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
現代人工智能技術 版權信息
- ISBN：9787111750536
- 條形碼：9787111750536 ; 978-7-111-75053-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
現代人工智能技術 本書特色
人工智能技術作為一種基礎性支撐技術，我們每個人都要學習掌握。而本書這正是這樣一本關于人工智能的同時性圖書，對于建立知識體系，厘清邏輯結構有著非常有效的幫助。通過本書你將學習到以下內容：
人工智能的基礎知識，包括人工智能的定義、基本原理、發展歷程、主要分支、應用領域、發展趨勢等。
?人工智能的知識表達、推理方法和智能計算等技術的基本原理，以及人工智能表示和處理知識的方式、進行邏輯推理和優化求解的方法等。
?人工智能技術中核心算法的原理和實踐，包括機器學習、神經網絡、強化學習，以及新興的深度學習、聯邦學習等。
?人工智能技術必需的理論知識和基本實踐方法，能夠利用人工智能技術完成從數據中學習規律、構建復雜的神經網絡模型、解決高級認知問題、進行自主控制和決策、實現分布式協同學習等。
在這個數據驅動的時代，人工智能（AI）正成為推動技術革新和社會發展的關鍵力量。《現代人工智能技術》是一本全面深入探討AI領域的專業著作，它不僅為讀者揭開了AI技術的神秘面紗，還提供了實際應用的寶貴指導。
核心亮點：
全面覆蓋：從基礎的機器學習算法到復雜的深度學習網絡，本書全面介紹了AI的核心原理和技術。
實踐導向：通過豐富的案例分析和項目實踐，幫助讀者理解AI技術在現實世界中的應用。
前沿探索：深入討論了當前AI領域的*新進展，包括機器學習、深度學習和強化學習等。
未來洞察：提供了對AI未來發展趨勢的深入分析，幫助讀者把握行業脈搏。
易于理解：以通俗易懂的語言解釋復雜的技術概念，適合不同背景的讀者學習
《現代人工智能技術》不僅是一本學習材料，更是一扇打開未來世界的窗口。無論你是AI領域的新手還是資深專家，本書都將是你的理想選擇，助你在智能科技的浪潮中乘風破浪！
現代人工智能技術 內容簡介
《現代人工智能技術》對現代人工智能的理論、算法、框架及應用進行了全面、系統的論述,剖析了人工智能研究領域的前沿學術成果,涵蓋了機器學習、深度學習、強化學習以及聯邦學習等諸多方向。讀者通過學習本書,能夠掌握人工智能的基本知識,并能了解人工智能研究的一些前沿內容,為進一步學習人工智能理論與應用奠定基礎。全書共分為9章,分別為緒論、知識表達、推理方法、智能算法、機器學習、神經網絡、深度學習、強化學習、聯邦學習。 本書可作為計算機類、自動化類、電氣類、電子信息類專業的本科生、研究生學習人工智能課程的參考用書,也可供高等院校的教師、研究機構的研究人員,以及相關法律法規制定者和政府監管部門參考。
現代人工智能技術 目錄
目錄
前言
第1章緒論
1.1人工智能的基本概念
1.1.1智能的概念
1.1.2智能的特征
1.1.3人工智能
1.2人工智能發展簡史
1.2.1孕育
1.2.2形成
1.2.3發展
1.3人工智能的基本原理及方法
1.3.1知識表示
1.3.2機器感知
1.3.3機器思維
1.3.4機器學習
1.4人工智能的主要研究及應用領域
1.4.1自動定理證明
1.4.2博弈
1.4.3模式識別
1.4.4機器視覺
1.4.5自然語言理解
1.4.6智能信息檢索
1.4.7數據挖掘
1.4.8專家系統
1.4.9機器人
1.4.10組合優化
1.4.11人工神經網絡
1.4.12分布式人工智能與多智能體
1.5小結
思考題
第2章知識表達
2.1知識與知識表達的概念
2.1.1知識的概念
2.1.2知識的特征
2.1.3知識的表示
2.2一階謂詞邏輯表示法
2.2.1命題
2.2.2謂詞
2.2.3謂詞公式
2.2.4謂詞公式的性質
2.2.5一階謂詞邏輯知識表示法
2.2.6一階謂詞邏輯表示法的特點
2.3產生式表示法
2.3.1產生式
2.3.2產生式系統
2.3.3產生式系統的例子——動物識別系統
2.3.4產生式表示法的特點
2.4框架表示法
2.4.1框架的一般結構
2.4.2用框架表示知識的例子
2.4.3框架表示法的特點
2.5小結
思考題
第3章確定性推理方法
3.1推理的基本概念
3.1.1推理的定義
3.1.2推理方式及其分類
3.1.3推理的方向
3.1.4沖突消解策略
3.2自然演繹推理
3.3謂詞公式化為子句集的方法
3.4魯濱遜歸結原理
3.5歸結反演
3.6小結
思考題
第4章智能算法及其應用
4.1進化算法的產生與發展
4.1.1進化算法的概念
4.1.2進化算法的生物背景
4.1.3進化算法的設計原則
4.2遺傳算法
4.2.1遺傳算法的基本思想
4.2.2遺傳算法的發展歷史
4.2.3編碼
4.2.4實數編碼和浮點數編碼
4.2.5群體設定
4.2.6適應度函數
4.2.7選擇
4.2.8交叉
4.2.9變異
4.2.10遺傳算法的一般步驟
4.2.11遺傳算法的特點
4.3遺傳算法的改進算法
4.3.1改進算法
4.3.2雙種群遺傳算法
4.3.3自適應遺傳算法
4.4粒子群優化算法
4.4.1粒子群優化算法的基本原理
4.4.2粒子群優化算法的參數分析
4.5蟻群算法
4.5.1基本蟻群算法模型
4.5.2蟻群算法的參數選擇
4.6小結
思考題
第5章機器學習
5.1機器學習簡介
5.1.1專業術語
5.1.2分類
5.2特征工程
5.2.1目的與基本流程
5.2.2數據獲取
5.2.3特征處理
5.2.4特征選擇
5.2.5特征提取和數據降維
5.3模型評估
5.3.1評估方法
5.3.2調參與*終模型
5.3.3性能度量
5.3.4比較檢驗
5.3.5偏差與方差
5.4有監督學習
5.4.1線性回歸
5.4.2線性對數幾率回歸
5.4.3貝葉斯分類
5.4.4決策樹
5.4.5支持向量機
5.5無監督學習
5.5.1基本模型
5.5.2K均值
5.5.3高斯混合聚類
5.5.4密度聚類
5.5.5層次聚類
5.6小結
思考題
第6章神經網絡
6.1神經元和神經網絡
6.1.1生物神經元和人工神經元
6.1.2神經網絡簡介
6.2線性神經網絡和全連接神經網絡
6.2.1線性神經網絡
6.2.2全連接神經網絡
6.3BP神經網絡
6.3.1標準BP神經網絡算法和流程
6.3.2標準BP神經網絡分析和改進
6.4卷積神經網絡
6.4.1卷積的基本知識
6.4.2卷積神經網絡的產生動機
6.4.3卷積神經網絡的結構
6.5循環神經網絡
6.5.1導師驅動過程
6.5.2計算循環神經網絡的梯度
6.5.3雙向循環神經網絡
6.6生成對抗神經網絡
6.7小結
思考題
第7章深度學習
7.1深度學習的概念
7.1.1深度學習的簡介
7.1.2深度學習的特點
7.1.3深度學習的發展
7.2深度卷積神經網絡
7.2.1深度卷積神經網絡的簡介
7.2.2深度卷積神經網絡的結構
7.3深度殘差網絡
7.3.1深度殘差網絡的簡介
7.3.2深度殘差網絡的結構
7.4深度循環神經網絡
7.4.1深度循環神經網絡的簡介
7.4.2深度循環神經網絡的結構
7.5門控循環單元
7.5.1門控循環單元的簡介
7.5.2門控循環單元的結構
7.6長短期記憶網絡
7.6.1長短期記憶網絡的簡介
7.6.2長短期記憶網絡的結構
7.7注意力機制
7.7.1注意力機制的簡介
7.7.2注意力機制的原理
7.7.3注意力機制的種類
7.8小結
思考題
第8章強化學習
8.1強化學習的概念
8.1.1序貫決策問題
8.1.2強化學習
8.2馬爾可夫過程
8.2.1隨機過程與馬爾可夫性質
8.2.2馬爾可夫過程
8.2.3馬爾可夫獎勵過程
8.2.4馬爾可夫決策過程
8.2.5*優策略
8.2.6策略迭代
8.3基于價值的強化學習
8.3.1時序差分算法
8.3.2SARSA算法
8.3.3Q-Learning算法
8.3.4On-policy算法與Off-policy算法
8.4基于策略的強化學習
8.4.1策略梯度
8.4.2REINFORCE算法
8.4.3值函數近似
8.4.4Actor-Critic算法
8.5深度強化學習
8.5.1深度Q網絡
8.5.2信任區域策略優化算法
8.5.3近端策略優化算法
8.5.4深度確定性策略梯度算法
8.6模仿強化學習
8.6.1行為克隆
8.6.2逆向強化學習
8.6.3生成式對抗模仿學習
8.7集成強化學習
8.7.1Bootstrapped DQN
8.7.2SUNRISE
8.8總結
思考題
第9章聯邦學習
9.1聯邦學習的概念
9.1.1人工智能面臨的挑戰
9.1.2聯邦學習的定義
9.1.3聯邦學習的分類
9.2隱私保護技術
9.2.1聯邦學習面臨的隱私泄露風險
9.2.2差分隱私
9.2.3安全多方計算
9.3激勵機制
9.3.1聯邦
前言
第1章緒論
1.1人工智能的基本概念
1.1.1智能的概念
1.1.2智能的特征
1.1.3人工智能
1.2人工智能發展簡史
1.2.1孕育
1.2.2形成
1.2.3發展
1.3人工智能的基本原理及方法
1.3.1知識表示
1.3.2機器感知
1.3.3機器思維
1.3.4機器學習
1.4人工智能的主要研究及應用領域
1.4.1自動定理證明
1.4.2博弈
1.4.3模式識別
1.4.4機器視覺
1.4.5自然語言理解
1.4.6智能信息檢索
1.4.7數據挖掘
1.4.8專家系統
1.4.9機器人
1.4.10組合優化
1.4.11人工神經網絡
1.4.12分布式人工智能與多智能體
1.5小結
思考題
第2章知識表達
2.1知識與知識表達的概念
2.1.1知識的概念
2.1.2知識的特征
2.1.3知識的表示
2.2一階謂詞邏輯表示法
2.2.1命題
2.2.2謂詞
2.2.3謂詞公式
2.2.4謂詞公式的性質
2.2.5一階謂詞邏輯知識表示法
2.2.6一階謂詞邏輯表示法的特點
2.3產生式表示法
2.3.1產生式
2.3.2產生式系統
2.3.3產生式系統的例子——動物識別系統
2.3.4產生式表示法的特點
2.4框架表示法
2.4.1框架的一般結構
2.4.2用框架表示知識的例子
2.4.3框架表示法的特點
2.5小結
思考題
第3章確定性推理方法
3.1推理的基本概念
3.1.1推理的定義
3.1.2推理方式及其分類
3.1.3推理的方向
3.1.4沖突消解策略
3.2自然演繹推理
3.3謂詞公式化為子句集的方法
3.4魯濱遜歸結原理
3.5歸結反演
3.6小結
思考題
第4章智能算法及其應用
4.1進化算法的產生與發展
4.1.1進化算法的概念
4.1.2進化算法的生物背景
4.1.3進化算法的設計原則
4.2遺傳算法
4.2.1遺傳算法的基本思想
4.2.2遺傳算法的發展歷史
4.2.3編碼
4.2.4實數編碼和浮點數編碼
4.2.5群體設定
4.2.6適應度函數
4.2.7選擇
4.2.8交叉
4.2.9變異
4.2.10遺傳算法的一般步驟
4.2.11遺傳算法的特點
4.3遺傳算法的改進算法
4.3.1改進算法
4.3.2雙種群遺傳算法
4.3.3自適應遺傳算法
4.4粒子群優化算法
4.4.1粒子群優化算法的基本原理
4.4.2粒子群優化算法的參數分析
4.5蟻群算法
4.5.1基本蟻群算法模型
4.5.2蟻群算法的參數選擇
4.6小結
思考題
第5章機器學習
5.1機器學習簡介
5.1.1專業術語
5.1.2分類
5.2特征工程
5.2.1目的與基本流程
5.2.2數據獲取
5.2.3特征處理
5.2.4特征選擇
5.2.5特征提取和數據降維
5.3模型評估
5.3.1評估方法
5.3.2調參與*終模型
5.3.3性能度量
5.3.4比較檢驗
5.3.5偏差與方差
5.4有監督學習
5.4.1線性回歸
5.4.2線性對數幾率回歸
5.4.3貝葉斯分類
5.4.4決策樹
5.4.5支持向量機
5.5無監督學習
5.5.1基本模型
5.5.2K均值
5.5.3高斯混合聚類
5.5.4密度聚類
5.5.5層次聚類
5.6小結
思考題
第6章神經網絡
6.1神經元和神經網絡
6.1.1生物神經元和人工神經元
6.1.2神經網絡簡介
6.2線性神經網絡和全連接神經網絡
6.2.1線性神經網絡
6.2.2全連接神經網絡
6.3BP神經網絡
6.3.1標準BP神經網絡算法和流程
6.3.2標準BP神經網絡分析和改進
6.4卷積神經網絡
6.4.1卷積的基本知識
6.4.2卷積神經網絡的產生動機
6.4.3卷積神經網絡的結構
6.5循環神經網絡
6.5.1導師驅動過程
6.5.2計算循環神經網絡的梯度
6.5.3雙向循環神經網絡
6.6生成對抗神經網絡
6.7小結
思考題
第7章深度學習
7.1深度學習的概念
7.1.1深度學習的簡介
7.1.2深度學習的特點
7.1.3深度學習的發展
7.2深度卷積神經網絡
7.2.1深度卷積神經網絡的簡介
7.2.2深度卷積神經網絡的結構
7.3深度殘差網絡
7.3.1深度殘差網絡的簡介
7.3.2深度殘差網絡的結構
7.4深度循環神經網絡
7.4.1深度循環神經網絡的簡介
7.4.2深度循環神經網絡的結構
7.5門控循環單元
7.5.1門控循環單元的簡介
7.5.2門控循環單元的結構
7.6長短期記憶網絡
7.6.1長短期記憶網絡的簡介
7.6.2長短期記憶網絡的結構
7.7注意力機制
7.7.1注意力機制的簡介
7.7.2注意力機制的原理
7.7.3注意力機制的種類
7.8小結
思考題
第8章強化學習
8.1強化學習的概念
8.1.1序貫決策問題
8.1.2強化學習
8.2馬爾可夫過程
8.2.1隨機過程與馬爾可夫性質
8.2.2馬爾可夫過程
8.2.3馬爾可夫獎勵過程
8.2.4馬爾可夫決策過程
8.2.5*優策略
8.2.6策略迭代
8.3基于價值的強化學習
8.3.1時序差分算法
8.3.2SARSA算法
8.3.3Q-Learning算法
8.3.4On-policy算法與Off-policy算法
8.4基于策略的強化學習
8.4.1策略梯度
8.4.2REINFORCE算法
8.4.3值函數近似
8.4.4Actor-Critic算法
8.5深度強化學習
8.5.1深度Q網絡
8.5.2信任區域策略優化算法
8.5.3近端策略優化算法
8.5.4深度確定性策略梯度算法
8.6模仿強化學習
8.6.1行為克隆
8.6.2逆向強化學習
8.6.3生成式對抗模仿學習
8.7集成強化學習
8.7.1Bootstrapped DQN
8.7.2SUNRISE
8.8總結
思考題
第9章聯邦學習
9.1聯邦學習的概念
9.1.1人工智能面臨的挑戰
9.1.2聯邦學習的定義
9.1.3聯邦學習的分類
9.2隱私保護技術
9.2.1聯邦學習面臨的隱私泄露風險
9.2.2差分隱私
9.2.3安全多方計算
9.3激勵機制
9.3.1聯邦
展開全部
現代人工智能技術 作者簡介
李遠征，現任華中科技大學人工智能與自動化學院副教授，主要研究領域為人工智能及其在智能電網中的應用，深度學習，強化學習，大數據分析，運籌優化等。主持了國家自然科學基金面上和青年項目、國家電網總部科技項目課題、騰訊科技項目。
書友推薦
- >
回憶愛瑪儂
- >
龍榆生：詞曲概論/大家小書
- >
隨園食單
- >
【精裝繪本】畫給孩子的中國神話
- >
詩經-先民的歌唱
- >
名家帶你讀魯迅:朝花夕拾
- >
月亮與六便士
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
