×
暂无评论
图文详情
  • ISBN:9787115577283
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:222
  • 出版时间:2021-11-01
  • 条形码:9787115577283 ; 978-7-115-57728-3

本书特色

(1)由浅入深 通俗易懂本书旨在以通俗、易懂的方式让读者掌握人工智能的基本技术。描述问题及解答方案时不使用复杂的公式,也不使用晦涩难懂的专业术语,因此读者无需具备相关领域的专业知识即可开始阅读本书。(2)案例丰富 代码详解除了相关理论知识外,本书还选取了多个典型的应用案例,每个案例均给出了代码实现以及详细的解释,有助于读者进一步理解相应的算法原理。(3)立体资源 多元服务本书配套教学PPT、教学大纲、教案、案例素材、文献导读及视频等丰富的教学辅助资源,全方位服务于教师教学。

内容简介

本书介绍了人工智能领域常用的方法,包括搜索、统计学习、深度学习和自动机器学习等内容。各章节涉及的问题均根据历史典故或现实生活引出,并使用通俗易懂的方式提出问题及其解决方法。因此,读者在阅读本书时不会感到枯燥无味,也不需要具备人工智能相关的知识背景。书中包含很多代码示例,每个示例均有详细的解释,有助于读者进一步理解相应的算法。在学完本书后,读者将初步具备使用人工智能算法解决生活中实际问题的能力。 本书可作为高校人工智能及相关专业的教材,也可供计算机相关领域从业人员参考使用。

目录

人工智能技术基础 1
内容提要 1
前 言 2
目 录 4
第 一章 趣谈/漫话人工智能 11
1.1 一个古老的职业 11
1.2 *后的观(占)星大师 12
1.3 中世纪的宇宙模型 13
1.4 八卦中的秘密 14
1.5 另一个苹果 16
1.6 神经网络发展 20
1.7 新时代的炼金术 21
1.8 深度学习和大数据 22
1.9 *后的围棋大师 23
本章小结 24
习题 24
第二章 学习在于实践-编程环境和基础 25
2.1编程环境管家-Anaconda管理工具 25
2.1.1 Anaconda 简介 25
2.1.2 如何安装 25
2.1.3 环境管理 28
2.2简明胶水语言-Python 29
2.2.1 简介 29
2.2.2 安装 29
2.2.3 基础语法 30
2.2.4 解决兔子繁殖问题 35
2.3 面向数组的计算-NumPy 36
2.3.1 简介 36
2.3.2 安装 36
2.3.3 基础语法 37
2.3.4 案例 38
2.4 机器学习百宝箱-Sklearn 41
2.4.1 简介 41
2.4.2 安装 41
2.5 大道至简-keras 42
2.5.1 简介 42
2.5.2 安装 42
本章小结 43
习题 43
第三章 穷举的魅力-搜索 44
3.1驴友的困惑-经典旅行问题 44
3.1.1 七桥问题 44
3.1.2 旅行商问题 45
3.1.3 迷宫问题 46
3.2搜索的积木-基础数据结构 46
3.2.1 树 46
3.2.2 图 47
3.2.3 栈 49
3.2.4 优先队列 50
3.3林深时见鹿-深度优先搜索 51
3.3.1 宽度优先搜索简介 51
3.3.2 使用DFS解决七桥问题 54
3.3.3 使用DFS解决旅行商问题 55
3.3.4 使用DFS解决迷宫问题 57
3.4近水楼台先得月-广度优先搜索 59
3.4.1 广度优先搜索简介 59
3.4.2使用BFS解决七桥问题 59
3.4.3 使用BFS解决旅行商问题 59
3.4.4 使用BFS解决迷宫问题 60
本章小结 60
习题 60
第四章 计算机里的物竞天择-进化算法 61
4.1 生物的演化规律-物种起源 61
4.2程序的优化方法-遗传算法 61
4.2.1 遗传学的启发 61
4.2.2 遗传定律 62
4.2.3 遗传算法 62
4.3基因优化的模拟-交叉变异 64
4.3.1 基因的二进制表示 64
4.3.2 适应度的选择方法 65
4.3.3 基因交叉计算 66
4.3.4 基因变异 67
4.4更高级的程序优化-进化算法 67
4.4.1 进化算法原理 67
4.4.2 数值优化应用实践 67
4.4.3 进化算法库Geatpy 69
4.5横看成岭侧成峰-多目标优化 72
4.5.1 帕累托*优 73
4.5.2 多目标优化算法 73
4.5.3 多目标优化实践 73
4.6麻雀虽小五脏俱全-其它进化算法 75
4.6.1 粒子群优化算法 75
4.6.2 蚁群算法 76
本章小结 77
习题 77
第五章 数据即规律-统计学习 78
5.1 润物细无声-教师和学习 78
5.2 理想中的世界-线性模型 80
5.3 物以类聚,人以群分-聚类 86
5.4 如何做出选择-决策树 87
5.5 维度的秘密-支持向量机 90
5.6 三个臭皮匠顶个诸葛亮--集成机器学习 93
5.7 本章小结 94
5.8 习题 95
第六章 描述万物的规律-神经网络 96
6.1 *简单的神经网络模型-感知机 96
6.2 神经网络的核心-非线性激活函数 97
6.3 感知机的缺陷-解决找茬(异或)难题 99
6.4 万能的神经网络-通用函数拟合 103
6.5 魔方缺了一面-利用反向传播求解神经网络 106
6.6 构建神经网络的积木-keras API函数 109
6.7 开始动手-神经网络应用 112
本章小结 116
习题 116
第七章 抽象的威力-深度学习 117
7.1被麻醉的猫-生物视觉原理 117
7.2深度学习的视觉-CNN模型 118
7.2.1 彩色图片数据组成 119
7.2.2 CNN是怎么工作的 119
7.2.3 CNN学到了什么 122
7.2.4 CNN应用实例—猫狗大战 123
7.3瞻前顾后的深度模型-RNN 130
7.3.1 RNN模型结构 130
7.3.2 往前看和往后看——双向RNN 132
7.3.3 RNN的其他应用 132
7.4 *大的烦恼就是记性太好-长短期记忆网络 132
7.4.1 梯度消失和梯度爆炸问题 132
7.5 本章小结 140
7.6 习题 140
7.7 拓展阅读 141
第八章 深度学习的集市 142
8.1学会识别不同的图像-图像分类 142
8.2寻找物体的相框-目标检测 150
8.2.1 数据集 150
8.2.2 基本原理 152
8.2.3 知名目标检测模型 153
8.3学会区分不同的物体边界-语义分割 158
8.3.1 数据集 158
8.3.2 基本原理 161
8.3.3 知名语义分割模型 161
本章小结 163
习题 163
第九章 基于关系的网络-GNN 164
9.1 关系的表述-又是图结构 164
9.1.1 灵活处理非欧数据的GNN 164
9.1.2 定义及概念介绍 165
9.2解决社交问题-原理和实践 167
9.2.1 GCN原理介绍 167
9.2.2 GCN的应用——微博用户性别预测(节点分类) 167
9.2.3 GCN的应用——闲鱼垃圾评论识别(边分类) 169
9.2.4 基于keras的GCN代码解析 171
9.3 改进GCN模型-GAT原理及应用 179
9.3.1 GAT原理介绍 179
9.3.2 GAT的应用——微博用户性别预测 180
9.3.3 基于keras的GAT代码解析 181
本章小结 184
习题 184
拓展阅读 184
第十章 巴甫洛夫的狗-智能体学习 185
10.1 灵感来源-反射学习 185
10.2 向狗学习-强化学习 185
10.2.1 发展历程 185
10.2.2 强化学习范式 186
10.2.3 值函数与策略函数 189
10.2.4 MDP求解方法 190
10.3 实现强化学习-两种策略 191
10.3.1 Off-policy学习 191
10.3.2 On-policy学习 191
10.4 引入万能的神经网络-深度强化学习 192
10.4.1 基于值函数的方法 193
10.4.2 基于策略梯度方法 193
10.5 解决更复杂的问题-分布式强化学习 194
10.5.1 Impala 194
10.5.2 SeedRL 195
10.5.3 Ape-X 196
10.5.4 Acme 196
10.6 史上*强大的狗-阿尔法狗(AlphaGo) 196
10.6.1 围棋简介 196
10.6.2 AlphaGo算法运行原理 197
10.6.3 与AlphaGo下棋小例子 199
10.7 走向更强-高级强化学习 200
10.7.1 分层强化学习 200
10.7.2 逆强化学习 200
10.7.3 元强化学习 201
10.7.4 多智能体强化学习 201
本章小结 202
第十一章 学会艺术创作-生成学习 203
11.1 和梵高学习画画-风格迁移模型 203
11.1.1 深度学习作画 203
11.1.2 第 一个风格迁移神经网络 205
11.1.3 固定风格任意内容的快速风格迁移 206
11.1.4 基于keras实现的Gatys风格迁移模型 207
11.2 失业的画家-生成对抗网络 214
11.2.1 对抗生成模型GAN 214
11.2.2 GAN原理解析 214
11.2.3 基于DCGAN的手写体数字生成 217
11.3 深度学习也“脆弱”-对抗攻击 221
11.4复活的唐诗-大规模预训练模型 223
11.4.1 大规模预训练”语言模型 223
11.4.2 BERT和GPT原理浅析 225
11.4.3 基于BERT和GPT的诗歌生成 226
本章小结 227
习题 227
拓展阅读 227
第十二章 学习使我快乐-自动学习 228
12.1 如何实现自动学习-AutoML原理 228
12.1.1 算法模型选择 229
12.1.2 超参数优化 230
12.1.3 网络结构优化 234
12.2 动手实践-AutoML实例 234
12.2.1 Auto-sklearn 234
12.2.2 分布式H2O 235
12.3 自动深度学习-AutoDL 236
12.3.1 深度学习概述 236
12.3.2 深度学习参数调节 236
12.4 自动强化学习-AutoRL 237
12.5 自动图神经网络-AutoGL 238
12.5.1 图神经网络简介 238
12.5.2 自动图神经网络 239
本章小结 242
参考文献 243
展开全部

作者简介

周庆国,兰州大学信息科学与工程学院教授,博导,中国计算机学会(CCF)高级会员,首批全国万名优秀创新创业导师,教育部“新世纪优秀人才支持计划”入选者,宁夏回族自治区高等学校特聘教授,青海省“高端创新人才****”(引进领军人才)入选者,兰州大学开源软件与实时系统教育部工程研究中心副主任,兰州大学计算机系统结构研究所所长,兰州大学分布式与嵌入式系统实验室主任。目前主要从事实时系统、嵌入式系统、人工智能的研究,2017年研制了甘肃省**辆无人驾驶试验车。近年来荣获甘肃省科技进步二等奖(1/8)、**届全国高等学校计算机教育教学青年教师优秀论文奖一等奖、兰州大学教学成果奖一等奖(1/5)等荣誉,牵头编制了《甘肃省网络空间安全纲要》。雍宾宾,兰州大学信息科学与工程学院副教授,硕士生导师。主要从事高性能计算、深度学习和自动驾驶相关研究。2018年获ACM兰州分区优秀博士,2019年获得谷歌奖教金,2021年获得华为云与计算先锋教师。共发表学术论文三十余篇,承担5项教育部产学合作项目。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航