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

人工智慧(第3版微課視頻版十三五江蘇省高等學校重點教材)/清華科技大講堂叢書

  • 作者：編者:丁世飛|責編:黃芝//李燕
  • 出版社：清華大學
  • ISBN：9787302596202
  • 出版日期：2021/12/01
  • 裝幀：平裝
  • 頁數：332
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要闡述人工智慧的基本原理、方法和應用技術。全書共13章，除第1章討論人工智慧的基本概念、第13章討論人工智慧的爭論與展望外，其餘11章均按照「基本智能+典型應用+計算智能」三個模塊編寫。第一個模塊為人工智慧經典的三大技術，分別為知識表示技術、搜索技術和推理技術，主要包括知識表示、搜索策略、確定性推理和不確定性推理；第二個模塊為人工智慧的典型應用領域，包括機器學習、支持向量機和專家系統；第三個模塊為計算智能與群智能，包括神經計算、進化計算、模糊計算和群智能。
    本書力求科學性、模塊化、實用性。內容由淺入深、循序漸進、條理清晰，能讓讀者在有限的時間內掌握人工智慧的基本原理、基本方法和應用技術。本書為教師提供習題答案。
    本書可作為電腦科學與技術、智能科學與技術、人工智慧、數據科學與大數據技術、自動化、機器人工程等專業的教材，也可供從事人工智慧研究與應用的科技工作者學習參考。
作者介紹
編者:丁世飛|責編:黃芝//李燕
    丁世飛，博士，中國礦業大學教授、博士生導師，中國科學院計算技術研究所客座研究員，中國礦業大學一中國科學院智能信息處理聯合實驗室負責人。長期從事人工智慧與模式識別、機器學習與數據挖掘、大數據智能分析等理論與應用研究。主持或參加「973計劃」課題2項、國家自然科學基金6項、國家「863計劃」高技術項目1項。已發表學術論文260篇，出版專著6部，授權發明專利4項。     曾獲全國優秀博士學位論文提名獎、山東省優秀博士學位論文獎、山東省省級教學成果獎1項、吳文俊人工智慧科學技術獎1項、江蘇省科學技術獎1項、江蘇省優秀碩士學位論文指導教師獎2次。入選2017年全球前10萬科學家榜單、2020年全球頂尖前10萬科學家榜單、2020年中國高被引學者（愛思唯爾）、2021年全球前2％頂尖科學家榜單（斯坦福大學）。     擔任CCF理事、傑出會員，CAAI理事、高級會員，CCF和CAAI多個專委會委員或常委委員。擔任國家自然科學獎通訊與會評專家、國家科技創新2030一「新一代人工智慧」重大項目會評專家、國家「863：計劃」「973計劃」評審專家、國家級人才計劃評審專家、國家自然科學基金評審專家等。
目錄
第1章  緒論
  1.1  人工智慧的概念
    1.1.1  智能的定義
    1.1.2  人工智慧的定義
  1.2  人工智慧的誕生與發展
    1.2.1  孕育期
    1.2.2  形成期
    1.2.3  蕭條期
    1.2.4  第二個興旺期
    1.2.5  穩步增長期
    1.2.6  中國的人工智慧發展
  1.3  人工智慧的主要研究學派
    1.3.1  符號主義學派
    1.3.2  連接主義學派
    1.3.3  行為主義學派
  1.4  人工智慧的主要研究內容
  1.5  人工智慧的主要應用領域
  1.6  小結
  習題
第2章  知識表示
  2.1  知識表示概述
    2.1.1  知識的概念
    2.1.2  知識表示的概念
  2.2  一階謂詞邏輯表示法
    2.2.1  命題
    2.2.2  謂詞
    2.2.3  謂詞公式
    2.2.4  謂詞邏輯表示
    2.2.5  謂詞邏輯表示法的特點
  2.3  產生式表示法
    2.3.1  產生式表示的基本方法
    2.3.2  產生式系統的基本結構
    2.3.3  產生式系統的分類
    2.3.4  產生式表示法的特點
  2.4  語義網路表示法
    2.4.1  語義網路的基本概念
    2.4.2  語義網路的基本語義關係
    2.4.3  語義網路表示知識的方法
    2.4.4  語義網路的推理過程
    2.4.5  語義網路表示法的特點
  2.5  框架表示法
    2.5.1  框架結構
    2.5.2  框架表示
    2.5.3  框架表示的推理過程
    2.5.4  框架表示法的特點
  2.6  腳本表示法
  2.7  面向對象表示法
    2.7.1  面向對象的基本概念
    2.7.2  面向對象方法學的主要觀點
  2.8  小結

  習題
第3章  搜索策略
  3.1  搜索策略概述
  3.2  基於狀態空間圖的搜索技術
    3.2.1  圖搜索的基本概念
    3.2.2  狀態空間搜索
    3.2.3  一般圖搜索過程
  3.3  盲目搜索
    3.3.1  寬度優先搜索
    3.3.2  深度優先搜索
    3.3.3  有界深度搜索和迭代加深搜索
    3.3.4  搜索最優策略的比較
  3.4  啟髮式搜索
    3.4.1  啟發性信息和評估函數
    3.4.2  啟髮式搜索A演算法
    3.4.3  實現啟髮式搜索的關鍵因素
    3.4.4  A*演算法
    3.4.5  迭代加深A*演算法
  3.5  回溯搜索和爬山法
    3.5.1  爬山法
    3.5.2  回溯策略
  3.6  問題規約和與或圖啟髮式搜索
    3.6.1  問題規約
    3.6.2  與或圖表示
    3.6.3  與或圖的啟髮式搜索
  3.7  博弈
    3.7.1  極大極小過程
    3.7.2  α-β過程
  3.8  小結
  習題
第4章  確定性推理
  4.1  推理概述
    4.1.1  推理的概念
    4.1.2  推理的分類
    4.1.3  推理的控制策略
  4.2  推理的邏輯基礎
    4.2.1  謂詞公式的永真性和可滿足性
    4.2.2  置換與合一
  4.3  自然演繹推理
  4.4  歸結演繹推理
    4.4.1  子句集
    4.4.2  魯濱遜歸結原理
    4.4.3  歸結演繹推理的歸結策略
    4.4.4  用歸結原理求取問題的答案
  4.5  小結
  習題
第5章  不確定性推理
  5.1  不確定性推理概述
    5.1.1  什麼是不確定性推理
    5.1.2  知識不確定性的來源

    5.1.3  不確定性推理方法分類
  5.2  不確定性推理的基本問題
    5.2.1  表示問題
    5.2.2  計算問題
    5.2.3  語義問題
  5.3  概率方法
    5.3.1  概率論基礎
    5.3.2  經典概率方法
    5.3.3  逆概率方法
  5.4  主觀Bayes方法
    5.4.1  規則不確定性的表示
    5.4.2  證據不確定性的表示
    5.4.3  組合證據不確定性的計算
    5.4.4  不確定性推理的計算
    5.4.5  結論不確定性的合成演算法
  5.5  可信度方法
    5.5.1  可信度的定義和性質
    5.5.2  C-F模型
    5.5.3  可信度方法的說明
  5.6  證據理論
    5.6.1  證據理論的形式描述
    5.6.2  證據理論的推理模型
    5.6.3  證據不確定性的表示
    5.6.4  規則不確定性的表示
    5.6.5  不確定性推理計算
    5.6.6  組合證據不確定性的計算
  5.7  模糊推理
    5.7.1  模糊數學的基本知識
    5.7.2  模糊假言推理
  5.8  小結
  習題
第6章  機器學習
  6.1  概述
    6.1.1  學習與機器學習
    6.1.2  學習系統
    6.1.3  機器學習的發展簡史
    6.1.4  機器學習的分類
    6.1.5  機器學習的應用與研究目標
  6.2  歸納學習
    6.2.1  歸納學習的基本概念
    6.2.2  變型空間學習
    6.2.3  歸納偏置
  6.3  決策樹學習
    6.3.1  決策樹的組成及分類
    6.3.2  決策樹的構造演算法CLS
    6.3.3  基本的決策樹演算法ID
    6.3.4  決策樹的偏置
  6.4  基於實例的學習
    6.4.1  k?近鄰演算法
    6.4.2  距離加權最近鄰法

    6.4.3  基於範例的學習
  6.5  強化學習
    6.5.1  強化學習模型
    6.5.2  馬爾可夫決策過程
    6.5.3  Q學習
  6.6  小結
  習題
第7章  支持向量機
  7.1  支持向量機概述
    7.1.1  支持向量機的概念
    7.1.2  支持向量機的基本思想
  7.2  統計學習理論
    7.2.1  學習問題的表示
    7.2.2  期望風險和經驗風險
    7.2.3  VC維理論
    7.2.4  推廣性的界
    7.2.5  結構風險最小化
  7.3  支持向量機的構造
    7.3.1  函數集結構的構造
    7.3.2  支持向量機求解
  7.4  核函數
    7.4.1  概述
    7.4.2  核函數的分類
  7.5  SVM的演算法及多類SVM
  7.6  用於非線性回歸的SVM
  7.7  支持向量機的應用
  7.8  小結
  習題
第8章  專家系統
  8.1  專家系統概述
    8.1.1  專家系統的主要特性
    8.1.2  專家系統的結構與類型
  8.2  基於規則的專家系統
    8.2.1  基於規則的專家系統的基本結構
    8.2.2  基於規則的專家系統的特點
    8.2.3  基於規則的專家系統舉例
  8.3  基於框架的專家系統
    8.3.1  基於框架的專家系統簡介
    8.3.2  基於框架的專家系統的繼承、槽和方法
    8.3.3  基於框架的專家系統舉例
  8.4  基於模型的專家系統
    8.4.1  基於模型的專家系統的概念
    8.4.2  基於模型的專家系統舉例
  8.5  專家系統的開發
    8.5.1  開發步驟
    8.5.2  知識獲取
    8.5.3  開發工具及環境
  8.6  專家系統設計舉例
    8.6.1  專家知識的描述
    8.6.2  知識的使用

    8.6.3  決策的解釋
    8.6.4  MYCIN系統
  8.7  新型專家系統
  8.8  小結
  習題
第9章  神經計算
  9.1  人工神經元模型
  9.2  感知器
    9.2.1  感知器的結構
    9.2.2  感知器學習演算法
  9.3  反向傳播網路
    9.3.1  BP網路的結構
    9.3.2  BP網路的學習演算法
  9.4  自組織映射神經網路
    9.4.1  SOM網路結構
    9.4.2  SOM網路的學習演算法
  9.5  Hopfield網路
    9.5.1  離散Hopfield網路的結構
    9.5.2  離散Hopfield 網路的穩定性
    9.5.3  離散Hopfield 網路的學習演算法
  9.6  脈衝耦合神經網路
    9.6.1  PCNN的結構
    9.6.2  PCNN的學習演算法
  9.7  面向時序數據的神經網路
    9.7.1  循環神經網路及其學習演算法
    9.7.2  長短時記憶神經網路
  9.8  深度神經網路
    9.8.1  卷積神經網路
    9.8.2  注意力機制
  9.9  小結
  習題
第10章  進化計算
  10.1  進化計算概述
  10.2  遺傳演算法
    10.2.1  遺傳演算法的基本原理
    10.2.2  遺傳演算法的應用示例
    10.2.3  模式定理
    10.2.4  遺傳演算法的改進
  10.3  進化規劃
    10.3.1  標準進化規劃及其改進
    10.3.2  進化規劃的基本技術
  10.4  進化策略
    10.4.1  進化策略及其改進
    10.4.2  進化策略的基本技術
  10.5  GA、EP、ES的異同
    10.5.1  GA、ES的異同
    10.5.2  EP和ES的異同
  10.6  小結
  習題
第11章  模糊計算

  11.1  模糊集合的概念
    11.1.1  模糊集合的定義
    11.1.2  模糊集合的表示方法
  11.2  模糊集合的代數運算
  11.3  正態模糊集和凸模糊集
  11.4  模糊關係
    11.4.1  模糊關係的概述
    11.4.2  模糊關係的性質
  11.5  模糊判決
  11.6  模糊數學在模式識別中的應用
    11.6.1  模糊模式識別的直接方法
    11.6.2  模糊模式識別的間接方法
  11.7  模糊綜合評判
  11.8  小結
  習題
第12章  群智能
  12.1  群智能概述
    12.1.1  群智能優化演算法定義
    12.1.2  群智能優化演算法原理
    12.1.3  群智能優化演算法特點
  12.2  蟻群優化演算法
    12.2.1  蟻群優化演算法概述
    12.2.2  蟻群優化演算法的數學模型
    12.2.3  蟻群優化演算法的改進
    12.2.4  蟻群優化演算法的應用示例
  12.3  粒子群優化演算法
    12.3.1  粒子群優化演算法基本思想
    12.3.2  粒子群優化演算法基本框架
    12.3.3  粒子群優化演算法參數分析與改進
    12.3.4  粒子群優化演算法的應用示例
  12.4  其他群智能優化演算法
    12.4.1  人工魚群演算法
    12.4.2  細菌覓食演算法
    12.4.3  混合蛙跳演算法
    12.4.4  果蠅優化演算法
  12.5  小結
  習題
第13章  爭論與展望
  13.1  爭論
    13.1.1  對人工智慧理論的爭論
    13.1.2  對人工智慧方法的爭論
    13.1.3  對人工智慧技術路線的爭論
    13.1.4  對強弱人工智慧的爭論
  13.2  展望
    13.2.1  更新的理論框架
    13.2.2  更好的技術集成
    13.2.3  更成熟的應用方法
    13.2.4  腦機介面
  13.3  小結
  習題

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