中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
人工智能導論(劉江) 版權信息
- ISBN：9787122438300
- 條形碼：9787122438300 ; 978-7-122-43830-0
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
人工智能導論(劉江) 內容簡介
本書主要為高等院校非計算機專業的人工智能導論課程設計編寫，內容具有“應用”+“理論”的特色。針對高校學生的需求和人工智能發展的特點，本書分為引言篇、理論篇和應用篇三部分，可基于學習需求和進度，自主選擇。引言篇包括緒論；理論篇包括人工智能之理論基礎、人工智能之機器學習、人工智能之深度學習、人工智能之強化學習；應用篇包括人工智能開發平臺和人工智能應用及展望。 本書可用于普通高等學校各專業人工智能導論、醫學人工智能導論等相關課程的教學，也可供對人工智能感興趣的科研人員參考。
人工智能導論(劉江) 目錄
引言篇 人工智能的定義 001
第1章 緒論 2
1.1 什么是人工智能 2
1.1.1 人工智能的起源及定義 3
1.1.2 人工智能的三個發展階段 4
1.2 人工智能的三個主要研究方法 6
1.2.1 基于符號主義的人工智能研究方法 7
1.2.2 基于連接主義的人工智能研究方法 7
1.2.3 基于行為主義的人工智能研究方法 8
1.3 人工智能的行業發展現狀 9
1.3.1 世界各國人工智能發展支持政策 9
1.3.2 人工智能產業結構 12
1.3.3 人工智能行業應用 14
1.4 人工智能的三個經典應用 17
1.4.1 自然語言理解 18
1.4.2 智能眼科醫學圖像處理 19
1.4.3 智能棋類 21
本章小結 23
習題 24
本章參考文獻 24
理論篇 人工智能基礎理論與算法 025
第2章 人工智能之理論基礎 26
2.1 人工智能的數學基礎 27
2.1.1 線性代數 27
2.1.2 人工智能數學基礎之概率論 30
2.1.3 人工智能數學基礎之微積分 32
2.2 人工智能的*優化與信息論基礎 33
2.2.1 *優化理論 33
2.2.2 信息論 34
2.3 人工智能的生物學基礎 36
2.3.1 生物神經元 36
2.3.2 人腦視覺與信息機理機制 37
2.3.3 人工神經元 39
2.4 人工智能的控制論基礎 42
2.4.1 動態系統 43
2.4.2 人工智能之反饋控制與*優控制 44
2.4.3 控制論與強化學習 46
本章小結 47
習題 47
本章參考文獻 47
第3章 人工智能之機器學習 48
3.1 機器學習概述 48
3.2 監督學習 49
3.2.1 經典算法1：線性回歸 50
3.2.2 經典算法2：邏輯回歸 53
3.2.3 經典算法3：感知機 56
3.2.4 經典算法4：支持向量機 58
3.2.5 經典算法5：決策樹 64
3.2.6 經典算法6：集成學習 68
3.3 無監督學習 69
3.3.1 經典算法1：K-均值算法 70
3.3.2 經典算法2：主成分分析 73
3.4 弱監督學習 76
3.4.1 主動學習 77
3.4.2 半監督學習 78
3.4.3 遷移學習 80
3.4.4 多示例學習 81
本章小結 82
習題 82
本章參考文獻 82
第4章 人工智能之深度學習 83
4.1 深度學習概述 84
4.1.1 前向神經網絡模型 84
4.1.2 生成模型 86
4.1.3 序列模型 86
4.2 人工神經網絡 87
4.2.1 概述 87
4.2.2 激活函數 91
4.2.3 損失函數 95
4.3 神經網絡參數優化與學習 100
4.3.1 梯度下降 101
4.3.2 反向傳播算法 102
4.4 經典神經網絡 107
4.4.1 經典神經網絡1：卷積神經網絡 107
4.4.2 經典神經網絡2：循環神經網絡 117
4.4.3 經典神經網絡3：生成對抗網絡 124
4.4.4 經典神經網絡4：注意力機制網絡 128
4.5 深度學習前沿 134
4.5.1 自監督學習 134
4.5.2 可解釋性深度學習 135
4.5.3 對抗攻擊與防御 135
4.5.4 超大規模模型 136
本章小結 137
習題 138
本章參考文獻 139
第5章 人工智能之強化學習 140
5.1 強化學習概述 141
5.2 強化學習之馬爾可夫決策過程 142
5.2.1 馬爾可夫過程 142
5.2.2 馬爾可夫獎勵過程 142
5.2.3 馬爾可夫決策過程 143
5.3 強化學習中的目標函數 144
5.3.1 值函數 144
5.3.2 貝爾曼方程 144
5.4 強化學習算法 145
5.4.1 動態規劃 146
5.4.2 蒙特卡羅法 148
5.4.3 時序差分法 151
5.4.4 深度Q 網絡 154
5.4.5 連續動作空間深度強化學習簡單示例 157
本章小結 159
習題 159
本章參考文獻 159
應用篇 人工智能開發平臺及應用 161
第6章 人工智能開發平臺 162
6.1 Python 語言簡介 162
6.1.1 Python 常用數據結構 163
6.1.2 函數 164
6.1.3 類 165
6.2 機器學習平臺 165
6.2.1 NumPy 166
6.2.2 Pandas 166
6.2.3 Scikit-Learn 167
6.2.4 Scipy 168
6.2.5 應用實戰 168
6.3 深度學習開發框架 172
6.3.1 總述 172
6.3.2 TensorFlow 172
6.3.3 PyTorch 174
6.3.4 飛槳（PaddlePaddle） 176
6.3.5 應用實戰 177
本章小結 182
習題 182
本章參考文獻 184
第7章 人工智能應用及展望 185
7.1 人工智能與自然語言處理 186
7.1.1 自然語言處理的基本概念 186
7.1.2 自然語言處理的發展歷史 187
7.1.3 自然語言處理的研究方向 188
7.2 人工智能與圖像處理 196
7.2.1 圖像增強 197
7.2.2 圖像復原 199
7.2.3 圖像編碼 201
7.2.4 圖像分割 204
7.2.5 圖像識別與分類 205
7.3 人工智能與機器人 207
7.3.1 機器人概念 207
7.3.2 根據機器人發展階段分類 208
7.3.3 根據應用環境分類 209
7.4 人工智能與視頻理解 210
7.4.1 動作識別 211
7.4.2 時序動作定位 215
7.4.3 視頻向量化 217
7.5 人工智能與元宇宙 219
7.5.1 元宇宙的基本概念 219
7.5.2 元宇宙中基礎技術 221
7.6 人工智能未來展望 223
7.6.1 研究熱點預測 223
7.6.2 人工智能倫理與治理 226
本章小結 228
習題 228
本章參考文獻 228
后記 229
第1章 緒論 2
1.1 什么是人工智能 2
1.1.1 人工智能的起源及定義 3
1.1.2 人工智能的三個發展階段 4
1.2 人工智能的三個主要研究方法 6
1.2.1 基于符號主義的人工智能研究方法 7
1.2.2 基于連接主義的人工智能研究方法 7
1.2.3 基于行為主義的人工智能研究方法 8
1.3 人工智能的行業發展現狀 9
1.3.1 世界各國人工智能發展支持政策 9
1.3.2 人工智能產業結構 12
1.3.3 人工智能行業應用 14
1.4 人工智能的三個經典應用 17
1.4.1 自然語言理解 18
1.4.2 智能眼科醫學圖像處理 19
1.4.3 智能棋類 21
本章小結 23
習題 24
本章參考文獻 24
理論篇 人工智能基礎理論與算法 025
第2章 人工智能之理論基礎 26
2.1 人工智能的數學基礎 27
2.1.1 線性代數 27
2.1.2 人工智能數學基礎之概率論 30
2.1.3 人工智能數學基礎之微積分 32
2.2 人工智能的*優化與信息論基礎 33
2.2.1 *優化理論 33
2.2.2 信息論 34
2.3 人工智能的生物學基礎 36
2.3.1 生物神經元 36
2.3.2 人腦視覺與信息機理機制 37
2.3.3 人工神經元 39
2.4 人工智能的控制論基礎 42
2.4.1 動態系統 43
2.4.2 人工智能之反饋控制與*優控制 44
2.4.3 控制論與強化學習 46
本章小結 47
習題 47
本章參考文獻 47
第3章 人工智能之機器學習 48
3.1 機器學習概述 48
3.2 監督學習 49
3.2.1 經典算法1：線性回歸 50
3.2.2 經典算法2：邏輯回歸 53
3.2.3 經典算法3：感知機 56
3.2.4 經典算法4：支持向量機 58
3.2.5 經典算法5：決策樹 64
3.2.6 經典算法6：集成學習 68
3.3 無監督學習 69
3.3.1 經典算法1：K-均值算法 70
3.3.2 經典算法2：主成分分析 73
3.4 弱監督學習 76
3.4.1 主動學習 77
3.4.2 半監督學習 78
3.4.3 遷移學習 80
3.4.4 多示例學習 81
本章小結 82
習題 82
本章參考文獻 82
第4章 人工智能之深度學習 83
4.1 深度學習概述 84
4.1.1 前向神經網絡模型 84
4.1.2 生成模型 86
4.1.3 序列模型 86
4.2 人工神經網絡 87
4.2.1 概述 87
4.2.2 激活函數 91
4.2.3 損失函數 95
4.3 神經網絡參數優化與學習 100
4.3.1 梯度下降 101
4.3.2 反向傳播算法 102
4.4 經典神經網絡 107
4.4.1 經典神經網絡1：卷積神經網絡 107
4.4.2 經典神經網絡2：循環神經網絡 117
4.4.3 經典神經網絡3：生成對抗網絡 124
4.4.4 經典神經網絡4：注意力機制網絡 128
4.5 深度學習前沿 134
4.5.1 自監督學習 134
4.5.2 可解釋性深度學習 135
4.5.3 對抗攻擊與防御 135
4.5.4 超大規模模型 136
本章小結 137
習題 138
本章參考文獻 139
第5章 人工智能之強化學習 140
5.1 強化學習概述 141
5.2 強化學習之馬爾可夫決策過程 142
5.2.1 馬爾可夫過程 142
5.2.2 馬爾可夫獎勵過程 142
5.2.3 馬爾可夫決策過程 143
5.3 強化學習中的目標函數 144
5.3.1 值函數 144
5.3.2 貝爾曼方程 144
5.4 強化學習算法 145
5.4.1 動態規劃 146
5.4.2 蒙特卡羅法 148
5.4.3 時序差分法 151
5.4.4 深度Q 網絡 154
5.4.5 連續動作空間深度強化學習簡單示例 157
本章小結 159
習題 159
本章參考文獻 159
應用篇 人工智能開發平臺及應用 161
第6章 人工智能開發平臺 162
6.1 Python 語言簡介 162
6.1.1 Python 常用數據結構 163
6.1.2 函數 164
6.1.3 類 165
6.2 機器學習平臺 165
6.2.1 NumPy 166
6.2.2 Pandas 166
6.2.3 Scikit-Learn 167
6.2.4 Scipy 168
6.2.5 應用實戰 168
6.3 深度學習開發框架 172
6.3.1 總述 172
6.3.2 TensorFlow 172
6.3.3 PyTorch 174
6.3.4 飛槳（PaddlePaddle） 176
6.3.5 應用實戰 177
本章小結 182
習題 182
本章參考文獻 184
第7章 人工智能應用及展望 185
7.1 人工智能與自然語言處理 186
7.1.1 自然語言處理的基本概念 186
7.1.2 自然語言處理的發展歷史 187
7.1.3 自然語言處理的研究方向 188
7.2 人工智能與圖像處理 196
7.2.1 圖像增強 197
7.2.2 圖像復原 199
7.2.3 圖像編碼 201
7.2.4 圖像分割 204
7.2.5 圖像識別與分類 205
7.3 人工智能與機器人 207
7.3.1 機器人概念 207
7.3.2 根據機器人發展階段分類 208
7.3.3 根據應用環境分類 209
7.4 人工智能與視頻理解 210
7.4.1 動作識別 211
7.4.2 時序動作定位 215
7.4.3 視頻向量化 217
7.5 人工智能與元宇宙 219
7.5.1 元宇宙的基本概念 219
7.5.2 元宇宙中基礎技術 221
7.6 人工智能未來展望 223
7.6.1 研究熱點預測 223
7.6.2 人工智能倫理與治理 226
本章小結 228
習題 228
本章參考文獻 228
后記 229
展開全部
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
山海經
- >
【精裝繪本】畫給孩子的中國神話
- >
唐代進士錄
- >
詩經-先民的歌唱
- >
中國歷史的瞬間
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
