艾博士：深入淺出人工智能
馬少平
- 出版商: 清華大學
- 出版日期: 2023-10-01
- 售價: $539
- 貴賓價: 9.5 折 $512
- 語言: 簡體中文
- 頁數: 472
- 裝訂: 平裝
- ISBN: 7302646961
- ISBN-13: 9787302646969
-
相關分類:
DeepLearning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
深入理解神經網絡 : 從邏輯回歸到 CNN$534$507 -
基於 Verilog HDL 的 FPGA 項目開發教程$258$245 -
Xilinx Zynq-7000 嵌入式系統設計實驗教程$348$331 -
打好 AI 的基礎：一探機器學習底層數學運作$880$695 -
$454通用圖形處理器設計 — GPGPU 編程模型與架構原理 -
自動駕駛算法與芯片設計$648$616 -
理論到實作都一清二楚 - 機器學習原理深究$1,000$660 -
$458BERT 基礎教程：Transformer 大模型實戰 -
精通機器學習算法$1,014$963 -
$638基於 FPGA 的深度學習加速器的設計與實現 -
ChatGPT 完整解析：API 實測與企業應用實戰$620$490 -
ChatGPT 4 萬用手冊 2023 秋季號：超強外掛、Prompt、LineBot、OpenAI API、Midjourney、Stable Diffusion、Leonardo.ai$680$537 -
Notion 應用再進化：Notion AI 輔助 + ChatGPT 實戰指南$690$545 -
多語言情感分析及其應用$408$388 -
好好問 ChatGPT：問對問題，精確提示，讓生成式AI幫你構思工作新點子、規畫美好生活$380$300 -
面向深度學習和大數據的軌道交通軸承故障智能診斷方法$354$336 -
$602工業大數據與知識圖譜 -
14天自造量子電腦 (Python版)$539$512 -
TensorFlow 機器學習實用指南$714$678 -
$602預測模型實戰：基於R、SPSS和Stata -
深度學習框架及系統部署實戰（微課視頻版）$209$199 -
$301機器學習的算法分析和實踐 -
乾脆一次搞清楚：最完整詳細網路協定全書, 2/e$780$616 -
The FPGA Programming Handbook - Second Edition: An essential guide to FPGA design for transforming ideas into hardware using SystemVerilog and VHDL$1,920$1,824 -
30天挑戰精通 PowerShell【第四版】：Windows、Linux 和 macOS 適用 (Learn PowerShell in a Month of Lunches: Covers Windows, Linux, and macOS, 4/e)$760$593
相關主題
商品描述
本書是一本針對初學者介紹人工智能基礎知識的書籍。本書採用通俗易懂的語言講解人工智能的基本概念、發展歷程和主要方法，內容涵蓋人工智能的核心方法，包括什麽是人工智能、神經網絡（深度學習）是如何實現的、電腦是如何學會下棋的、電腦是如何找到**路徑的、如何用隨機算法求解組合優化問題、統計機器學習方法是如何實現分類與聚類的、專家系統是如何實現的等，每種方法都配有例題並給出詳細的求解過程，以幫助讀者理解和掌握算法實質，提高讀者解決實際問題的能力。 此外，本書可以幫助人工智能的開發人員理解各種算法背後的基本原理。書中的講解方法和示例，有助於相關課程的教師講解相關概念和算法。 總之，這是一本實用性強、通俗易懂的人工智能入門教材，適合不同背景的讀者學習和使用。
目錄大綱
目錄
第0篇什麽是人工智能1
0.1人工智能的誕生1
0.2人工智能的4個發展時代4
0.2.1初期時代4
0.2.2知識時代6
0.2.3特徵時代8
0.2.4數據時代11
0.3什麽是人工智能16
0.4圖靈測試與中文屋子問題19
0.4.1圖靈測試19
0.4.2中文屋子問題21
0.5第三代人工智能23
0.6總結27
第1篇神經網絡是如何實現的29
1.1從數字識別談起30
1.2神經元與神經網絡35
1.3神經網絡是如何訓練的39
1.4捲積神經網絡48
1.5梯度消失問題59
1.6過擬合問題69
1.7詞向量74
1.7.1詞的向量表示74
1.7.2神經網絡語言模型76
1.7.3word2vec模型82
1.7.4詞向量應用舉例85
1.8循環神經網絡88
1.9長短期記憶網絡96
1.10深度學習框架104
1.11總結104艾博士： 深入淺出人工智能目錄第2篇電腦是如何學會下棋的106
2.1能窮舉嗎？107
2.2極小極大模型110
2.3αβ剪枝算法112
2.4蒙特卡洛樹搜索115
2.5AlphaGo是如何下棋的124
2.6圍棋中的深度強化學習方法132
2.6.1基於策略梯度的強化學習134
2.6.2基於價值評估的強化學習135
2.6.3基於演員評價方法的強化學習137
2.7AlphaGo Zero是如何自學成才的140
2.8總結147
第3篇電腦是如何找到最優路徑的149
3.1路徑搜索問題150
3.2寬度優先搜索算法152
3.3迪傑斯特拉算法155
3.4啟發式搜索157
3.4.1A算法157
3.4.2A算法164
3.4.3定義h函數的一般原則165
3.4.4h函數的評價168
3.4.5A算法存在的不足170
3.4.6單調的h函數172
3.4.7改進的A算法175
3.5深度優先搜索算法181
3.6迭代加深式搜索算法185
3.6.1迭代加深式寬度優先搜索算法186
3.6.2迭代加深式A算法188
3.7動態規劃與Viterbi算法189
3.8拼音輸入法問題191
3.9總結197
第4篇如何用隨機算法求解組合優化問題200
4.1組合優化問題201
4.2局部搜索算法203
4.3局部搜索算法存在的問題211
4.4退火過程及分析216
4.4.1退火現象216
4.4.2退火過程分析217
4.5模擬退火算法224
4.6模擬退火算法的參數選擇229
4.6.1起始溫度t0的選取230
4.6.2溫度的下降方法232
4.6.3每一溫度下的停止準則234
4.6.4算法的終止原則235
4.7模擬退火算法應用舉例238
4.8遺傳算法243
4.9遺傳算法應用舉例253
4.10遺傳算法的實現問題258
4.10.1編碼問題258
4.10.2二進制編碼的交叉操作規則262
4.10.3整數編碼的交叉操作規則264
4.10.4變異規則268
4.10.5適應函數270
4.10.6遺傳算法的停止準則274
4.11用遺傳算法求解旅行商問題276
4.12性能評價問題277
4.13模擬退火算法與遺傳算法的對比279
4.14總結281
第5篇統計機器學習方法是如何實現分類與聚類的283
5.1統計學習方法284
5.2樸素貝葉斯方法289
5.3決策樹297
5.3.1決策樹算法——ID3算法299
5.3.2決策樹算法——C4.5算法313
5.3.3過擬合問題與剪枝320
5.3.4隨機森林算法327
5.4k近鄰方法330
5.5支持向量機333
5.5.1什麽是支持向量機333
5.5.2線性可分支持向量機339
5.5.3線性支持向量機352
5.5.4非線性支持向量機356
5.5.5核函數與核方法359
5.5.6支持向量機用於多分類問題364
5.6k均值聚類算法371
5.7層次聚類算法379
5.8DBSCAN聚類算法381
5.9驗證與測試問題384
5.10特徵抽取問題387
5.11總結392
第6篇專家系統是如何實現的395
6.1什麽是專家系統396
6.2推理方法399
6.3一個簡單的專家系統403
6.4非確定性推理409
6.4.1事實的表示410
6.4.2規則的表示410
6.4.3邏輯運算411
6.4.4規則運算413
6.4.5規則合成415
6.4.6置信度方法的理論根據420
6.5黑板模型423
6.6知識的結構化表示425
6.6.1語義網絡425
6.6.2框架429
6.7專家系統工具433
6.8專家系統的應用436
6.9專家系統的局限性437
6.10總結438
附錄ABP算法440
A.1求導數的鏈式法則440
A.2符號約定441
A.3對於輸出層的神經元442
A.4對於隱含層的神經元444
A.5BP算法——隨機梯度下降版446
附錄B序列最小最優化（SMO）算法448
B.1SMO算法的基本思想448
B.2SMO算法的詳細計算過程454
