幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

數據智能研究前沿(精)/類腦計算與類腦智能研究前沿系列

  • 作者：編者:徐宗本//姚新|責編:楊建霞|總主編:張鈸
  • 出版社：上海交大
  • ISBN：9787313228413
  • 出版日期：2019/12/01
  • 裝幀：精裝
  • 頁數：392
人民幣：RMB 188 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    數據智能是以數據為中心、以「感一知一用」為模式的人工智慧，也可以說是以數據獲取、加工、處理、分析、應用為智能特徵的人工智慧。數據智能包括智能感知、智能認知（機器學習）、智能控制/智能決策等方面，是近代人工智慧研究最為活躍、應用最為普遍的部分。本分冊主要從深度生成模型、生成式對抗網路、模型驅動深度學習、自步一課程學習、強化學習、遷移學習及演化智能方面進行闡述，涵蓋標準演算法及精選的應用案例，總結了近年來數據智能研究的最新發展與成果。
作者介紹
編者:徐宗本//姚新|責編:楊建霞|總主編:張鈸
目錄
1  深度生成模型
  1.1  引言
  1.2  模型定義
    1.2.1  生成模型基本概念
    1.2.2  基於層次化貝葉斯的建模
    1.2.3  基於深度神經網路的建模
  1.3  學習方法
    1.3.1  最大似然估計
    1.3.2  對抗式生成網路
    1.3.3  矩匹配深度生成模型
  1.4  「珠算」概率編程庫
    1.4.1  模型構建
    1.4.2  推斷和學習演算法
  1.5  典型應用
    1.5.1  生成高質量的圖片、視頻、音頻
    1.5.2  半監督學習
    1.5.3  風格遷移
    1.5.4  強化學習
  1.6  總結與展望
  參考文獻
2  生成式對抗網路
  2.1  引言
  2.2  生成式對抗網路概況
    2.2.1  GAN提出的背景
    2.2.2  GAN的基本概念
    2.2.3  GAN的優勢
    2.2.4  GAN面臨的挑戰
    2.2.5  小結
  2.3  GAN的網路結構
    2.3.1  DOCN
    2.3.2  OGAN
    2.3.3  InfoCAN
    2.3.4  其他網路結構
  2.4  GAN的損失函數
    2.4.1  LSGAN
    2.4.2  WGAN
    2.4.3  WGAN-GP
    2.4.4  EBGAN
    2.4.5  BEGAN
    2.4.6  RGAN
  2.5  GAN的正則化方法
    2.5.1  批歸一化
    2.5.2  權值歸一化
    2.5.3  譜歸一化
    2.5.4  正則化方法比較
  2.6  GAN的訓練與評價
    2.6.1  訓練技巧
    2.6.2  優化演算法
    2.6.3  評價指標
  2.7  GAN的應用

    2.7.1  電腦視覺
    2.7.2  自然語言處理
    2.7.3  智能語音
    2.7.4  其他領域
  2.8  總結與展望
  參考文獻
3  模型驅動深度學習
  3.1  模型驅動深度學習概述
  3.2  優化模型驅動的深度學習
    3.2.1  稀疏編碼優化深度網路
    3.2.2  ADMM深度網路及其在壓縮感測成像中的應用
  3.3  統計模型驅動的深度學習
    3.3.1  MRF統計分佈參數估計的深度學習方法
    3.3.2  條件隨機場模型驅動的深度學習
    3.3.3  小結
  3.4  其他領域模型驅動的深度學習方法
  3.5  總結與展望
    參考文獻
4  自步一課程學習
  4.1  課程學習
  4.2  自步學習
  4.3  自步正則
  4.4  自步一課程學習
  4.5  用武之地
  4.6  從強監督到弱監督
    4.6.1  零樣本學習
    4.6.2  弱監督學習——多示例學習
    4.6.3  半監督學習——自步協同學習
  4.7  自步一課程學習理論
    4.7.1  穩健性理論
    4.7.2  收斂性理論
    4.7.3  凹共軛理論
  4.8  元學習方法
  4.9  總結與展望
    參考文獻
5  強化學習
  5.1  強化學習簡介
    5.1.1  強化學習模型
    5.1.2  馬爾可夫決策過程
    5.1.3  學習最優策略：無模型方法
    5.1.4  通過學習模型來計算最優策略
  5.2  深度強化學習
    5.2.1  基於值函數的深度強化學習
    5.2.2  基於策略梯度的深度強化學習
    5.2.3  基於行動者一評論家的深度強化學習
  5.3  遷移強化學習
    5.3.1  遷移強化學習的定義
    5.3.2  基於樣例遷移的遷移強化學習
    5.3.3  基於表示遷移的遷移強化學習
    5.3.4  基於參數遷移的遷移強化學習

    5.3.5  基於關係遷移的遷移強化學習
    5.3.6  遷移強化學習的評估
  5.4  分層強化學習
    5.4.1  基於選項的分層強化學習
    5.4.2  基於MaxQ函數分解的分層強化學習
    5.4.3  基於分層抽象機的分層強化學習
    5.4.4  深度分層強化學習和自動分層
  5.5  逆向強化學習
    5.5.1  基本概念
    5.5.2  求解獎勵函數
    5.5.3  大狀態空間下的獎勵函數求解
    5.5.4  基於最大熵的逆向強化學習
    5.5.5  生成對抗模仿學習演算法
  5.6  多智能體強化學習
    5.6.1  多智能體學習目標
    5.6.2  基於表格表徵的多智能體強化學習
    5.6.3  深度多智能體強化學習
參考文獻
6  遷移學習
  6.1  遷移學習的概念
    6.1.1  遷移學習的定義
    6.1.2  遷移學習的問題設定
  6.2  遷移學習的理論基礎
    6.2.1  數據集偏移及其原因
    6.2.2  轉導遷移學習經典理論
    6.2.3  間隔分歧散度
    6.2.4  j納遷移學習的經典理論
  6.3  歸納遷移學習
    6.3.1  有監督預訓練
    6.3.2  無監督預訓練
    6.3.3  微調
  6.4  轉導遷移學習
    6.4.1  樣本重要性加權方法
    6.4.2  基於距離約束的領域適應方法
    6.4.3  基於對抗學習的領域適應方法
  6.5  無監督遷移學習
    6.5.1  雙向生成式對抗網路
  6.6  遷移學習的相關範式
    6.6.1  多任務學習
    6.6.2  少樣本學習
    6.6.3  持續學習
    6.6.4  元學習
  6.7  遷移學習的應用
    6.7.1  智慧醫療
    6.7.2  自動駕駛
    6.7.3  機器人控制
  參考文獻
7  演化智能
  7.1  演化人工神經網路
    7.1.1  權值演化

    7.1.2  網路結構和學習規則的演化
    7.1.3  EPNet：一種混合型演化神經網路方法
  7.2  多目標演化
    7.2.1  演化多目標優化
    7.2.2  演化多目標機器學習
  7.3  協同演化
    7.3.1  協同演化演算法
    7.3.2  合作型協同演化演算法在類腦智能中的具體應用
    7.3.3  競爭型協同演化演算法在類腦智能中的具體應用
  7.4  .動態優化
    7.4.1  問題描述與定義
    7.4.2  類腦智能系統中的動態自適應
  7.5  演化演算法理論
    7.5.1  基本介紹
    7.5.2  理論分析的工具
    7.5.3  離散優化理論分析的相關結果
    7.5.4  連續優化相關工作
  7.6  人工生命
    7.6.1  波形運動模型
    7.6.2  神經網路實現和演化
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032