扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
中医基础理论
-
>
高校军事课教程
-
>
思想道德与法治(2021年版)
-
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)
-
>
中医内科学·全国中医药行业高等教育“十四五”规划教材
-
>
中医诊断学--新世纪第五版
-
>
中药学·全国中医药行业高等教育“十四五”规划教材
人工智能基础与实践 版权信息
- ISBN：9787563570836
- 条形码：9787563570836 ; 978-7-5635-7083-6
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
人工智能基础与实践 内容简介
本书首先介绍了人工智能的基本概念与应用现状；其次阐述了经典机器学习理论与实践的相关内容，包含基础知识、人工智能的开发工具以及一系列机器学习分类、聚类和回归等算法；*后介绍了深度学习的相关理论，包括深度学习的基本概念、卷积神经网络、循环神经网络以及部分强化学习的经典方法。本书在介绍人工智能相关理论知识的同时，还介绍了部分其涉及的数学原理以及编程实例。
人工智能基础与实践 目录
第1部分 经典机器学习理论基础与实践
第1章 绪论
1.1 人工智能概述
1.1.1 人工智能的基本概念
1.1.2 图灵测试与人工智能分类
1.1.3 强人工智能与弱人工智能
1.1.4 适合用人工智能来求解的问题
1.2 人工智能的发展历程
1.2.1 20世纪90年代前人工智能的发展历程
1.2.2 20世纪90年代后人工智能的发展历程
1.2.3 人工智能发展历程中出现的哲学问题
1.3 人工智能的应用现状与未来展望
1.3.1 AI赋能下的产业现状
1.3.2 中美企业的人工智能战略布局
1.3.3 人工智能的趋势与展望
第2章 机器学习基础知识
2.1 基本概念
2.1.1 学习的定义
2.1.2 机器学习的定义
2.1.3 学习类型的划分
2.1.4 机器学习、深度学习以及强化学习三者的关系和区别
2.2 机器学习中的数据准备
2.2.1 数据清洗与预处理
2.2.2 特征工程
2.2.3 连续变量的特征降维与提取
2.2.4 数据描述性统计与绘图
2.3 机器学习中的模型评估
2.3.1 过拟合和欠拟合
2.3.2 性能度量
2.3.3 交叉验证
2.3.4 点估计、偏差与方差、标准差
第3章 人工智能开发工具
3.1 主流AI编程语言—Python
3.1.1 Python概要
3.1.2 Python的优缺点
3.1.3 Python环境搭建
3.1.4 Python编程基础
3.1.5 机器学习“四剑客”
3.2 深度学习框架
3.2.1 深度学习框架简介
3.2.2 深度学习框架的主要优势
3.2.3 PaddlePaddle简介
3.3 机器学习Python实战：KNN算法
3.3.1 KNN算法
3.3.2 基于KNN算法的婚恋网站数据分析
第4章 机器学习分类算法
4.1 分类算法简述
4.2 决策树算法
4.2.1 信息熵与信息增益
4.2.2 ID3算法的原理
4.2.3 其他几种决策树算法
4.2.4 决策树的剪枝
4.2.5 ID算法Python实战
4.3 贝叶斯分类算法
4.3.1 条件概率与贝叶斯定理
4.3.2 朴素贝叶斯分类算法
4.3.3 半朴素贝叶斯分类
4.3.4 朴素贝叶斯算法Python实战
4.4 支持向量机
4.4.1 SVM简介
4.4.2 线性SVM、函数间隔与几何间隔
4.4.3 对偶问题
4.4.4 核函数
4.4.5 噪声数据的松弛变量处理
4.4.6 SVM分类器Python实战
第5章 机器学习聚类算法
5.1 K-means聚类算法
5.1.1 聚类的概念
5.1.2 相似度与距离
5.1.3 K-means聚类算法的核心思想
5.1.4 K-means聚类算法的应用场景与优缺点
5.1.5 K-means聚类算法Python实战
5.2 层次聚类算法
5.2.1 层次聚类算法的原理与分类
5.2.2 层次聚类算法中的距离度量
5.2.3 层次聚类算法需要注意的问题
5.2.4 层次聚类算法Python实战
5.3 模糊聚类算法
5.3.1 模糊理论
5.3.2 隶属度概念与传统硬聚类算法
5.3.3 模糊C-均值聚类算法
5.3.4 FCM聚类算法Python实战
第6章 机器学习回归算法
6.1 线性回归
6.1.1 线性模型的基本形式
6.1.2 一元线性回归的参数估计
6.1.3 回归系数的显著性检验
6.1.4 一元线性回归的预测
6.1.5 一元线性回归算法Python实战
6.2 逻辑回归
6.2.1 逻辑回归模型
6.2.2 逻辑回归模型中的损失函数
6.2.3 逻辑回归的梯度下降
第2部分 深度学习理论基础与实践
第7章 深度神经网络基础
7.1 深度学习的基本概念
7.1.1 深度学习的定义
7.1.2 深度学习的发展与范畴
7.2 深度前馈网络
7.2.1 感知机的局限性
7.2.2 多层前馈神经网络
7.2.3 损失函数与梯度
7.2.4 梯度下降与反向传播算法
第8章 卷积神经网络
8.1 卷积神经网络的基本概念
8.1.1 卷积神经网络概述
8.1.2 局部连接与权值共享
8.1.3 CNN的基本结构
8.1.4 卷积运算
8.1.5 池化操作
8.1.6 归一化
8.1.7 参数学习
8.2 典型的卷积神经网络
8.2.1 LeNet
8.2.2 AlexNet
8.2.3 VGGNet
8.2.4 ResNet
第9章 循环神经网络
9.1 循环神经网络的基本概念
9.1.1 神经网络的局限性
9.1.2 RNN的历史
9.1.3 RNN的结构
9.1.4 RNN的训练
9.1.5 RNN的变形
9.1.6 深度循环神经网络
9.2 改进的循环神经网络
9.2.1 递归神经网络
9.2.2 双向RNN
9.2.3 长短期记忆网络
9.2.4 门控循环单元
9.2.5 双向长短期记忆网络
第10章 强化学习
10.1 强化学习理论基础
10.1.1 强化学习简介
10.1.2 马尔可夫决策过程
10.1.3 策略*优化算法
10.1.4 动态规划
10.1.5 蒙特卡洛方法
10.1.6 时序差分学习
10.2 深度强化学习
10.2.1 基于价值函数的深度强化学习
10.2.2 基于策略梯度的深度强化学习
参考文献
展开全部
人工智能基础与实践 作者简介
杨阳，工学博士，北京邮电大学副教授，主持并参与包括中国博士后基金面上项目、国家自然科学青年基金、北京市自然基金、国家重大专项项目等，多年来一直围绕通信网络、人工智能相关理论与技术开展深入研究。相关学术成果发表在IEEE TVT、TII、IEEE CL、IEEE GLOBECOM、ICC等知名国际期刊和会议上，授权3项国际发明专利、多项国内发明专利，并获得2018年IEEE TCOM期刊模范审稿人、“中国研究生电子设计竞赛总决赛优秀指导教师”、“2019中国高校计算机大赛人工智能创意赛总决赛优秀指导教师”称号，指研究生、留学生若干名并获得十余项国家级学科竞赛奖励。
书友推荐
