掃一掃
關注中圖網
官方微博
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
人工智能基礎與實踐 版權信息
- ISBN：9787563570836
- 條形碼：9787563570836 ; 978-7-5635-7083-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能基礎與實踐 內容簡介
本書首先介紹了人工智能的基本概念與應用現狀；其次闡述了經典機器學習理論與實踐的相關內容，包含基礎知識、人工智能的開發工具以及一系列機器學習分類、聚類和回歸等算法；*后介紹了深度學習的相關理論，包括深度學習的基本概念、卷積神經網絡、循環神經網絡以及部分強化學習的經典方法。本書在介紹人工智能相關理論知識的同時，還介紹了部分其涉及的數學原理以及編程實例。
人工智能基礎與實踐 目錄
第1部分 經典機器學習理論基礎與實踐
第1章 緒論
1.1 人工智能概述
1.1.1 人工智能的基本概念
1.1.2 圖靈測試與人工智能分類
1.1.3 強人工智能與弱人工智能
1.1.4 適合用人工智能來求解的問題
1.2 人工智能的發展歷程
1.2.1 20世紀90年代前人工智能的發展歷程
1.2.2 20世紀90年代后人工智能的發展歷程
1.2.3 人工智能發展歷程中出現的哲學問題
1.3 人工智能的應用現狀與未來展望
1.3.1 AI賦能下的產業現狀
1.3.2 中美企業的人工智能戰略布局
1.3.3 人工智能的趨勢與展望
第2章 機器學習基礎知識
2.1 基本概念
2.1.1 學習的定義
2.1.2 機器學習的定義
2.1.3 學習類型的劃分
2.1.4 機器學習、深度學習以及強化學習三者的關系和區別
2.2 機器學習中的數據準備
2.2.1 數據清洗與預處理
2.2.2 特征工程
2.2.3 連續變量的特征降維與提取
2.2.4 數據描述性統計與繪圖
2.3 機器學習中的模型評估
2.3.1 過擬合和欠擬合
2.3.2 性能度量
2.3.3 交叉驗證
2.3.4 點估計、偏差與方差、標準差
第3章 人工智能開發工具
3.1 主流AI編程語言—Python
3.1.1 Python概要
3.1.2 Python的優缺點
3.1.3 Python環境搭建
3.1.4 Python編程基礎
3.1.5 機器學習“四劍客”
3.2 深度學習框架
3.2.1 深度學習框架簡介
3.2.2 深度學習框架的主要優勢
3.2.3 PaddlePaddle簡介
3.3 機器學習Python實戰：KNN算法
3.3.1 KNN算法
3.3.2 基于KNN算法的婚戀網站數據分析
第4章 機器學習分類算法
4.1 分類算法簡述
4.2 決策樹算法
4.2.1 信息熵與信息增益
4.2.2 ID3算法的原理
4.2.3 其他幾種決策樹算法
4.2.4 決策樹的剪枝
4.2.5 ID算法Python實戰
4.3 貝葉斯分類算法
4.3.1 條件概率與貝葉斯定理
4.3.2 樸素貝葉斯分類算法
4.3.3 半樸素貝葉斯分類
4.3.4 樸素貝葉斯算法Python實戰
4.4 支持向量機
4.4.1 SVM簡介
4.4.2 線性SVM、函數間隔與幾何間隔
4.4.3 對偶問題
4.4.4 核函數
4.4.5 噪聲數據的松弛變量處理
4.4.6 SVM分類器Python實戰
第5章 機器學習聚類算法
5.1 K-means聚類算法
5.1.1 聚類的概念
5.1.2 相似度與距離
5.1.3 K-means聚類算法的核心思想
5.1.4 K-means聚類算法的應用場景與優缺點
5.1.5 K-means聚類算法Python實戰
5.2 層次聚類算法
5.2.1 層次聚類算法的原理與分類
5.2.2 層次聚類算法中的距離度量
5.2.3 層次聚類算法需要注意的問題
5.2.4 層次聚類算法Python實戰
5.3 模糊聚類算法
5.3.1 模糊理論
5.3.2 隸屬度概念與傳統硬聚類算法
5.3.3 模糊C-均值聚類算法
5.3.4 FCM聚類算法Python實戰
第6章 機器學習回歸算法
6.1 線性回歸
6.1.1 線性模型的基本形式
6.1.2 一元線性回歸的參數估計
6.1.3 回歸系數的顯著性檢驗
6.1.4 一元線性回歸的預測
6.1.5 一元線性回歸算法Python實戰
6.2 邏輯回歸
6.2.1 邏輯回歸模型
6.2.2 邏輯回歸模型中的損失函數
6.2.3 邏輯回歸的梯度下降
第2部分 深度學習理論基礎與實踐
第7章 深度神經網絡基礎
7.1 深度學習的基本概念
7.1.1 深度學習的定義
7.1.2 深度學習的發展與范疇
7.2 深度前饋網絡
7.2.1 感知機的局限性
7.2.2 多層前饋神經網絡
7.2.3 損失函數與梯度
7.2.4 梯度下降與反向傳播算法
第8章 卷積神經網絡
8.1 卷積神經網絡的基本概念
8.1.1 卷積神經網絡概述
8.1.2 局部連接與權值共享
8.1.3 CNN的基本結構
8.1.4 卷積運算
8.1.5 池化操作
8.1.6 歸一化
8.1.7 參數學習
8.2 典型的卷積神經網絡
8.2.1 LeNet
8.2.2 AlexNet
8.2.3 VGGNet
8.2.4 ResNet
第9章 循環神經網絡
9.1 循環神經網絡的基本概念
9.1.1 神經網絡的局限性
9.1.2 RNN的歷史
9.1.3 RNN的結構
9.1.4 RNN的訓練
9.1.5 RNN的變形
9.1.6 深度循環神經網絡
9.2 改進的循環神經網絡
9.2.1 遞歸神經網絡
9.2.2 雙向RNN
9.2.3 長短期記憶網絡
9.2.4 門控循環單元
9.2.5 雙向長短期記憶網絡
第10章 強化學習
10.1 強化學習理論基礎
10.1.1 強化學習簡介
10.1.2 馬爾可夫決策過程
10.1.3 策略*優化算法
10.1.4 動態規劃
10.1.5 蒙特卡洛方法
10.1.6 時序差分學習
10.2 深度強化學習
10.2.1 基于價值函數的深度強化學習
10.2.2 基于策略梯度的深度強化學習
參考文獻
展開全部
人工智能基礎與實踐 作者簡介
楊陽，工學博士，北京郵電大學副教授，主持并參與包括中國博士后基金面上項目、國家自然科學青年基金、北京市自然基金、國家重大專項項目等，多年來一直圍繞通信網絡、人工智能相關理論與技術開展深入研究。相關學術成果發表在IEEE TVT、TII、IEEE CL、IEEE GLOBECOM、ICC等知名國際期刊和會議上，授權3項國際發明專利、多項國內發明專利，并獲得2018年IEEE TCOM期刊模范審稿人、“中國研究生電子設計競賽總決賽優秀指導教師”、“2019中國高校計算機大賽人工智能創意賽總決賽優秀指導教師”稱號，指研究生、留學生若干名并獲得十余項國家級學科競賽獎勵。
書友推薦
- >
詩經-先民的歌唱
- >
莉莉和章魚
- >
羅曼·羅蘭讀書隨筆-精裝
- >
小考拉的故事-套裝共3冊
- >
李白與唐代文化
- >
名家帶你讀魯迅:朝花夕拾
- >
回憶愛瑪儂
- >
經典常談
本類暢銷
