理的主要分支184
8.4.4 語音處理的其他分支184
8.5 自然語言處理應(yīng)用實踐185
8.6 本章習(xí)題187
第9章 機(jī)器視覺188
9.1 圖像表達(dá)與性質(zhì)188
9.1.1 圖像表達(dá)的若干概念1
展開全部
書友推薦
- >
自卑與超越
- >
龍榆生：詞曲概論/大家小書
- >
月亮虎
- >
伯納黛特,你要去哪(2021新版)
- >
巴金－再思錄
- >
上帝之肋:男人的真實旅程
- >
莉莉和章魚
- >
史學(xué)評論
本類暢銷
