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
人工智能案例與實驗 版權信息
- ISBN：9787302661238
- 條形碼：9787302661238 ; 978-7-302-66123-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能案例與實驗 本書特色
本書共給出了21個人工智能實驗案例，覆蓋了人工智能課程涉及的主要內容，包括搜索求解、邏輯推理、貝葉斯網絡、馬爾可夫決策、監督學習、非監督學習、強化學習等各個方面，也包含了深度神經網絡技術，并提供了相應的Python語言代碼。
人工智能案例與實驗 內容簡介
人工智能是一門實踐性很強的學科，特別適合基于案例的新型教學形式。本書是為了引導學生深入 理解人工智能算法原理，提高學生對人工智能應用問題的研究、分析、解決能力而編寫的。 本書是以實驗案例方式組織的，全書共給出了21 個人工智能實驗案例，覆蓋了人工智能課程涉及 的主要內容，包括搜索求解、邏輯推理、貝葉斯網絡、馬爾可夫決策、監督學習、非監督學習、強化學 習等各方面，也包含了深度神經網絡技術。為了便于教學，每個實驗案例對實驗的內容、背景和目標進 行了明確闡述，對所涉及的理論基礎及算法也進行了詳細介紹，并提供了相應的Python 語言代碼。 本書可作為高等學校相關專業的人工智能案例課程教材，也可作為從事相關專業的技術人員的參考 用書。
人工智能案例與實驗 目錄
第 1 章 啟發式搜索：A* 算法 1
1.1 教學目標 1
1.2 實驗內容與任務 1
1.3 實驗過程及要求 1
1.4 相關知識及背景 2
1.5 實驗教學與指導 3
1.5.1 判斷連線是否穿過障礙物 3
1.5.2 鄰接矩陣 3
1.5.3 AI 問題求解模型 4
1.5.4 A* 算法 4
1.5.5 A* 算法的*優性 6
1.5.6 Dijkstra 算法 6
1.6 實驗報告要求 6
1.7 考核要求與方法 7
1.8 案例特色或創新 7
第 2 章 局部搜索：八皇后問題 8
2.1 教學目標 8
2.2 實驗內容與任務 8
2.3 實驗過程及要求 9
2.4 相關知識及背景 9
2.5 實驗教學與指導 9
2.5.1 目標函數定義 9
2.5.2 鄰居的定義 10
2.5.3 爬山法 10
2.5.4 爬山法的變形 12
2.5.5 模擬退火方法 13
2.6 實驗報告要求 14
2.7 考核要求與方法 14
2.8 案例特色或創新 14
第 3 章 對抗與博弈：井字棋 15
3.1 教學目標 15
3.2 實驗內容與任務 15
3.3 實驗過程及要求 15
3.4 相關知識及背景 16
3.5 實驗教學與指導 16
3.5.1 Minimax 決策 16
3.5.2 游戲模型 17
3.5.3 玩家 18
3.5.4 井字棋游戲的實現 19
3.6 實驗報告要求 21
3.7 考核要求與方法 21
3.8 案例特色或創新 21
第 4 章 命題邏輯推理：怪獸世界 22
4.1 教學目標 22
4.2 實驗內容與任務 22
4.3 實驗過程及要求 23
4.4 相關知識及背景 23
4.5 實驗教學與指導 23
4.5.1 命題邏輯 23
4.5.2 命題邏輯表達式 24
4.5.3 邏輯表達式真值判斷 26
4.5.4 基于知識庫的 AI 28
4.6 實驗報告要求 29
4.7 考核要求與方法 29
4.8 案例特色或創新 29
第 5 章 貝葉斯網絡：比賽結果預測 30
5.1 教學目標 30
5.2 實驗內容與任務 30
5.3 實驗過程及要求 30
5.4 相關知識及背景 31
5.5 實驗教學與指導 31
5.5.1 貝葉斯網絡 31
5.5.2 精確算法 32
5.5.3 拒絕采樣方法 33
5.5.4 似然加權采樣方法 33
5.5.5 Gibbs 采樣方法 34
5.6 實驗報告要求 34
5.7 考核要求與方法 35
5.8 案例特色或創新 35
第 6 章 隱馬爾可夫模型：機器人定位 36
6.1 教學目標 36
6.2 實驗內容與任務 36
6.3 實驗過程及要求 37
6.4 相關知識及背景 37
6.5 實驗教學與指導 38
6.5.1 HMM 38
6.5.2 濾波算法 38
6.5.3 平滑算法 39
6.5.4 *可能序列 40
6.6 實驗報告要求 41
6.7 考核要求與方法 41
6.8 案例特色或創新 41
第 7 章 卡爾曼濾波器：運動跟蹤 42
7.1 教學目標 42
7.2 實驗內容與任務 42
7.3 實驗過程及要求 43
7.4 相關知識及背景 43
7.5 實驗教學與指導 43
7.5.1 卡爾曼濾波器原理 43
7.5.2 卡爾曼濾波器實現 44
7.6 實驗報告要求 45
7.7 考核要求與方法 45
7.8 案例特色或創新 45
第 8 章 馬爾可夫決策：機器人導航 46
8.1 教學目標 46
8.2 實驗內容與任務 46
8.3 實驗過程及要求 47
8.4 相關知識及背景 47
8.5 實驗教學與指導 47
8.5.1 馬爾可夫決策過程 47
8.5.2 環境模型 48
8.5.3 價值迭代算法 48
8.5.4 策略評估 49
8.5.5 策略迭代算法 49
8.6 實驗報告要求 50
8.7 考核要求與方法 50
8.8 案例特色或創新 50
第 9 章 決策樹學習：紅酒分類 51
9.1 教學目標 51
9.2 實驗內容與任務 51
9.3 實驗過程及要求 52
9.4 相關知識及背景 52
9.5 實驗教學與指導 53
9.5.1 決策樹的學習算法 53
9.5.2 屬性重要性度量：熵與基尼指數 53
9.5.3 決策樹剪枝 54
9.5.4 sklearn 的決策樹模型 55
9.5.5 應用 sklearn 進行決策樹建模和評估 55
9.6 實驗報告要求 57
9.7 考核要求與方法 57
9.8 案例特色或創新 57
第 10 章 線性回歸：糖尿病病情預測 58
10.1 教學目標 58
10.2 實驗內容與任務 58
10.3 實驗過程及要求 58
10.4 相關知識及背景 59
10.5 實驗教學與指導 59
10.5.1 線性回歸 59
10.5.2 正則化 59
10.6 實驗原理及方案 60
10.6.1 數據加載 60
10.6.2 分析計算 60
10.6.3 Keras 實現線性回歸 61
10.6.4 擬合程度的評價 61
10.6.5 正則化 61
10.7 實驗報告要求 61
10.8 考核要求與方法 62
10.9 案例特色或創新 62
第 11 章 線性分類：乳腺癌診斷 63
11.1 教學目標 63
11.2 實驗內容與任務 63
11.3 實驗過程及要求 63
11.4 相關知識及背景 64
11.5 實驗教學與指導 64
11.5.1 硬閾值線性分類 64
11.5.2 Logistic 分類 65
11.6 實驗原理及方案 65
11.6.1 數據加載 66
11.6.2 硬閾值線性分類 66
11.6.3 Logistic 分類計算 67
11.7 實驗報告要求 67
11.8 考核要求與方法 68
11.9 案例特色或創新 68
第 12 章 非參數學習方法 KNN：病情診斷與預測 69
12.1 教學目標 69
12.2 實驗內容與任務 69
12.3 實驗過程及要求 69
12.4 相關知識及背景 69
12.5 實驗教學與指導 70
12.5.1 KNN 分類和回歸 70
12.5.2 距離與維度 70
12.5.3 算法時間性能 70
12.6 實驗原理及方案 71
12.6.1 KNN 分類 71
12.6.2 KNN 回歸 72
12.7 實驗報告要求 73
12.8 考核要求與方法 73
12.9 案例特色或創新 73
第 13 章 支持向量機：乳腺癌診斷 74
13.1 教學目標 74
13.2 實驗內容與任務 74
13.3 實驗過程及要求 74
13.4 相關知識及背景 74
13.5 實驗教學與指導 75
13.5.1 *大分離間隔 75
13.5.2 傳統優化過程及意義 76
13.5.3 松弛問題 76
13.5.4 特征變換與核函數 77
13.5.5 現代觀點 77
13.6 實驗原理及方案 77
13.6.1 加載乳腺癌數據集，按 7 : 3 劃分訓練集和測試集 77
13.6.2 自定義 Loss 函數 78
13.6.3 建立神經網絡模型并訓練 78
13.6.4 評估模型 78
13.7 實驗報告要求 79
13.8 考核要求與方法 79
13.9 案例特色或創新 79
第 14 章 Adaboost 集成學習：紅酒分類 80
14.1 教學目標 80
14.2 實驗內容與任務 80
14.3 實驗過程及要求 80
14.4 相關知識及背景 80
14.5 實驗教學與指導 81
14.5.1 樣本加權 81
14.5.2 分類器加權 81
14.5.3 Adaboost 分類算法 81
14.6 實驗原理及方案 82
14.6.1 加載 wine 數據集，按 7 : 3 劃分訓練集和測試集 82
14.6.2 定義加權投票函數 82
14.6.3 Adaboost 訓練函數 83
14.6.4 Adaboost 預測函數 83
14.6.5 Adaboost 性能評估 83
14.7 實驗報告要求 84
14.8 考核要求與方法 84
14.9 案例特色或創新 84
第 15 章 聚類：K-Means 算法劃分鳶尾花類別 85
15.1 教學目標 85
15.2 實驗內容與任務 85
15.3 實驗過程及要求 85
15.4 相關知識及背景 86
15.5 實驗教學與指導 86
15.5.1 數據加載 86
15.5.2 K-Means 算法原理 87
15.5.3 K-Means 算法實現 87
15.5.4 訓練并顯示聚類結果 88
15.5.5 聚類結果和原始標記進行對比 89
15.6 實驗報告要求 89
15.7 考核要求與方法 90
15.8 案例特色或創新 90
第 16 章 聚類：EM 算法估計混合高斯分布 91
16.1 教學目標 91
16.2 實驗內容與任務 91
16.3 實驗過程及要求 91
16.4 相關知識及背景 92
16.5 實驗教學與指導 92
16.5.1 EM 算法 92
16.5.2 混合高斯分布的參數計算 93
16.5.3 算法實現參考 93
16.6 實驗報告要求 95
16.7 考核要求與方法 95
16.8 案例特色或創新 95
第 17 章 強化學習：機器人導航 96
17.1 教學目標 96
17.2 實驗內容與任務 96
17.3 實驗過程及要求 97
17.4 相關知識及背景 97
17.5 實驗教學與指導 98
17.5.1 環境模型 98
17.5.2 被動學習：時序差分方法 TD Learning 98
17.5.3 主動學習：Q Learning 99
17.5.4 價值函數的線性逼近 100
17.6 實驗報告要求 101
17.7 考核要求與方法 101
17.8 案例特色或創新 102
第 18 章 強化學習：策略梯度法 103
18.1 教學目標 103
18.2 實驗內容與任務 103
18.3 實驗過程及要求 104
18.4 相關知識及背景 104
18.5 實驗教學與指導 104
18.5.1 環境模型 104
18.5.2 策略梯度法原理 105
18.5.3 策略函數的神經網絡設計與訓練 106
18.6 實驗報告要求 107
18.7 考核要求與方法 108
18.8 案例特色或創新 108
第 19 章 卷積神經網絡：手寫體數字識別 109
19.1 教學目標 109
19.2 實驗內容與任務 109
19.3 實驗過程及要求 109
19.4 相關知識及背景 110
19.5 實驗教學與指導 110
19.5.1 神經網絡與層 110
19.5.2 激活函數 111
19.5.3 損失函數與優化計算 111
19.5.4 圖像處理與卷積層 111
19.5.5 池化層 112
19.5.6 丟棄處理 Dropout 113
19.5.7 基于 Keras 的卷積神經網絡處理框架 113
19.6 實驗報告要求 114
19.7 考核要求與方法 114
19.8 案例特色或創新 114
第 20 章 循環神經網絡：電影評論情感分析 115
20.1 教學目標 115
20.2 實驗內容與任務 115
20.3 實驗過程及要求 116
20.4 相關知識及背景 116
20.5 實驗教學與指導 116
20.5.1 循環神經網絡 116
20.5.2 LSTM 網絡 117
20.5.3 詞向量與 embedding 層 118
20.5.4 基于 Keras 的 LSTM 網絡處理框架 118
20.6 實驗報告要求 119
20.7 考核要求與方法 120
20.8 案例特色或創新 120
第 21 章 生成模型：VAE 生成手寫體數字 121
21.1 教學目標 121
21.2 實驗內容與任務 121
21.3 實驗過程及要求 121
21.4 相關知識及背景 122
21.5 實驗教學與指導 122
21.5.1 VAE 模型推導 122
21.5.2 算法實現參考 123
21.5.3 模型應用：觀察 q(z|x) 125
21.5.4 模型應用：觀察 p(x|z) 126
21.6 實驗報告要求 127
21.7 考核要求與方法 127
21.8 案例特色或創新 128
第 22 章 案例 Python 實現代碼 129
22.1 啟發式搜索：A* 算法 Python 實現代碼 129
22.2 局部搜索：八皇后問題 Python 實現代碼 135
22.3 對抗與博弈：井字棋 Python 實現代碼 138
22.4 命題邏輯推理：怪獸世界 Python 實現代碼 142
22.5 貝葉斯網絡：比賽結果預測 Python 實現代碼 146
22.6 隱馬爾可夫模型：機器人定位 Python 實現代碼 149
22.7 卡爾曼濾波器：運動跟蹤 Python 實現代碼 151
22.8 馬爾可夫決策：機器人導航 Python 實現代碼 153
22.9 決策樹學習：紅酒分類 Python 實現代碼 156
22.10 線性回歸：糖尿病病情預測 Python 實現代碼 157
22.11 線性分類：乳腺癌診斷 Python 實現代碼 158
22.12 非參數學習方法 KNN：病情診斷與預測 Python 實現代碼 159
22.13 支持向量機：乳腺癌診斷 Python 實現代碼 161
22.14 Adaboost 集成學習：紅酒分類 Python 實現代碼 162
22.15 聚類：K-means 算法劃分鳶尾花類別 Python 實現代碼 163
22.16 聚類：EM 算法估計混合高斯分布 Python 實現代碼 165
22.17 強化學習：機器人導航 Python 實現代碼 168
22.18 強化學習：策略梯度法 Python 實現代碼 171
22.19 卷積神經網絡：手寫體數字識別 Python 實現代碼 173
22.20 循環神經網絡：電影評論情感分析 Python 實現代碼 175
22.21 生成模型：VAE 生成手寫體數字 Python 實現代碼 176
參考文獻 180
1.1 教學目標 1
1.2 實驗內容與任務 1
1.3 實驗過程及要求 1
1.4 相關知識及背景 2
1.5 實驗教學與指導 3
1.5.1 判斷連線是否穿過障礙物 3
1.5.2 鄰接矩陣 3
1.5.3 AI 問題求解模型 4
1.5.4 A* 算法 4
1.5.5 A* 算法的*優性 6
1.5.6 Dijkstra 算法 6
1.6 實驗報告要求 6
1.7 考核要求與方法 7
1.8 案例特色或創新 7
第 2 章 局部搜索：八皇后問題 8
2.1 教學目標 8
2.2 實驗內容與任務 8
2.3 實驗過程及要求 9
2.4 相關知識及背景 9
2.5 實驗教學與指導 9
2.5.1 目標函數定義 9
2.5.2 鄰居的定義 10
2.5.3 爬山法 10
2.5.4 爬山法的變形 12
2.5.5 模擬退火方法 13
2.6 實驗報告要求 14
2.7 考核要求與方法 14
2.8 案例特色或創新 14
第 3 章 對抗與博弈：井字棋 15
3.1 教學目標 15
3.2 實驗內容與任務 15
3.3 實驗過程及要求 15
3.4 相關知識及背景 16
3.5 實驗教學與指導 16
3.5.1 Minimax 決策 16
3.5.2 游戲模型 17
3.5.3 玩家 18
3.5.4 井字棋游戲的實現 19
3.6 實驗報告要求 21
3.7 考核要求與方法 21
3.8 案例特色或創新 21
第 4 章 命題邏輯推理：怪獸世界 22
4.1 教學目標 22
4.2 實驗內容與任務 22
4.3 實驗過程及要求 23
4.4 相關知識及背景 23
4.5 實驗教學與指導 23
4.5.1 命題邏輯 23
4.5.2 命題邏輯表達式 24
4.5.3 邏輯表達式真值判斷 26
4.5.4 基于知識庫的 AI 28
4.6 實驗報告要求 29
4.7 考核要求與方法 29
4.8 案例特色或創新 29
第 5 章 貝葉斯網絡：比賽結果預測 30
5.1 教學目標 30
5.2 實驗內容與任務 30
5.3 實驗過程及要求 30
5.4 相關知識及背景 31
5.5 實驗教學與指導 31
5.5.1 貝葉斯網絡 31
5.5.2 精確算法 32
5.5.3 拒絕采樣方法 33
5.5.4 似然加權采樣方法 33
5.5.5 Gibbs 采樣方法 34
5.6 實驗報告要求 34
5.7 考核要求與方法 35
5.8 案例特色或創新 35
第 6 章 隱馬爾可夫模型：機器人定位 36
6.1 教學目標 36
6.2 實驗內容與任務 36
6.3 實驗過程及要求 37
6.4 相關知識及背景 37
6.5 實驗教學與指導 38
6.5.1 HMM 38
6.5.2 濾波算法 38
6.5.3 平滑算法 39
6.5.4 *可能序列 40
6.6 實驗報告要求 41
6.7 考核要求與方法 41
6.8 案例特色或創新 41
第 7 章 卡爾曼濾波器：運動跟蹤 42
7.1 教學目標 42
7.2 實驗內容與任務 42
7.3 實驗過程及要求 43
7.4 相關知識及背景 43
7.5 實驗教學與指導 43
7.5.1 卡爾曼濾波器原理 43
7.5.2 卡爾曼濾波器實現 44
7.6 實驗報告要求 45
7.7 考核要求與方法 45
7.8 案例特色或創新 45
第 8 章 馬爾可夫決策：機器人導航 46
8.1 教學目標 46
8.2 實驗內容與任務 46
8.3 實驗過程及要求 47
8.4 相關知識及背景 47
8.5 實驗教學與指導 47
8.5.1 馬爾可夫決策過程 47
8.5.2 環境模型 48
8.5.3 價值迭代算法 48
8.5.4 策略評估 49
8.5.5 策略迭代算法 49
8.6 實驗報告要求 50
8.7 考核要求與方法 50
8.8 案例特色或創新 50
第 9 章 決策樹學習：紅酒分類 51
9.1 教學目標 51
9.2 實驗內容與任務 51
9.3 實驗過程及要求 52
9.4 相關知識及背景 52
9.5 實驗教學與指導 53
9.5.1 決策樹的學習算法 53
9.5.2 屬性重要性度量：熵與基尼指數 53
9.5.3 決策樹剪枝 54
9.5.4 sklearn 的決策樹模型 55
9.5.5 應用 sklearn 進行決策樹建模和評估 55
9.6 實驗報告要求 57
9.7 考核要求與方法 57
9.8 案例特色或創新 57
第 10 章 線性回歸：糖尿病病情預測 58
10.1 教學目標 58
10.2 實驗內容與任務 58
10.3 實驗過程及要求 58
10.4 相關知識及背景 59
10.5 實驗教學與指導 59
10.5.1 線性回歸 59
10.5.2 正則化 59
10.6 實驗原理及方案 60
10.6.1 數據加載 60
10.6.2 分析計算 60
10.6.3 Keras 實現線性回歸 61
10.6.4 擬合程度的評價 61
10.6.5 正則化 61
10.7 實驗報告要求 61
10.8 考核要求與方法 62
10.9 案例特色或創新 62
第 11 章 線性分類：乳腺癌診斷 63
11.1 教學目標 63
11.2 實驗內容與任務 63
11.3 實驗過程及要求 63
11.4 相關知識及背景 64
11.5 實驗教學與指導 64
11.5.1 硬閾值線性分類 64
11.5.2 Logistic 分類 65
11.6 實驗原理及方案 65
11.6.1 數據加載 66
11.6.2 硬閾值線性分類 66
11.6.3 Logistic 分類計算 67
11.7 實驗報告要求 67
11.8 考核要求與方法 68
11.9 案例特色或創新 68
第 12 章 非參數學習方法 KNN：病情診斷與預測 69
12.1 教學目標 69
12.2 實驗內容與任務 69
12.3 實驗過程及要求 69
12.4 相關知識及背景 69
12.5 實驗教學與指導 70
12.5.1 KNN 分類和回歸 70
12.5.2 距離與維度 70
12.5.3 算法時間性能 70
12.6 實驗原理及方案 71
12.6.1 KNN 分類 71
12.6.2 KNN 回歸 72
12.7 實驗報告要求 73
12.8 考核要求與方法 73
12.9 案例特色或創新 73
第 13 章 支持向量機：乳腺癌診斷 74
13.1 教學目標 74
13.2 實驗內容與任務 74
13.3 實驗過程及要求 74
13.4 相關知識及背景 74
13.5 實驗教學與指導 75
13.5.1 *大分離間隔 75
13.5.2 傳統優化過程及意義 76
13.5.3 松弛問題 76
13.5.4 特征變換與核函數 77
13.5.5 現代觀點 77
13.6 實驗原理及方案 77
13.6.1 加載乳腺癌數據集，按 7 : 3 劃分訓練集和測試集 77
13.6.2 自定義 Loss 函數 78
13.6.3 建立神經網絡模型并訓練 78
13.6.4 評估模型 78
13.7 實驗報告要求 79
13.8 考核要求與方法 79
13.9 案例特色或創新 79
第 14 章 Adaboost 集成學習：紅酒分類 80
14.1 教學目標 80
14.2 實驗內容與任務 80
14.3 實驗過程及要求 80
14.4 相關知識及背景 80
14.5 實驗教學與指導 81
14.5.1 樣本加權 81
14.5.2 分類器加權 81
14.5.3 Adaboost 分類算法 81
14.6 實驗原理及方案 82
14.6.1 加載 wine 數據集，按 7 : 3 劃分訓練集和測試集 82
14.6.2 定義加權投票函數 82
14.6.3 Adaboost 訓練函數 83
14.6.4 Adaboost 預測函數 83
14.6.5 Adaboost 性能評估 83
14.7 實驗報告要求 84
14.8 考核要求與方法 84
14.9 案例特色或創新 84
第 15 章 聚類：K-Means 算法劃分鳶尾花類別 85
15.1 教學目標 85
15.2 實驗內容與任務 85
15.3 實驗過程及要求 85
15.4 相關知識及背景 86
15.5 實驗教學與指導 86
15.5.1 數據加載 86
15.5.2 K-Means 算法原理 87
15.5.3 K-Means 算法實現 87
15.5.4 訓練并顯示聚類結果 88
15.5.5 聚類結果和原始標記進行對比 89
15.6 實驗報告要求 89
15.7 考核要求與方法 90
15.8 案例特色或創新 90
第 16 章 聚類：EM 算法估計混合高斯分布 91
16.1 教學目標 91
16.2 實驗內容與任務 91
16.3 實驗過程及要求 91
16.4 相關知識及背景 92
16.5 實驗教學與指導 92
16.5.1 EM 算法 92
16.5.2 混合高斯分布的參數計算 93
16.5.3 算法實現參考 93
16.6 實驗報告要求 95
16.7 考核要求與方法 95
16.8 案例特色或創新 95
第 17 章 強化學習：機器人導航 96
17.1 教學目標 96
17.2 實驗內容與任務 96
17.3 實驗過程及要求 97
17.4 相關知識及背景 97
17.5 實驗教學與指導 98
17.5.1 環境模型 98
17.5.2 被動學習：時序差分方法 TD Learning 98
17.5.3 主動學習：Q Learning 99
17.5.4 價值函數的線性逼近 100
17.6 實驗報告要求 101
17.7 考核要求與方法 101
17.8 案例特色或創新 102
第 18 章 強化學習：策略梯度法 103
18.1 教學目標 103
18.2 實驗內容與任務 103
18.3 實驗過程及要求 104
18.4 相關知識及背景 104
18.5 實驗教學與指導 104
18.5.1 環境模型 104
18.5.2 策略梯度法原理 105
18.5.3 策略函數的神經網絡設計與訓練 106
18.6 實驗報告要求 107
18.7 考核要求與方法 108
18.8 案例特色或創新 108
第 19 章 卷積神經網絡：手寫體數字識別 109
19.1 教學目標 109
19.2 實驗內容與任務 109
19.3 實驗過程及要求 109
19.4 相關知識及背景 110
19.5 實驗教學與指導 110
19.5.1 神經網絡與層 110
19.5.2 激活函數 111
19.5.3 損失函數與優化計算 111
19.5.4 圖像處理與卷積層 111
19.5.5 池化層 112
19.5.6 丟棄處理 Dropout 113
19.5.7 基于 Keras 的卷積神經網絡處理框架 113
19.6 實驗報告要求 114
19.7 考核要求與方法 114
19.8 案例特色或創新 114
第 20 章 循環神經網絡：電影評論情感分析 115
20.1 教學目標 115
20.2 實驗內容與任務 115
20.3 實驗過程及要求 116
20.4 相關知識及背景 116
20.5 實驗教學與指導 116
20.5.1 循環神經網絡 116
20.5.2 LSTM 網絡 117
20.5.3 詞向量與 embedding 層 118
20.5.4 基于 Keras 的 LSTM 網絡處理框架 118
20.6 實驗報告要求 119
20.7 考核要求與方法 120
20.8 案例特色或創新 120
第 21 章 生成模型：VAE 生成手寫體數字 121
21.1 教學目標 121
21.2 實驗內容與任務 121
21.3 實驗過程及要求 121
21.4 相關知識及背景 122
21.5 實驗教學與指導 122
21.5.1 VAE 模型推導 122
21.5.2 算法實現參考 123
21.5.3 模型應用：觀察 q(z|x) 125
21.5.4 模型應用：觀察 p(x|z) 126
21.6 實驗報告要求 127
21.7 考核要求與方法 127
21.8 案例特色或創新 128
第 22 章 案例 Python 實現代碼 129
22.1 啟發式搜索：A* 算法 Python 實現代碼 129
22.2 局部搜索：八皇后問題 Python 實現代碼 135
22.3 對抗與博弈：井字棋 Python 實現代碼 138
22.4 命題邏輯推理：怪獸世界 Python 實現代碼 142
22.5 貝葉斯網絡：比賽結果預測 Python 實現代碼 146
22.6 隱馬爾可夫模型：機器人定位 Python 實現代碼 149
22.7 卡爾曼濾波器：運動跟蹤 Python 實現代碼 151
22.8 馬爾可夫決策：機器人導航 Python 實現代碼 153
22.9 決策樹學習：紅酒分類 Python 實現代碼 156
22.10 線性回歸：糖尿病病情預測 Python 實現代碼 157
22.11 線性分類：乳腺癌診斷 Python 實現代碼 158
22.12 非參數學習方法 KNN：病情診斷與預測 Python 實現代碼 159
22.13 支持向量機：乳腺癌診斷 Python 實現代碼 161
22.14 Adaboost 集成學習：紅酒分類 Python 實現代碼 162
22.15 聚類：K-means 算法劃分鳶尾花類別 Python 實現代碼 163
22.16 聚類：EM 算法估計混合高斯分布 Python 實現代碼 165
22.17 強化學習：機器人導航 Python 實現代碼 168
22.18 強化學習：策略梯度法 Python 實現代碼 171
22.19 卷積神經網絡：手寫體數字識別 Python 實現代碼 173
22.20 循環神經網絡：電影評論情感分析 Python 實現代碼 175
22.21 生成模型：VAE 生成手寫體數字 Python 實現代碼 176
參考文獻 180
展開全部
書友推薦
- >
莉莉和章魚
- >
二體千字文
- >
有舍有得是人生
- >
我與地壇
- >
苦雨齋序跋文-周作人自編集
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
月亮虎
- >
小考拉的故事-套裝共3冊
本類暢銷
