×
暂无评论
图文详情
  • ISBN:9787302612797
  • 装帧:80g胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:其他
  • 页数:232
  • 出版时间:2022-08-01
  • 条形码:9787302612797 ; 978-7-302-61279-7

本书特色

系统梳理人工智能的知识体系,详尽介绍人工智能的核心基础和原理,人工智能的必读之作。 本书主编为图灵奖得主姚期智院士,系统梳理人工智能知识体系并介绍核心基础和原理。

内容简介

《人工智能》选取人工智能的9个核心方向,包括搜索、机器学习、线性回归、决策树、集成学习、神经网络、计算机视觉、自然语言处理与强化学习,系统梳理关键知识点,并详细介绍基础原理与重要算法,同时,加入了对前沿知识的介绍与对核心成果的分析和说明。同时,书中的每一章均配备作业题与编程练习,让读者们在练习当中加深对算法与原理的理解。本书内容的选取建立在对大学人工智能教育知识体系的完整梳理之上;章节中对原理与具体的算法均进行了详尽的介绍。

目录


目录


第0章绪论


第1章数学基础


1.1导数


1.1.1导数的定义


1.1.2高阶导数与偏导数


1.1.3导数与函数极值


1.2概率论基础


1.2.1事件与概率


1.2.2随机变量与概率分布


1.2.3期望、方差与协方差


1.3矩阵基础


习题


第2章搜索


引言


2.1搜索问题的定义


2.2搜索算法基础


2.3盲目搜索


2.3.1图搜索


2.3.2深度优先搜索


2.3.3宽度优先搜索


2.3.4复杂度分析及算法改进


2.4启发式搜索


2.4.1贪婪搜索


2.4.2A*搜索算法


2.4.3A*搜索算法的*优性


2.4.4启发函数的设计


2.4.5双向搜索


2.5局部搜索


2.5.1爬山法


2.5.2模拟退火


2.5.3遗传算法


2.6对抗搜索


2.6.1极小极大搜索


2.6.2AlphaBeta剪枝搜索


2.6.3蒙特卡罗树搜索


本章总结


历史回顾


习题


第3章机器学习


引言


3.1监督学习的概念


3.2数据集与损失函数


3.3泛化


3.4过拟合与欠拟合


3.5创建数据集


3.6无监督学习与半监督学习


3.6.1K平均算法


3.6.2谱聚类算法


本章总结


历史回顾


习题


参考文献


第4章线性回归


引言


4.1线性回归


4.2优化方法


4.3二分类问题


4.4多分类问题


4.5岭回归


4.6套索回归


4.7支持向量机算法


本章总结


习题


第5章决策树模型


引言


5.1决策树的例子


5.2决策树的定义


5.3决策树的训练算法


5.3.1叶子预测值的计算


5.3.2分割条件的选取


5.3.3决策树结构的选择


5.3.4防止过拟合


5.3.5伪代码


5.3.6缺失值处理


5.3.7离散型特征处理方法与特征工程


本章总结


历史回顾


习题


参考文献


第6章集成学习


引言


6.1集成学习


6.1.1一个理想化模型


6.1.2引导聚集方法


6.1.3提升算法


6.2随机森林


6.2.1随机森林的算法描述


6.2.2关于随机性的探讨


6.3梯度提升


6.3.1梯度提升的概念


6.3.2梯度提升树


6.3.3GBDT中的防过拟合方法


6.3.4GBDT的高效开源实现


本章总结


历史回顾


习题


参考文献


第7章神经网络初步


引言


7.1深度线性网络


7.2非线性神经网络


7.3反向传播计算导数


7.4优化器


7.5权值初始化


7.5.1Xavier初始化


7.5.2Kaiming初始化


7.6权值衰减


7.7权值共享与卷积


7.8循环神经网络


本章总结


历史回顾


习题


第8章计算机视觉


引言


8.1什么是计算机视觉


8.2图像的形成


8.2.1小孔相机模型


8.2.2数字图像


8.3线性滤波器


8.4边缘检测


8.5立体视觉


8.6卷积神经网络


8.7物体检测


8.8语义分割


本章总结


历史回顾


习题


参考文献


第9章自然语言处理


引言


9.1语言模型


9.1.1为什么需要语言模型?什么是语言模型?


9.1.2ngram模型


9.1.3*大似然估计


9.1.4困惑度


9.1.5实用技巧


9.1.6语言模型的应用


9.1.7字模型与词模型


9.1.8中文与英文的差别


9.2向量语义


9.2.1语义


9.2.2词向量


9.2.3Word2vec


9.2.4可视化示例


9.3基于神经网络的语言模型处理


9.3.1基于神经网络的bigram模型


9.3.2训练神经网络


9.3.3基于神经网络的ngram模型


9.3.4基于LSTM的语言模型


9.4基于神经网络的机器翻译


9.4.1Seq2Seq模型


9.4.2生成*佳的输出语句: Beam Search


9.4.3基于注意力机制的Seq2Seq模型


9.4.4Transformer模型


9.5语言模型预训练


9.5.1GPT: generative pretrained Transformer


9.5.2BERT: bidirectional encoder representations from

Transformers


9.5.3判别式与生成式建模方式的讨论


本章总结


历史回顾


习题


第10章马尔可夫决策过程与强化学习


引言


10.1马尔可夫链


10.1.1例子


10.1.2马尔可夫链定义


10.1.3马尔可夫链稳态分布


10.2马尔可夫决策过程


10.2.1路线规划


10.2.2马尔可夫决策过程的定义


10.3马尔可夫决策过程的求解算法及分析


10.3.1马尔可夫决策过程算法


10.3.2算法收敛性分析


10.4强化学习


10.4.1QLearning


10.4.2深度强化学习


本章总结


历史回顾


参考文献


习题


附录A数学基础


A.1导数


A.2概率


A.3矩阵


展开全部

作者简介

姚期智,中国科学院院士,2000年获得计算机科学领域z高奖图灵奖。现任清华大学交叉信息研究院院长、教授,清华学堂计算机科学实验班(姚班)首席教授,主要研究方向为算法、密码学、量子计算、人工智能。

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