新書推薦：
《
德川家康（全十三册）（他用30年活了下来，建立起300年基业）
》
售價：HK$
918.9
《
新知文库·动人的北平
》
售價：HK$
34.3
《
萧条中的生存策略
》
售價：HK$
57.4
《
银色瀑布：美国兵工厂与中途岛海战
》
售價：HK$
79.4
《
乔丹法则
》
售價：HK$
80.3
《
如何不被一杯水淹没
》
售價：HK$
67.9
《
流人系列03：猛虎 午夜文库
》
售價：HK$
90.9
《
洛克现代性政治学之根
》
售價：HK$
109.3
|
| 內容簡介： |
|
对品牌价值进行研究有其特殊性与困难之处，传统上一般采用基于管理学或营销学的理论和方法进行研究，难以充分考虑品牌系统的复杂性、广泛性和多样性。鉴于此，《品牌战略AI理论与技术》以人工智能理论作为研究品牌的出发点，将机器学习算法、神经网络、动态随机一般均衡理论和累积法参数估计方法与品牌学进行有机结合，从经济学和人工智能视角，系统阐述和厘清人工智能算法在品牌发展战略中的应用方法，是一本关于方法论的著作。《品牌战略AI理论与技术》既有完备清晰的数学推导、精妙新颖的研究想法，又有规范严谨的学术过程，这使得《品牌战略AI理论与技术》兼具学术价值与实际应用价值。
|
| 目錄：
|
|
目录前言 第一篇 品牌及人工智能综述 第1章 品牌及品牌价值 3 1.1 品牌的界定 3 1.1.1 品牌及其相关概念 4 1.1.2 与品牌相关的专业术语 9 1.1.3 品牌可识别性、知名度、美誉度、忠诚度 13 1.2 品牌的价值 16 1.2.1 品牌价值描述 16 1.2.2 品牌定价 17 1.2.3 品牌的使用价值 19 1.2.4 品牌财务价值 22 1.3 品牌发展战略是国家经济发展和改革战略 24 1.3.1 党和国家领导人重视和关心品牌发展 24 1.3.2 国家政府部门对品牌建设高度重视 24 1.3.3 实施品牌发展战略需要全社会的关注 26 1.3.4 品牌发展战略的实施现状 26 1.4 品牌研究的三个层面 27 第2章 人工智能算法综述 31 2.1 人工智能概览 31 2.1.1 人工智能在品牌研究中的应用前景 32 2.1.2 人工智能的五大核心技术 33 2.2 机器学习的定义与常见任务 36 2.2.1 机器学习的定义 362.2.2 机器学习的常见任务 40 2.3 机器学习算法的分类 42 2.3.1 分类与回归 42 2.3.2 监督学习与无监督学习 43 2.4 机器学习发展历程 44 2.4.1 监督学习 44 2.4.2 聚类 46 2.4.3 数据降维 47 2.4.4 概率图模型 48 2.4.5 深度学习 49 2.4.6 强化学习 50 2.5 性能度量 51 2.5.1 分类任务 51 2.5.2 回归任务 52 2.6 几种常见机器学习算法介绍 52 2.6.1 监督学习算法 52 2.6.2 无监督学习算法 57 第二篇 神经网络算法在品牌发展战略中的应用 第3章 神经网络基础知识 65 3.1 神经网络算法的起源与特征 65 3.1.1 神经网络的生物学起源 65 3.1.2 神经网络特征 67 3.2 神经网络算法的历史沿革 68 3.2.1 1970 年以前 69 3.2.2 1970年至1982年 71 3.2.3 1982年至2006年 71 3.2.4 2006年至今 73 3.3 神经网络算法数学基础 75 3.3.1 泰勒级数展开 75 3.3.2 梯度、黑塞矩阵、方向导数 77 3.4 性能指标优化算法 78 3.4.1 最速下降法 79 3.4.2 牛顿法 803.4.3 共轭梯度法 81 3.5 感知器与S型感知器 81 3.5.1 感知器 81 3.5.2 S型感知器 84 3.5.3 感知器的梯度下降算法 85 3.5.4 感知器算法设计 88 3.6 相关算法的Python实现 89 3.6.1 感知器算法的Python实现 89 3.6.2 最速下降法的Python实现 89 3.6.3 牛顿法的Python代码实现 91 3.6.4 共轭梯度法的Python实现 93 第4章 多层前馈神经网络在品牌发展战略中的应用 95 4.1 多层前馈神经网络 95 4.1.1 深度学习与多层前馈神经网络 95 4.1.2 多层前馈神经网络的特点 97 4.2 反向传播算法 98 4.2.1 两个阶段 98 4.2.2 性能度量指标 98 4.3 反向传播算法的数理推导 100 4.3.1 基本原理 100 4.3.2 输出层神经元的梯度求解过程 103 4.3.3 中间层神经元的梯度求解过程 104 4.3.4 反向传播算法小结 105 4.4 反向传播算法计算过程实例 108 4.4.1 品牌竞争力评估网络模型 108 4.4.2 前向计算过程 109 4.4.3 反向计算过程 110 4.5 应用案例分析：品牌竞争力评估 111 4.5.1 传统评估方法 112 4.5.2 品牌竞争力评估的神经网络模型构建 113 4.6 反向传播算法的Python实现 119 第5章 神经网络的扩展 125 5.1 卷积运算和卷积神经网络 125 5.1.1 什么是卷积 126 5.1.2 卷积神经网络 1275.2 社交网络模型算法 129 5.2.1 社交网络模型的定义和表示方法 129 5.2.2 社交网络的度量 133 5.3 卷积神经网络的Python 代码实现 135 第三篇 动态随机一般均衡模型在品牌发展战略中的应用 第6章 动态随机一般均衡模型理论基础 145 6.1 动态随机一般均衡模型简介 146 6.1.1 历史沿革 146 6.1.2 模型特征 147 6.2 动态随机一般均衡模型的分类 148 6.2.1 RBC模型 149 6.2.2 新凯恩斯DSGE模型 152 6.3 RBC模型的构建方法 154 6.3.1 家庭 154 6.3.2 Hansen不可分劳动模型 155 6.3.3 企业 155 6.3.4 RBC与货币 156 6.3.5 真实摩擦 158 6.4 新凯恩斯模型的构建方法 160 6.4.1 垄断竞争 160 6.4.2 价格刚性 161 6.4.3 工资刚性 164 6.4.4 对新凯恩斯模型的总结 166 6.5 对新凯恩斯模型的扩展 167 6.5.1 金融摩擦——金融加速器 167 6.5.2 搜寻–匹配模型 170 6.5.3 新开放宏观经济学 173 6.6 线性方程组的求解 174 6.6.1 对数线性化 174 6.6.2 方程的求解 174 6.7 参数的贝叶斯估计 176 第7章 品牌发展战略研究——基于动态随机一般均衡视角 178 7.1 包含品牌资产特征的动态随机一般均衡模型构建过程 1797.1.1 家庭 179 7.1.2 交错工资定价 181 7.1.3 最终产品生产企业 183 7.1.4 品牌资产生产企业 184 7.1.5 商品生产企业 185 7.1.6 商品生产企业的Calvo定价规则 186 7.1.7 政府部门 186 7.1.8 市场出清 187 7.1.9 外生冲击 187 7.1.10 模型的对数线性化形式 187 7.2 模型参数校准 189 7.3 贝叶斯估计与模型有效性分析 191 7.3.1 参数的贝叶斯估计 191 7.3.2 模型有效性检验 193 7.4 模型动力学分析 196 7.4.1 商品部门技术冲击 196 7.4.2 投资专有技术冲击 198 7.4.3 品牌部门技术冲击 200 7.5 品牌发展战略传导机制分析 203 7.5.1 品牌生产技术冲击标准差 204 7.5.2 品牌资产产出弹性 205 7.5.3 传导机制分析 205 7.6 关于建模的几点思考 206 7.7 外生冲击与信号识别 209 7.8 本章动态模型求解MATLAB代码 210 第8章 品牌发展战略研究——向金融市场与开放经济扩展 221 8.1 金融加速器机制的发展 222 8.2 金融加速器 224 8.2.1 资本生产者 225 8.2.2 企业家 226 8.2.3 外生冲击 231 8.3 资本品市场和信贷市场分析 231 8.3.1 资本品市场 231 8.3.2 信贷市场 232 8.3.3 金融系统影响宏观经济的两个途径 2338.4 封闭经济环境扩展为开放经济环境 234 8.4.1 家庭 234 8.4.2 品牌资产生产企业 237 8.4.3 生产企业 239 8.4.4 政府 241 8.4.5 国际 243 8.4.6 市场出清 244 8.5 参数校准 245 8.5.1 金融加速器相关参数 245 8.5.2 开放经济相关参数 247 8.6 参数的贝叶斯估计结果 249 8.7 模型的有效性分析 252 8.7.1 MCMC多变量诊断图 252 8.7.2 真实值与模拟值对比 253 8.8 脉冲响应分析 254 8.8.1 美国财政支出冲击 254 8.8.2 美国税收冲击 258 8.8.3 美国政策性冲击对我国宏观经济的影响总结 261 8.9 金融加速器模型的动态方程组 263 8.10 开放经济模型的动态方程组 269 第四篇 累积法在人工智能算法参数估计中的应用 第9章 累积和计算通式及其统计学特征 283 9.1 累积法概览 283 9.2 累积和、计算通式及其应用 286 9.3 累积和的递推公式 289 9.4 基本累积和 291 9.5 k阶累积算子的统计学特征 292 9.6 样本的k阶累积广义样本均值 295 9.7 样本的k阶累积广义均值估计量 298 第10章 累积法参数估计理论 302 10.1 普通累积法方程组 302 10.2 两种模型的关系 308 10.3 β 的普通累积法估计及几何中心估计法 31010.4 普通累积法估计的性质及误差方差估计 314 10.5 样本的l阶累积广义均值的几何中心与经验回归函数 320 第11章 广义累积法估计和累积法的工具变量法 324 11.1 最小二乘法估计与广义最小二乘法 324 11.2 累积法线性模型与高斯–马尔可夫模型 327 11.3 累积法线性模型是广义高斯–马尔可夫模型 331 11.4 工具变量法与累积法估计 332 第12章 联立方程组参数估计的累积法体系建立 336 12.1 间接普通累积法估计理论 336 12.1.1 间接普通累积法估计的基本步骤 337 12.1.2 间接普通累积法估计的使用范围 338 12.1.3 间接普通累积法估计量的特性 338 12.1.4 实例 339 12.2 二阶段普通累积法估计 343 12.2.1 二阶段普通累积法的建立 344 12.2.2 二阶段普通累积法估计法的步骤 345 12.2.3 二阶段普通累积法估计量的特征 345 12.2.4 二阶段累积法估计法的使用前提 346 12.2.5 实例 346 12.3 三阶段普通累积法估计 351 12.3.1 三阶段普通累积法估计法的使用前提 351 12.3.2 三阶段普通累积法估计法参数估计量的特性 352 12.3.
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
