掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
深入淺出人工智能——原理、技術(shù)與應(yīng)用
包郵 深入淺出人工智能——原理、技術(shù)與應(yīng)用
開本：
16開
頁(yè)數(shù)：
206
本類五星書更多>
-
>
貨幣大歷史:金融霸權(quán)與大國(guó)興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報(bào)》2021合訂本
-
>
(精)中國(guó)當(dāng)代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權(quán)力之路
-
>
書里掉出來(lái)一只狼+狼的故事-全2冊(cè)
-
>
奇思妙想創(chuàng)意玩具書(精裝4冊(cè))
中圖價(jià):¥63.2
加入購(gòu)物車
深入淺出人工智能——原理、技術(shù)與應(yīng)用 版權(quán)信息
- ISBN：9787115655394
- 條形碼：9787115655394 ; 978-7-115-65539-4
- 裝幀：平裝
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：
深入淺出人工智能——原理、技術(shù)與應(yīng)用 本書特色
1、專業(yè)作者團(tuán)隊(duì)：微軟AI產(chǎn)品一線研發(fā)人員“心經(jīng)”，教學(xué)方式深入淺出。
2、零基礎(chǔ)入門：幫助初學(xué)者構(gòu)建全面系統(tǒng)的AI知識(shí)體系，高效學(xué)習(xí)AI技術(shù)。
3、系統(tǒng)的知識(shí)體系：從數(shù)據(jù)預(yù)處理、數(shù)據(jù)可視化，到監(jiān)督學(xué)習(xí)模型、無(wú)監(jiān)督學(xué)習(xí)算法、深度神經(jīng)網(wǎng)絡(luò)的原理，再到AI模型的訓(xùn)練、優(yōu)化、性能度量，涵蓋AI應(yīng)用的全生命周期。
4、理論與應(yīng)用并重：介紹各個(gè)AI模型的應(yīng)用場(chǎng)景，包含回歸、分類、聚類、圖像處理、語(yǔ)音處理、自然語(yǔ)言處理，并介紹智能對(duì)話系統(tǒng)和知識(shí)圖譜。
深入淺出人工智能——原理、技術(shù)與應(yīng)用 內(nèi)容簡(jiǎn)介
本書旨在幫助讀者從零開始學(xué)習(xí)人工智能，掌握人工智能的原理、技術(shù)和應(yīng)用。 本書共10章，首先是人工智能概述，接著深入淺出地講解人工智能的原理和技術(shù)，包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)基礎(chǔ)、監(jiān)督學(xué)習(xí)模型、無(wú)監(jiān)督學(xué)習(xí)算法、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)等內(nèi)容，*后講解人工智能的應(yīng)用，包括智能對(duì)話和知識(shí)圖譜。 本書適合想要學(xué)習(xí)并掌握人工智能技術(shù)和應(yīng)用的零基礎(chǔ)讀者閱讀，還可以作為高等院校人工智能相關(guān)課程的教材或輔導(dǎo)書。
深入淺出人工智能——原理、技術(shù)與應(yīng)用 目錄
第 1 章 人工智能概述 1
1.1 人工智能的定義 1
1.2 人工智能的發(fā)展史 4
1.2.1 “深藍(lán)”戰(zhàn)勝人類 4
1.2.2 AlphaGo 5
1.3 人工智能的技術(shù)原理 6
1.3.1 機(jī)器學(xué)習(xí)和深度學(xué)習(xí) 6
1.3.2 機(jī)器學(xué)習(xí)三要素 8
1.4 人工智能的應(yīng)用方向 9
1.4.1 深度學(xué)習(xí)應(yīng)用的四大領(lǐng)域 9
1.4.2 人工智能的應(yīng)用場(chǎng)景 …10
1.5 人工智能的影響 …13
1.5.1 人類和機(jī)器 …14
1.5.2 人工智能對(duì)法律的沖擊 …14
1.6 人工智能崗位概述 …15
第 2 章 數(shù)據(jù)預(yù)處理 18
2.1 什么是數(shù)據(jù)預(yù)處理 …18
2.1.1 數(shù)據(jù)處理的流程 …18
2.1.2 數(shù)據(jù)質(zhì)量 …18
2.1.3 數(shù)據(jù)預(yù)處理的必要性 …19
2.2 數(shù)據(jù)清洗 …20
2.2.1 冗余值處理 …20
2.2.2 異常處理 …21
2.2.3 缺失值處理 …22
2.3 特征工程 …24
2.3.1 特征工程的必要性 …24
2.3.2 特征構(gòu)造 …25
2.3.3 特征篩選 …26
2.3.4 特征編碼 …26
2.3.5 數(shù)據(jù)離散化 …28
2.3.6 數(shù)據(jù)歸一化和數(shù)據(jù)標(biāo)準(zhǔn)化 …29
第 3 章 數(shù)據(jù)可視化 30
3.1 數(shù)據(jù)可視化基礎(chǔ) …30
3.2 數(shù)據(jù)可視化原則 …34
3.2.1 讓數(shù)據(jù)“說(shuō)話” …34
3.2.2 尊重事實(shí) …35
3.2.3 適當(dāng)標(biāo)注 …36
3.2.4 善用對(duì)比 …37
3.2.5 內(nèi)容重于形式 …37
3.2.6 風(fēng)格一致 …38
3.3 常用的數(shù)據(jù)可視化圖表 …38
3.3.1 單變量圖表 …39
3.3.2 多變量圖表 …41
3.3.3 復(fù)合圖表 …44
3.3.4 高維數(shù)據(jù)可視化 …46
3.3.5 可視化圖表的選擇 …48
3.4 數(shù)據(jù)可視化與人工智能 …49
3.4.1 數(shù)據(jù)分析與模型選擇 …49
3.4.2 模型跟蹤 …50
3.4.3 模型理解 …52
3.5 數(shù)據(jù)可視化與道德的關(guān)系 …53
第 4 章 機(jī)器學(xué)習(xí)基礎(chǔ) 55
4.1 機(jī)器學(xué)習(xí)基本概念 …55
4.1.1 機(jī)器學(xué)習(xí)的定義 …55
4.1.2 機(jī)器學(xué)習(xí)和人工智能的關(guān)系 …56
4.1.3 監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí) …57
4.1.4 模型、數(shù)據(jù)和算法 …59
4.2 認(rèn)識(shí)機(jī)器學(xué)習(xí)的經(jīng)典模型及其應(yīng)用方法 …62
4.2.1 經(jīng)典模型概覽 …62
4.2.2 模型的難易度曲線 …63
4.2.3 如何應(yīng)用模型 …64
4.2.4 怎樣才算學(xué)會(huì)了一個(gè)模型呢 …66
4.2.5 研發(fā)新模型 …67
4.3 模型的生命周期 …67
4.3.1 認(rèn)識(shí)模型的生命周期 …67
4.3.2 數(shù)據(jù)處理階段 …68
4.3.3 模型生成階段 …71
4.3.4 模型使用階段 …80
4.3.5 人工智能模型的局限性 …82
第 5 章 監(jiān)督學(xué)習(xí)模型 83
5.1 監(jiān)督學(xué)習(xí)概述 …83
5.2 線性回歸模型 …84
5.2.1 線性回歸的定義 …84
5.2.2 一元線性回歸 …85
5.2.3 使用梯度下降法求解線性回歸模型 …88
5.3 處理分類問題 …89
5.3.1 分類任務(wù) …89
5.3.2 能否使用線性回歸模型解決分類問題 …90
5.4 邏輯回歸模型 …91
5.4.1 邏輯回歸模型的原理 …91
5.4.2 使用邏輯回歸模型解決多分類問題 …94
5.5 貝葉斯分類器 …94
5.5.1 貝葉斯公式 …94
5.5.2 樸素貝葉斯分類器 …95
5.6 決策樹 …98
5.6.1 ID3 算法100
5.6.2 C45 算法 101
5.6.3 CART 算法102
5.6.4 決策樹的剪枝 102
5.7 KNN 算法103
第 6 章 無(wú)監(jiān)督學(xué)習(xí)算法 105
6.1 無(wú)監(jiān)督學(xué)習(xí)概述 105
6.1.1 監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí) 105
6.1.2 無(wú)監(jiān)督學(xué)習(xí)的意義 106
6.2 聚類 107
6.2.1 聚類的定義 107
6.2.2 聚類問題中的相似度與距離 108
6.2.3 k 均值算法 109
6.2.4 譜聚類 110
6.3 參數(shù)估計(jì) 112
6.3.1 高斯分布 113
6.3.2 高斯混合模型 114
6.4 降維 115
6.4.1 降維的意義 115
6.4.2 主成分分析 116
第 7 章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 119
7.1 認(rèn)識(shí)神經(jīng)網(wǎng)絡(luò) 119
7.1.1 神經(jīng)網(wǎng)絡(luò)的定義 119
7.1.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 120
7.2 神經(jīng)網(wǎng)絡(luò)的歷史和推理 120
7.2.1 神經(jīng)網(wǎng)絡(luò)的發(fā)明 120
7.2.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程 121
7.2.3 神經(jīng)網(wǎng)絡(luò)的推理 124
7.3 全連接神經(jīng)網(wǎng)絡(luò) 125
7.3.1 全連接神經(jīng)網(wǎng)絡(luò)的定義 125
7.3.2 全連接神經(jīng)網(wǎng)絡(luò)的推理 128
7.3.3 全連接神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 130
7.4 詳解神經(jīng)網(wǎng)絡(luò)的推理和訓(xùn)練 131
7.4.1 單神經(jīng)元全連接神經(jīng)網(wǎng)絡(luò) 131
7.4.2 雙層全連接神經(jīng)網(wǎng)絡(luò) 133
7.4.3 梯度消失與梯度爆炸及其解決方法 135
7.4.4 深度神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 137
7.5 更多類型的神經(jīng)網(wǎng)絡(luò) 140
7.5.1 卷積神經(jīng)網(wǎng)絡(luò) 140
7.5.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 141
7.5.3 LSTM 網(wǎng)絡(luò) 142
7.5.4 GRU 網(wǎng)絡(luò) 143
7.5.5 注意力機(jī)制 143
7.5.6 自注意力機(jī)制 144
7.5.7 Transformer 144
7.6 經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型 145
7.6.1 圖像處理領(lǐng)域的經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 145
7.6.2 語(yǔ)音處理領(lǐng)域的經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 148
7.6.3 自然語(yǔ)言處理領(lǐng)域的經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 149
7.7 深度學(xué)習(xí)面臨的挑戰(zhàn) 150
第 8 章 訓(xùn)練深度神經(jīng)網(wǎng)絡(luò) 152
8.1 數(shù)據(jù)預(yù)處理 152
8.1.1 幾種常見的數(shù)據(jù)預(yù)處理方式 152
8.1.2 數(shù)據(jù)預(yù)處理對(duì)模型訓(xùn)練的影響 154
8.2 權(quán)重初始化 156
8.2.1 權(quán)重初始化對(duì)模型訓(xùn)練的影響 156
8.2.2 對(duì)模型進(jìn)行初始化的方法 156
8.3 模型優(yōu)化算法 158
8.3.1 梯度下降法 159
8.3.2 動(dòng)量隨機(jī)梯度下降法 162
8.3.3 AdaGrad 和 RMSProp 算法 163
8.3.4 Adam 算法 164
8.3.5 不同優(yōu)化算法的對(duì)比 165
8.4 正則化 165
8.4.1 模型的正則化 166
8.4.2 L1/L2 正則化 166
8.4.3 Dropout 167
8.4.4 批標(biāo)準(zhǔn)化 168
8.4.5 正則化方法的選擇 170
8.4.6 數(shù)據(jù)增強(qiáng) 170
8.5 學(xué)習(xí)率和提前停止 170
8.5.1 學(xué)習(xí)率對(duì)模型訓(xùn)練的影響 170
8.5.2 學(xué)習(xí)率衰減 171
8.5.3 提前停止 172
8.6 模型訓(xùn)練技巧 173
第 9 章 智能對(duì)話 174
9.1 智能對(duì)話系統(tǒng)概述 174
9.1.1 認(rèn)識(shí)智能對(duì)話系統(tǒng) 174
9.1.2 智能對(duì)話系統(tǒng)的類別 175
9.1.3 智能對(duì)話系統(tǒng)的技術(shù)方向 175
9.1.4 智能對(duì)話系統(tǒng)的歷史演進(jìn) 176
9.2 自然語(yǔ)言理解模塊 177
9.2.1 自然語(yǔ)言理解模塊的作用 177
9.2.2 自然語(yǔ)言理解模塊的核心技術(shù) 178
9.3 知識(shí)庫(kù)模塊 179
9.3.1 FAQ 知識(shí)庫(kù) 179
9.3.2 基于結(jié)構(gòu)化數(shù)據(jù)庫(kù)的知識(shí)庫(kù) 180
9.3.3 基于知識(shí)圖譜的知識(shí)庫(kù) 180
9.4 對(duì)話流程管理模塊 181
第 10 章 知識(shí)圖譜 182
10.1 認(rèn)識(shí)知識(shí)圖譜 182
10.1.1 知識(shí)的定義 182
10.1.2 知識(shí)圖譜的定義 183
10.1.3 知識(shí)圖譜的直觀表示方法 183
10.1.4 知識(shí)圖譜的作用 184
10.1.5 基于知識(shí)圖譜的操作 185
10.2 知識(shí)圖譜的數(shù)據(jù)模型 185
10.2.1 三元組 185
10.2.2 屬性圖模型 187
10.3 知識(shí)圖譜的本體及其影響 189
10.3.1 認(rèn)識(shí)知識(shí)圖譜的本體 189
10.3.2 知識(shí)圖譜本體的影響 191
10.4 知識(shí)圖譜的構(gòu)建 193
10.4.1 知識(shí)抽取 193
10.4.2 結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 194
10.4.3 非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 195
10.4.4 半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 198
10.5 知識(shí)圖譜的存儲(chǔ) 198
10.5.1 基于 RDF 的知識(shí)圖譜存儲(chǔ) 198
10.5.2 基于圖數(shù)據(jù)庫(kù)的知識(shí)圖譜存儲(chǔ) 199
10.5.3 圖引擎技術(shù) 199
10.6 基于知識(shí)圖譜的應(yīng)用 199
10.6.1 智能對(duì)話系統(tǒng)的知識(shí)庫(kù) 200
10.6.2 作為檢索入口的頂點(diǎn)和邊 200
10.6.3 知識(shí)圖譜對(duì)對(duì)話流程的支持 200
10.7 構(gòu)建一個(gè)屬于自己的知識(shí)圖譜 202
10.7.1 SmartKG 202
10.7.2 知識(shí)圖譜模板 202
10.7.3 知識(shí)圖譜的可視化、知識(shí)查找及智能對(duì)話 204
1.1 人工智能的定義 1
1.2 人工智能的發(fā)展史 4
1.2.1 “深藍(lán)”戰(zhàn)勝人類 4
1.2.2 AlphaGo 5
1.3 人工智能的技術(shù)原理 6
1.3.1 機(jī)器學(xué)習(xí)和深度學(xué)習(xí) 6
1.3.2 機(jī)器學(xué)習(xí)三要素 8
1.4 人工智能的應(yīng)用方向 9
1.4.1 深度學(xué)習(xí)應(yīng)用的四大領(lǐng)域 9
1.4.2 人工智能的應(yīng)用場(chǎng)景 …10
1.5 人工智能的影響 …13
1.5.1 人類和機(jī)器 …14
1.5.2 人工智能對(duì)法律的沖擊 …14
1.6 人工智能崗位概述 …15
第 2 章 數(shù)據(jù)預(yù)處理 18
2.1 什么是數(shù)據(jù)預(yù)處理 …18
2.1.1 數(shù)據(jù)處理的流程 …18
2.1.2 數(shù)據(jù)質(zhì)量 …18
2.1.3 數(shù)據(jù)預(yù)處理的必要性 …19
2.2 數(shù)據(jù)清洗 …20
2.2.1 冗余值處理 …20
2.2.2 異常處理 …21
2.2.3 缺失值處理 …22
2.3 特征工程 …24
2.3.1 特征工程的必要性 …24
2.3.2 特征構(gòu)造 …25
2.3.3 特征篩選 …26
2.3.4 特征編碼 …26
2.3.5 數(shù)據(jù)離散化 …28
2.3.6 數(shù)據(jù)歸一化和數(shù)據(jù)標(biāo)準(zhǔn)化 …29
第 3 章 數(shù)據(jù)可視化 30
3.1 數(shù)據(jù)可視化基礎(chǔ) …30
3.2 數(shù)據(jù)可視化原則 …34
3.2.1 讓數(shù)據(jù)“說(shuō)話” …34
3.2.2 尊重事實(shí) …35
3.2.3 適當(dāng)標(biāo)注 …36
3.2.4 善用對(duì)比 …37
3.2.5 內(nèi)容重于形式 …37
3.2.6 風(fēng)格一致 …38
3.3 常用的數(shù)據(jù)可視化圖表 …38
3.3.1 單變量圖表 …39
3.3.2 多變量圖表 …41
3.3.3 復(fù)合圖表 …44
3.3.4 高維數(shù)據(jù)可視化 …46
3.3.5 可視化圖表的選擇 …48
3.4 數(shù)據(jù)可視化與人工智能 …49
3.4.1 數(shù)據(jù)分析與模型選擇 …49
3.4.2 模型跟蹤 …50
3.4.3 模型理解 …52
3.5 數(shù)據(jù)可視化與道德的關(guān)系 …53
第 4 章 機(jī)器學(xué)習(xí)基礎(chǔ) 55
4.1 機(jī)器學(xué)習(xí)基本概念 …55
4.1.1 機(jī)器學(xué)習(xí)的定義 …55
4.1.2 機(jī)器學(xué)習(xí)和人工智能的關(guān)系 …56
4.1.3 監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí) …57
4.1.4 模型、數(shù)據(jù)和算法 …59
4.2 認(rèn)識(shí)機(jī)器學(xué)習(xí)的經(jīng)典模型及其應(yīng)用方法 …62
4.2.1 經(jīng)典模型概覽 …62
4.2.2 模型的難易度曲線 …63
4.2.3 如何應(yīng)用模型 …64
4.2.4 怎樣才算學(xué)會(huì)了一個(gè)模型呢 …66
4.2.5 研發(fā)新模型 …67
4.3 模型的生命周期 …67
4.3.1 認(rèn)識(shí)模型的生命周期 …67
4.3.2 數(shù)據(jù)處理階段 …68
4.3.3 模型生成階段 …71
4.3.4 模型使用階段 …80
4.3.5 人工智能模型的局限性 …82
第 5 章 監(jiān)督學(xué)習(xí)模型 83
5.1 監(jiān)督學(xué)習(xí)概述 …83
5.2 線性回歸模型 …84
5.2.1 線性回歸的定義 …84
5.2.2 一元線性回歸 …85
5.2.3 使用梯度下降法求解線性回歸模型 …88
5.3 處理分類問題 …89
5.3.1 分類任務(wù) …89
5.3.2 能否使用線性回歸模型解決分類問題 …90
5.4 邏輯回歸模型 …91
5.4.1 邏輯回歸模型的原理 …91
5.4.2 使用邏輯回歸模型解決多分類問題 …94
5.5 貝葉斯分類器 …94
5.5.1 貝葉斯公式 …94
5.5.2 樸素貝葉斯分類器 …95
5.6 決策樹 …98
5.6.1 ID3 算法100
5.6.2 C45 算法 101
5.6.3 CART 算法102
5.6.4 決策樹的剪枝 102
5.7 KNN 算法103
第 6 章 無(wú)監(jiān)督學(xué)習(xí)算法 105
6.1 無(wú)監(jiān)督學(xué)習(xí)概述 105
6.1.1 監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí) 105
6.1.2 無(wú)監(jiān)督學(xué)習(xí)的意義 106
6.2 聚類 107
6.2.1 聚類的定義 107
6.2.2 聚類問題中的相似度與距離 108
6.2.3 k 均值算法 109
6.2.4 譜聚類 110
6.3 參數(shù)估計(jì) 112
6.3.1 高斯分布 113
6.3.2 高斯混合模型 114
6.4 降維 115
6.4.1 降維的意義 115
6.4.2 主成分分析 116
第 7 章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 119
7.1 認(rèn)識(shí)神經(jīng)網(wǎng)絡(luò) 119
7.1.1 神經(jīng)網(wǎng)絡(luò)的定義 119
7.1.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 120
7.2 神經(jīng)網(wǎng)絡(luò)的歷史和推理 120
7.2.1 神經(jīng)網(wǎng)絡(luò)的發(fā)明 120
7.2.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程 121
7.2.3 神經(jīng)網(wǎng)絡(luò)的推理 124
7.3 全連接神經(jīng)網(wǎng)絡(luò) 125
7.3.1 全連接神經(jīng)網(wǎng)絡(luò)的定義 125
7.3.2 全連接神經(jīng)網(wǎng)絡(luò)的推理 128
7.3.3 全連接神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 130
7.4 詳解神經(jīng)網(wǎng)絡(luò)的推理和訓(xùn)練 131
7.4.1 單神經(jīng)元全連接神經(jīng)網(wǎng)絡(luò) 131
7.4.2 雙層全連接神經(jīng)網(wǎng)絡(luò) 133
7.4.3 梯度消失與梯度爆炸及其解決方法 135
7.4.4 深度神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 137
7.5 更多類型的神經(jīng)網(wǎng)絡(luò) 140
7.5.1 卷積神經(jīng)網(wǎng)絡(luò) 140
7.5.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 141
7.5.3 LSTM 網(wǎng)絡(luò) 142
7.5.4 GRU 網(wǎng)絡(luò) 143
7.5.5 注意力機(jī)制 143
7.5.6 自注意力機(jī)制 144
7.5.7 Transformer 144
7.6 經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型 145
7.6.1 圖像處理領(lǐng)域的經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 145
7.6.2 語(yǔ)音處理領(lǐng)域的經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 148
7.6.3 自然語(yǔ)言處理領(lǐng)域的經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 149
7.7 深度學(xué)習(xí)面臨的挑戰(zhàn) 150
第 8 章 訓(xùn)練深度神經(jīng)網(wǎng)絡(luò) 152
8.1 數(shù)據(jù)預(yù)處理 152
8.1.1 幾種常見的數(shù)據(jù)預(yù)處理方式 152
8.1.2 數(shù)據(jù)預(yù)處理對(duì)模型訓(xùn)練的影響 154
8.2 權(quán)重初始化 156
8.2.1 權(quán)重初始化對(duì)模型訓(xùn)練的影響 156
8.2.2 對(duì)模型進(jìn)行初始化的方法 156
8.3 模型優(yōu)化算法 158
8.3.1 梯度下降法 159
8.3.2 動(dòng)量隨機(jī)梯度下降法 162
8.3.3 AdaGrad 和 RMSProp 算法 163
8.3.4 Adam 算法 164
8.3.5 不同優(yōu)化算法的對(duì)比 165
8.4 正則化 165
8.4.1 模型的正則化 166
8.4.2 L1/L2 正則化 166
8.4.3 Dropout 167
8.4.4 批標(biāo)準(zhǔn)化 168
8.4.5 正則化方法的選擇 170
8.4.6 數(shù)據(jù)增強(qiáng) 170
8.5 學(xué)習(xí)率和提前停止 170
8.5.1 學(xué)習(xí)率對(duì)模型訓(xùn)練的影響 170
8.5.2 學(xué)習(xí)率衰減 171
8.5.3 提前停止 172
8.6 模型訓(xùn)練技巧 173
第 9 章 智能對(duì)話 174
9.1 智能對(duì)話系統(tǒng)概述 174
9.1.1 認(rèn)識(shí)智能對(duì)話系統(tǒng) 174
9.1.2 智能對(duì)話系統(tǒng)的類別 175
9.1.3 智能對(duì)話系統(tǒng)的技術(shù)方向 175
9.1.4 智能對(duì)話系統(tǒng)的歷史演進(jìn) 176
9.2 自然語(yǔ)言理解模塊 177
9.2.1 自然語(yǔ)言理解模塊的作用 177
9.2.2 自然語(yǔ)言理解模塊的核心技術(shù) 178
9.3 知識(shí)庫(kù)模塊 179
9.3.1 FAQ 知識(shí)庫(kù) 179
9.3.2 基于結(jié)構(gòu)化數(shù)據(jù)庫(kù)的知識(shí)庫(kù) 180
9.3.3 基于知識(shí)圖譜的知識(shí)庫(kù) 180
9.4 對(duì)話流程管理模塊 181
第 10 章 知識(shí)圖譜 182
10.1 認(rèn)識(shí)知識(shí)圖譜 182
10.1.1 知識(shí)的定義 182
10.1.2 知識(shí)圖譜的定義 183
10.1.3 知識(shí)圖譜的直觀表示方法 183
10.1.4 知識(shí)圖譜的作用 184
10.1.5 基于知識(shí)圖譜的操作 185
10.2 知識(shí)圖譜的數(shù)據(jù)模型 185
10.2.1 三元組 185
10.2.2 屬性圖模型 187
10.3 知識(shí)圖譜的本體及其影響 189
10.3.1 認(rèn)識(shí)知識(shí)圖譜的本體 189
10.3.2 知識(shí)圖譜本體的影響 191
10.4 知識(shí)圖譜的構(gòu)建 193
10.4.1 知識(shí)抽取 193
10.4.2 結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 194
10.4.3 非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 195
10.4.4 半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 198
10.5 知識(shí)圖譜的存儲(chǔ) 198
10.5.1 基于 RDF 的知識(shí)圖譜存儲(chǔ) 198
10.5.2 基于圖數(shù)據(jù)庫(kù)的知識(shí)圖譜存儲(chǔ) 199
10.5.3 圖引擎技術(shù) 199
10.6 基于知識(shí)圖譜的應(yīng)用 199
10.6.1 智能對(duì)話系統(tǒng)的知識(shí)庫(kù) 200
10.6.2 作為檢索入口的頂點(diǎn)和邊 200
10.6.3 知識(shí)圖譜對(duì)對(duì)話流程的支持 200
10.7 構(gòu)建一個(gè)屬于自己的知識(shí)圖譜 202
10.7.1 SmartKG 202
10.7.2 知識(shí)圖譜模板 202
10.7.3 知識(shí)圖譜的可視化、知識(shí)查找及智能對(duì)話 204
展開全部
深入淺出人工智能——原理、技術(shù)與應(yīng)用 作者簡(jiǎn)介
本書深入淺出地講解人工智能的原理、技術(shù)和應(yīng)用方法。本書從基礎(chǔ)概念入手，逐步深入到前沿算法與實(shí)際應(yīng)用，旨在幫助讀者從理論學(xué)習(xí)到實(shí)際操作，系統(tǒng)性地掌握人工智能的相關(guān)知識(shí)。 本書共10章，首先對(duì)人工智能進(jìn)行概述介紹，其次講解人工智能的原理和技術(shù)，包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)基礎(chǔ)、有監(jiān)督學(xué)習(xí)模型、無(wú)監(jiān)督學(xué)習(xí)模型、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，最后講解人工智能的應(yīng)用，包括智能對(duì)話與虛擬主播、知識(shí)圖譜。
書友推薦
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
莉莉和章魚
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語(yǔ))
- >
詩(shī)經(jīng)-先民的歌唱
- >
姑媽的寶刀
- >
李白與唐代文化
- >
巴金－再思錄
- >
月亮虎
本類暢銷
