人工智能基础;算法与编程

1星价 ¥41.3 (7.0折)

2星价￥41.3 定价￥59.0

作者：王洪元

出版社：清华大学出版社

本类榜单：教材

分类：教材 > 研究生/本科/专科教材 > 工学

暂无评论

图文详情

ISBN：9787302652076
装帧：平装-胶订
册数：暂无
重量：暂无
开本：16开
页数：257
出版时间：2024-01-01
条形码：9787302652076 ; 978-7-302-65207-6

本书特色

u 教材适应互联网时代学生的学习习惯，集算法思想阐述、配套案例实战演示、编程操作视频演示与实操、案例详解于一体，构建了一套图、文、声、像完整的立体化教学资源库，将教学内容以数字化的形式呈现在学习者面前，打造一本富媒体性、交互性、移动性的移动交互式数字化教材。
u 为每个算法精心配套了实验案例，形成了“教、学、做、评”四位一体教材模式，可为不同专业、不同学习基础和不同发展需求的学生学习人工智能提供适宜的内容，增强了教材的普适性。
u 教材编者团队多元化，由高校老中青教师及企业（行业）一线技术人员组成，将多年来科研成果和真实工程项目改造为教学项目写入教材，教材内容充分体现了前沿性和应用性。

内容简介

人工智能是一门发展极其迅速且内容十分丰富的学科。本书以人工智能理论算法及其编程实现为核心，按照人工智能经典方法到现代算法顺次进行内容编排，全书共7章，第1章人工智能概论，第2章逻辑与推理，第3章搜索求解，第4章机器学习: 监督学习，第5章机器学习: 无监督学习，第6章神经网络与深度学习，第7章强化学习。本书还将矩阵运算、*优化方法、概率论等数学知识作为附录。书中每章都附有习题。
本书可作为地方高校人工智能专业和计算机大类专业的本科生或研究生学习人工智能的教材。由于书中各章内容相对独立，教师可以根据不同专业不同学生的需要选择讲授内容。

第1章人工智能概论1
1.1人工智能定义1
1.1.1生物智能与人类智能1
1.1.2智能与人工智能2
1.2人工智能的历史2
1.3人工智能研究的不同学派6
1.3.1符号主义6
1.3.2连接主义7
1.3.3行为主义7
1.4人工智能主要应用领域8
习题11
第2章逻辑与推理12
2.1逻辑12
2.1.1知识表示12
2.1.2逻辑的基本概念13
2.2命题逻辑13
2.2.1命题的基本概念14
2.2.2命题逻辑推理15
2.3谓词逻辑18
2.3.1谓词的基本概念19
2.3.2谓词逻辑推理21
2.4知识图谱26
2.4.1知识图谱的基本概念27
2.4.2知识图谱推理27
习题34
第3章搜索求解36
3.1搜索概述363.1.1搜索的基本问题与主要过程36
3.1.2搜索算法分类37
3.2状态空间表示法37
3.2.1状态空间表示的基本概念37
3.2.2状态空间的图描述38
3.3盲目搜索39
3.3.1盲目搜索概述39
3.3.2深度优先搜索算法39
3.3.3宽度优先搜索算法40
3.3.4盲目搜索算法的Python实现42
3.4启发式搜索43
3.4.1启发式搜索概述43
3.4.2启发信息和估价函数43
3.4.3A算法44
3.4.4A搜索算法46
3.4.5A算法的Python实现47
3.5对抗搜索48
3.5.1博弈概述48
3.5.2极大极小过程49
3.5.3AlphaBeta剪枝50
3.5.4对抗搜索算法的Python实现52
3.6蒙特卡罗搜索53
3.6.1蒙特卡罗方法54
3.6.2蒙特卡罗树搜索算法54
3.6.3蒙特卡罗树搜索算法的Python实现57
习题59
目录〖3〗第4章机器学习: 监督学习62
4.1机器学习概述62
4.1.1引言62
4.1.2机器学习的发展历史62
4.1.3机器学习的基本概念64
4.1.4机器学习主要研究领域65
4.2回归分析66
4.2.1线性回归分析原理66
4.2.2非线性回归分析原理72
4.2.3回归分析Python实例74
4.3线性判别分析79
4.3.1线性判别分析算法原理79
4.3.2线性判别分析Python实例83
4.3.3线性判别分析在人脸识别中的应用84
4.4K*近邻算法85
4.4.1K*近邻算法原理85
4.4.2K*近邻算法Python实例86
4.5AdaBoosting89
4.5.1AdaBoosting算法原理89
4.5.2AdaBoosting算法Python实例93
4.6支持向量机95
4.6.1支持向量机原理95
4.6.2支持向量机Python实例103
4.7决策树106
4.7.1决策树原理106
4.7.2决策树算法Python实例111
习题113
第5章机器学习: 无监督学习115
5.1Kmeans聚类115
5.1.1Kmeans聚类原理115
5.1.2Kmeans聚类算法115
5.1.3Kmeans聚类算法特点118
5.1.4Kmeans聚类算法的改进119
5.1.5Kmeans聚类算法的Python实现121
5.2主成分分析122
5.2.1主成分分析原理122
5.2.2主成分分析降维方法125
5.2.3主成分分析特点128
5.2.4主成分分析的Python实现128
5.3特征脸方法129
5.3.1特征脸原理130
5.3.2奇异值分解130
5.3.3特征脸方法步骤131
5.3.4特征脸方法特点133
5.3.5特征脸方法的Python实现134
5.4局部线性嵌入136
5.4.1局部线性嵌入原理136
5.4.2局部线性嵌入算法138
5.4.3局部线性嵌入算法特点140
5.4.4局部线性嵌入算法的一些改进算法141
5.4.5局部线性嵌入算法的Python实现142
5.5独立成分分析144
5.5.1独立成分分析的发展144
5.5.2独立成分分析的基本定义145
5.5.3独立成分分析与其他统计方法的关系148
5.5.4独立成分分析的Python实现149
习题152
第6章神经网络与深度学习153
6.1神经网络的起源与发展153
6.1.1**代神经网络153
6.1.2第二代神经网络155
6.1.3第三代神经网络156
6.2人工神经网络156
6.2.1生物神经网络156
6.2.2人工神经元与人工神经网络157
6.2.3BP神经网络158
6.2.4神经网络Python实例163
6.3卷积神经网络167
6.3.1卷积神经网络的结构167
6.3.2卷积神经网络的基本操作167
6.3.3卷积神经网络的关键技术171
6.3.4卷积神经网络的训练过程174
6.3.5几种经典的卷积神经网络模型178
6.3.6卷积神经网络的应用190
6.3.7卷积神经网络Python实例191
6.4循环神经网络194
6.4.1循环神经网络195
6.4.2长短时记忆网络196
6.4.3循环神经网络的应用197
6.4.4循环神经网络Python实例197
习题203
第7章强化学习205
7.1强化学习问题205
7.1.1马尔可夫决策过程206
7.1.2强化学习问题208
7.2基于价值的强化学习210
7.2.1策略迭代210
7.2.2基于价值的强化学习算法214
7.2.3QLearning的Python实例216
7.3深度强化学习219
7.3.1深度强化学习算法219
7.3.2深度强化学习的应用221
7.3.3深度强化学习的Python实例222
习题225
附录A数学基础226
A.1矩阵运算226
A.1.1向量226
A.1.2向量的加法和数乘227
A.1.3矩阵的定义227
A.2*优化方法238
A.2.1基本概念238
A.2.2一阶优化算法239
A.2.3凸优化问题243
A.2.4带约束的优化问题245
A.3概率论246
A.3.1概率论的基本概念246
A.3.2随机变量数字特征249
A.3.3基本概率分布模型252
A.3.4二维随机变量255
参考文献258

展开全部