新書推薦：
《
中国王朝内争实录（套装全4册）：从未见过的王朝内争编著史
》
售價：HK$
244.2
《
半导体纳米器件：物理、技术和应用
》
售價：HK$
177.0
《
创客精选项目设计与制作 第2版 刘笑笑 颜志勇 严国陶
》
售價：HK$
61.6
《
佛山华家班粤菜传承 华家班59位大厨 102道粤菜 图文并茂 菜式制作视频 粤菜故事技法 佛山传统文化 广东科技
》
售價：HK$
221.8
《
武人琴音（十周年纪念版 逝去的武林系列收官之作 形意拳一门三代：尚云祥、韩伯言、韩瑜的人生故事 凸显百年武人命运）
》
售價：HK$
43.7
《
剑桥斯堪的纳维亚戏剧史（剑桥世界戏剧史译丛）
》
售價：HK$
154.6
《
禅心与箭术：过松弛而有力的生活（乔布斯精神导师、世界禅者——铃木大拙荐）
》
售價：HK$
66.1
《
先进电磁屏蔽材料——基础、性能与应用
》
售價：HK$
221.8
|
| 內容簡介： |
|
本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法，以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状，以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法，包括Q-学习算法、蒙特卡洛算法和动态规划算法，以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法，主要包括TrAdaBoost算法和层次贝叶斯算法，以及这些算法的原理和案例编程实现。第7章主要介绍了联邦学习的研究现状和相关算法，涉及联邦平均算法和纵向联邦学习算法，以及算法的原理和案例编程实现。第8章介绍了因果学习的研究现状和典型模型算法，包括结果因果模型和多变量结构识别算法，还有这些模型和算法的原理以及案例编程实现。第9章和第10章分别介绍了文本挖掘和图像处理的研究现状，以及应用于文本和图像的一些算法，涉及算法的原理介绍和案例编程实现。第11章介绍了人工智能大模型的发展及研究现状，包括Transformer和GPT，以及相关的改进模型，并对其中典型的模型应用案例进行了分析。本书可作为计算机科学与技术、智能科学与技术、人工智能等专业高年级本科生和研究生教材，也可供从事或有志于人工智能行业的研究人员和从业者参考。
|
| 關於作者： |
|
徐立芳，女，副教授，哈尔滨工程大学机电工程学院副教授，2007年毕业于哈尔滨工程大学，获得工学博士学位，哈尔滨工业大学精密仪器科学与技术博士后流动站出站。
|
| 目錄：
|
|
第1章 绪论11.1 人类的学习与机器的学习21.1.1 人类的学习21.1.2 机器的学习31.2 机器学习与机器智能61.2.1 机器学习的概念61.2.2 机器学习如何实现机器智能71.3 机器学习的发展历程71.4 机器学习的类型91.5 机器学习的主要方法101.6 机器学习的主要算法131.6.1 传统机器学习算法141.6.2 新型机器学习算法151.7 机器学习的典型应用与发展趋势171.7.1 机器学习的典型应用171.7.2 机器学习的发展趋势181.8 如何阅读本书19总结20习题20第2章 机器学习经典分类算法232.1 回归算法242.1.1 基本形式242.1.2 线性回归242.1.3 逻辑回归262.1.4 线性回归案例分析272.1.5 逻辑回归案例分析332.2 决策树算法372.2.1 树形决策过程372.2.2 训练算法382.2.3 案例分析432.3 支持向量机472.3.1 线性分类器472.3.2 支持向量机原理482.3.3 案例分析512.4 kNN算法532.4.1 基本概念542.4.2 预测算法542.4.3 距离定义552.4.4 案例分析572.5 贝叶斯算法592.5.1 贝叶斯决策592.5.2 朴素贝叶斯分类器602.5.3 正态贝叶斯分类器622.5.4 案例分析64总结67习题67第3章 机器学习经典聚类及集成与随机森林算法693.1 k-means算法703.1.1 相似性的度量703.1.2 k-means算法原理713.1.3 k-means算法的改进733.1.4 Mean Shift算法743.1.5 案例分析763.2 AdaBoost算法793.2.1 AdaBoost算法介绍793.2.2 AdaBoost算法分类833.2.3 案例分析843.3 马尔可夫算法883.3.1 马尔可夫算法介绍883.3.2 隐马尔可夫算法介绍913.3.3 案例分析933.4 随机森林算法963.4.1 集成学习973.4.2 随机森林概述983.4.3 训练算法983.4.4 变量的重要性993.4.5 案例分析100总结102习题103第4章 深度学习1054.1 深度学习及其研究现状1064.1.1 深度学习概念1064.1.2 深度学习研究现状1064.2 人工神经网络1074.2.1 全连接神经网络1074.2.2 反向传播算法1114.2.3 案例分析1154.3 生成对抗网络1194.3.1 生成对抗网络结构1194.3.2 模型的训练1204.3.3 GAN的改进模型1244.3.4 案例分析1314.4 循环神经网络1354.4.1 循环神经网络概述1354.4.2 循环神经网络结构1364.4.3 循环神经网络训练1384.4.4 挑战与改进措施1394.4.5 案例分析141总结144习题144第5章 强化学习1465.1 强化学习及其研究现状1475.1.1 马尔可夫模型1475.1.2 策略1485.1.3 强化学习研究现状1505.2 Q-学习算法1505.2.1 Q-学习算法的基本原理1515.2.2 Q-学习算法的结构1515.2.3 采用神经网络实现Q-学习算法1535.2.4 Q-学习算法的改进1545.2.5 Q-学习算法的应用案例1565.3 蒙特卡洛算法1605.3.1 简单介绍1605.3.2 经验轨迹1615.3.3 蒙特卡洛算法的数学原理1645.3.4 蒙特卡洛算法的特点1655.3.5 蒙特卡洛预测1655.3.6 蒙特卡洛预测算法的实现1665.4 动态规划算法1695.4.1 策略评估1705.4.2 策略改进1715.4.3 策略迭代1725.4.4 值迭代1735.4.5 案例分析174总结176习题177第6章 迁移学习1796.1 迁移学习及其研究现状1796.1.1 迁移学习概念1796.1.2 迁移学习研究现状1806.2 TrAdaBoost算法1816.2.1 背景1816.2.2 算法介绍1816.2.3 算法改进1846.2.4 案例分析1866.3 层次贝叶斯算法1906.3.1 背景1906.3.2 算法介绍1916.3.3 案例分析194总结196习题197第7章 联邦学习1997.1 联邦学习及其研究现状1997.1.1 联邦学习概念1997.1.2 联邦学习研究现状2017.2 联邦平均算法2027.2.1 联邦优化2037.2.2 算法原理2057.2.3 安全的联邦平均算法2077.2.4 联邦平均算法的改进2077.2.5 案例分析2097.3 纵向联邦学习算法2157.3.1 安全联邦线性回归2157.3.2 安全联邦提升树2177.3.3 案例分析221总结224习题224第8章 因果学习2278.1 因果学习及其研究现状2288.1.1 因果学习概念2288.1.2 因果学习研究现状2298.2 结构因果模型2298.2.1 两种类型的因果陈述2298.2.2 SCM的标准表示2328.2.3 SCM的改进型2338.2.4 案例分析2368.3 多变量结构识别算法2398.3.1 基于独立的方法2408.3.2 基于分数的方法2428.3.3 多变量加性噪声模型2448.3.4 案例分析246总结248习题249第9章 文本挖掘2519.1 文本挖掘概念与现状2519.1.1 文本挖掘概念2519.1.2 文本挖掘现状2529.2 Word2vec-词嵌入2529.2.1 背景介绍2539.2.2 Word2vec-词嵌入——基于神经网络学习单词表示2569.2.3 案例分析2659.3 递归神经网络2709.3.1 递归神经网络介绍2709.3.2 递归神经网络分类2749.3.3 案例分析276总结282习题283第10章 图像处理28510.1 图像处理概念与现状28510.1.1 图像处理概念28510.1.2 图像处理现状28610.2 条件图像到图像翻译28610.2.1 条件图像到图像翻译的概念28610.2.2 cd-GAN28710.2.3 DosGAN28910.2.4 案例分析29110.3 解纠缠图像到图像翻译29510.3.1 解纠缠图像到图像翻译的概念29510.3.2 InterfaceGAN29510.3.3 SeFa29810.3.4 案例分析300总结304习题304第11章 人工智能大模型30711.1 人工智能大模型概念与现状30711.1.1 人工智能大模型概念30711.1.2 人工智能大模型现状30811.2 Transformer30811.2.1 背景30811.2.2 模型结构30912.2.3 为什么使用自注意力31211.2.4 案例分析31311.3 GPT31711.3.1 GPT-131711.3.2 GPT-232011.3.3 GPT-332311.3.4 案例分析326总结331习题331
|
|
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
