扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
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)
人工智能--机器学习与神经网络 版权信息
- ISBN:9787118121209
- 条形码:9787118121209 ; 978-7-118-12120-9
- 装帧:一般胶版纸
- 册数:暂无
- 重量:暂无
- 所属分类:>
人工智能--机器学习与神经网络 内容简介
《人工智能:机器学习与神经网络》以人工智能实现算法为视角,系统阐述机器学习与人工神经网络这两个彼此紧密联系的人工智能实现途径中的主要问题与解决方法。对于机器学习,在深入理解机器学习任务与关键问题的基础上,探讨监督学习、非监督学习、半监督学习、强化学习这四大类归纳学习问题的本质特性及其解决方案,同时论述作为归纳学习基础的相似性计算问题及其解决方法。对于人工神经网络,按照其关键问题是网络拓扑结构与学习方法的认识,分为前馈网络与反馈网络这两大类网络结构,阐述主要计算模型及其学习方法。*后对机器学习与人工神经网络下一步的发展趋势进行了展望。
人工智能--机器学习与神经网络 目录
第1章 绪论
1.1 人工智能及其实现途径
1.1.1 智能的外在表现与模拟
1.1.2 机器学习
1.1.3 人工神经网络
1.2 机器学习简史
1.3 人工神经网络简史
1.4 本书内容与组织
参考文献
第2章 机器学习基础
2.1 机器学习
2.2 机器学习方式
2.3 归纳学习类型
2.3.1 监督学习
2.3.2 非监督学习
2.3.3 半监督学习
2.3.4 强化学习
2.3.5 各学习类型的特点与共性
2.4 特定学习概念
2.4.1 生成学习与判别学习
2.4.2 度量学习
2.4.3 在线学习/递增学习
2.4.4 反馈学习
2.4.5 多任务学习
2.4.6 深度学习
2.4.7 迁移学习
2.4.8 流形学习
2.4.9 多示例学习
2.5 对学习算法的评价
2.5.1 过学习与泛化
2.5.2 偏置
2.5.3 数据鲁棒性
2.5.4 计算复杂性
2.5.5 透明性
参考文献
第3章 监督学习
3.1 函数形式
3.1.1 显式表示形式
3.1.2 隐式表示形式
3.1.3 数据点表示形式
3.2 优化目标
3.2.1 *小平方误差
3.2.2 *小化熵
3.2.3 极大似然估计
3.2.4 极大后验概率估计
3.2.5 *小描述长度
3.3 记忆学习
3.4 决策树学习
3.4.1 决策树
3.4.2 基于信息增益的决策树生成算法(ID3算法)
3.4.3 ID3算法的过学习问题与对策
3.4.4 基于*小描述长度准则的决策树学习算法
3.5 支持向量机
……
第4章 相似性度量
第5章 聚类方法
第6章 关联规则挖掘方法
第7章 半监督学习方法
第8章 强化学习
第9章 人工神经网络基础
第10章 前馈神经网络
第11章 反馈神经网络
第12章 结语
1.1 人工智能及其实现途径
1.1.1 智能的外在表现与模拟
1.1.2 机器学习
1.1.3 人工神经网络
1.2 机器学习简史
1.3 人工神经网络简史
1.4 本书内容与组织
参考文献
第2章 机器学习基础
2.1 机器学习
2.2 机器学习方式
2.3 归纳学习类型
2.3.1 监督学习
2.3.2 非监督学习
2.3.3 半监督学习
2.3.4 强化学习
2.3.5 各学习类型的特点与共性
2.4 特定学习概念
2.4.1 生成学习与判别学习
2.4.2 度量学习
2.4.3 在线学习/递增学习
2.4.4 反馈学习
2.4.5 多任务学习
2.4.6 深度学习
2.4.7 迁移学习
2.4.8 流形学习
2.4.9 多示例学习
2.5 对学习算法的评价
2.5.1 过学习与泛化
2.5.2 偏置
2.5.3 数据鲁棒性
2.5.4 计算复杂性
2.5.5 透明性
参考文献
第3章 监督学习
3.1 函数形式
3.1.1 显式表示形式
3.1.2 隐式表示形式
3.1.3 数据点表示形式
3.2 优化目标
3.2.1 *小平方误差
3.2.2 *小化熵
3.2.3 极大似然估计
3.2.4 极大后验概率估计
3.2.5 *小描述长度
3.3 记忆学习
3.4 决策树学习
3.4.1 决策树
3.4.2 基于信息增益的决策树生成算法(ID3算法)
3.4.3 ID3算法的过学习问题与对策
3.4.4 基于*小描述长度准则的决策树学习算法
3.5 支持向量机
……
第4章 相似性度量
第5章 聚类方法
第6章 关联规则挖掘方法
第7章 半监督学习方法
第8章 强化学习
第9章 人工神经网络基础
第10章 前馈神经网络
第11章 反馈神经网络
第12章 结语
展开全部
人工智能--机器学习与神经网络 作者简介
刘峡壁 北京理工大学计算机系教授、博士生导师,多年从事人工智能相关领域的科研和教学工作。主要研究方向包括机器学习、信息检索、模式识别、计算机视觉。
书友推荐
- >
朝闻道
朝闻道
¥8.8¥23.8 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥13.8¥32.0 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥13.5¥39.8 - >
伯纳黛特,你要去哪(2021新版)
伯纳黛特,你要去哪(2021新版)
¥15.9¥49.8 - >
二体千字文
二体千字文
¥22.4¥40.0 - >
经典常谈
经典常谈
¥12.7¥39.8 - >
回忆爱玛侬
回忆爱玛侬
¥23.0¥32.8 - >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥13.0¥26.0
本类畅销
-
”互联网+“时代计算机算法的应用及其实践研究
¥19.9¥59 -
微服务设计
¥52.8¥69 -
图说深度学习:用可视化方法理解复杂概念
¥109¥188 -
计算机基础
¥17.2¥31 -
改变未来的九大算法
¥50¥68 -
生成式AI入门与AWS实战
¥77.8¥99.8