中图网

>

人工智能

深入浅出人工智能(第2版)

作者：[德]沃尔夫冈·埃特尔（Wolfgang

出版社：清华大学出版社出版时间：2020-01-01

开本： 16开 页数： 312

本类榜单：计算机/网络销量榜

中图价:¥44.9(7.5折) 定价 ~~¥59.8~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥44.9 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

深入浅出人工智能(第2版) 版权信息

ISBN：9787302541653
条形码：9787302541653 ; 978-7-302-54165-3
装帧：平装-胶订
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
人工智能

深入浅出人工智能(第2版) 本书特色

主要内容 ● 给出聚焦应用和进行实际操作的学习方法，同时提供包含辅助教学资源的网站。 ● 包含许多研究习题和答案、例子、定义、理论以及富含说服力的卡通插图。 ● 包括谓词逻辑、Prolog、启发式搜索、概率推理、机器学习与数据挖掘、神经网络和强化学习等知识。 ● 报告深度学习的进展，这些进展包括应用神经网络去产生有创造性的内容，如文本、音乐和艺术(★新增内容)。 ● 分析聚类算法的性能评估，给出两个能解释贝叶斯定理的例子以及它们在日常生活中的相关性(★新增内容)。 ● 讨论搜索算法，分析循环校验，解释车辆导航系统的路径规划，还介绍蒙特卡洛树搜索(★新增内容)。 ● 讨论人工智能在就业和交通方面的应用(★新增内容)。

深入浅出人工智能(第2版) 内容简介

《深入浅出人工智能(第2版)》通俗易懂且引人入胜，提供了对人工智能(AI)这一激动人心领域的准确介绍，内容覆盖人工智能领域的主要子学科，描述了智能体、逻辑、搜索、不确定性推理、机器学习、神经网络和强化学习等子学科的实际算法和具体应用。除了对上一版进行大幅修改和更新外，《深入浅出人工智能(第2版)》还包括对深度学习这一新内容的介绍。

深入浅出人工智能(第2版) 目录

第1章导论 1
1.1 什么是人工智能 1
1.1.1 脑科学与问题求解 3
1.1.2 图灵测试及聊天机器人 5
1.2 AI的历史 5
1.2.1 人工智能的开始 8
1.2.2 基于逻辑的问题求解 8
1.2.3 新联接主义 9
1.2.4 不确定性推理 9
1.2.5 分布式的自治且有学习能力的智能体 10
1.2.6 人工智能的进一步发展 10
1.2.7 人工智能革命 10
1.3 人工智能与社会 11
1.3.1 人工智能会抢夺人类的工作吗 11
1.3.2 AI与交通 11
1.3.3 服务机器人 12
1.4 智能体 13
1.5 基于知识的系统 15
1.6 练习 17
第2章命题逻辑 19
2.1 句法 19
2.2 语义 20
2.3 证明系统 22
2.4 归结 25
2.5 Horn子句 28
2.6 可计算性和复杂性 30
2.7 应用及限制 30
2.8 练习 31
第3章一阶谓词逻辑 33
3.1 句法 34
3.2 语义 35
3.3 量词和范式 38
3.4 证明演算 41
3.5 归结 42
3.5.1 归结策略 45
3.5.2 等值 45
3.6 自动定理证明 46
3.7 数学例子 47
3.8 应用 50
3.9 小结 52
3.10 练习 52
第4章逻辑的局限性 55
4.1 搜索空间问题 55
4.2 可判定性和不完备性 57
4.3 会飞的企鹅 58
4.4 模型的不确定性 60
4.5 练习 61
第5章 Prolog逻辑程序设计 63
5.1 Prolog系统及实现 64
5.2 简单例子 64
5.3 执行控制和过程要素 67
5.4 列表 68
5.5 自我修改程序 70
5.6 规划示例 71
5.7 约束逻辑编程 73
5.8 总结 74
5.9 练习 75
第6章搜索、博弈与问题求解 79
6.1 引言 79
6.2 无信息搜索 84
6.2.1 宽度优先搜索 84
6.2.2 深度优先搜索 85
6.2.3 迭代深入 87
6.2.4 对比 88
6.2.5 循环校验 89
6.3 启发式搜索 90
6.3.1 贪婪搜索 92
6.3.2 A*搜索 93
6.3.3 A*搜索算法的路径规划 95
6.3.4 IDA*搜索 96
6.3.5 搜索算法的经验对比 97
6.3.6 总结 98
6.4 对弈 99
6.4.1 *小*大搜索 99
6.4.2 Alpha-Beta剪枝 100
6.4.3 非决定性游戏 102
6.5 启发式评估函数 102
6.6 搜索前沿现状 104
6.6.1 象棋 104
6.6.2 围棋 105
6.7 练习 106
第7章不确定性推理 109
7.1 概率计算 111
7.2 *大熵的原理 118
7.2.1 概率推理规则 118
7.2.2 无明确约束的*大熵 122
7.2.3 条件概率与实质蕴含 123
7.2.4 MaxEnt系统 124
7.2.5 tweety示例 125
7.3 LEXMED，一个阑尾炎诊断专家系统 126
7.3.1 正规方式的阑尾炎诊断 126
7.3.2 混合概率知识库 127
7.3.3 LEXMED的应用 129
7.3.4 LEXMED的功能 130
7.3.5 使用代价矩阵进行风险管理 133
7.3.6 性能 134
7.3.7 应用领域和经验 136
7.4 贝叶斯网络推理 137
7.4.1 独立变量 137
7.4.2 将知识的图解作为贝叶斯网络 138
7.4.3 条件独立 139
7.4.4 实际应用 139
7.4.5 贝叶斯网络软件 141
7.4.6 贝叶斯网络的发展 142
7.4.7 贝叶斯网络的语义 145
7.5 总结 146
7.6 练习 148
第8章机器学习与数据挖掘 151
8.1 数据分析 156
8.2 感知器，一个线性分类器 158
8.2.1 学习规则 160
8.2.2 优化与展望 163
8.3 *近邻算法 163
8.3.1 两类、多类、近似 166
8.3.2 距离与分类相关 167
8.3.3 计算时间 168
8.3.4 总结与展望 169
8.3.5 基于案例的推理 170
8.4 决策树学习 171
8.4.1 一个简单的例子 171
8.4.2 将熵作为信息量的度量 173
8.4.3 信息增益 175
8.4.4 C4.5算法的应用 177
8.4.5 对阑尾炎诊断的学习 179
8.4.6 连续属性 181
8.4.7 剪枝 182
8.4.8 缺失值 183
8.4.9 总结 183
8.5 交叉验证和过拟合 184
8.6 贝叶斯网络的学习 185
8.7 朴素贝叶斯分类器 187
8.8 单类学习 191
8.9 聚类 193
8.9.1 距离度量 194
8.9.2 K均值与EM算法 195
8.9.3 层次聚类 196
8.9.4 如何确定簇的数量 197
8.10 实践中的数据挖掘 200
8.11 总结 203
8.12 练习 205
第9章神经网络 209
9.1 从生物学到仿真 210
9.2 Hopfield网络 213
9.2.1 一个模式识别应用实例 214
9.2.2 分析 216
9.2.3 总结与展望 218
9.3 神经联想记忆 219
9.3.1 关联矩阵存储器 220
9.3.2 二进制Hebb定律 221
9.3.3 拼写纠正程序 223
9.4 具有*小错误的线性网络 224
9.4.1 *小二乘法 225
9.4.2 阑尾炎数据的应用 227
9.4.3 delta规则 227
9.4.4 与感知器的比较 229
9.5 反向传播算法 230
9.5.1 NETtalk：让网络学着去说话 232
9.5.2 关于定理证明的启发式学习 234
9.5.3 问题与改进 234
9.6 支持向量机 235
9.7 深度学习 237
9.7.1 效法自然 237
9.7.2 叠加去噪自动编码器 238
9.7.3 其他方法 239
9.7.4 系统和实现 240
9.7.5 深度学习的应用 240
9.8 创造性 241
9.9 神经网络的应用 243
9.10 总结与展望 243
9.11 练习 244
第10章强化学习 247
10.1 什么是强化学习 247
10.2 学习任务 249
10.3 不使用已有信息的组合搜索 251
10.4 值迭代与动态规划 252
10.5 一种学习型步行机器人及其仿真 255
10.6 Q学习 257
10.7 探索与开发 261
10.8 逼近、推广与收敛性 261
10.9 应用 262
10.10 AlphaGo围棋的突破 263
10.11 维数灾难 265
10.12 总结与展望 266
10.13 练习 267
第11章练习解答 269
11.1 导论 269
11.2 命题逻辑 270
11.3 一阶谓词逻辑 272
11.4 逻辑的局限性 274
11.5 Prolog逻辑程序设计 274
11.6 搜索、博弈和问题求解 276
11.7 不确定性推理 278
11.8 机器学习与数据挖掘 285
11.9 神经网络 291
11.10 强化学习 293

展开全部