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

人工智慧原理與應用(21世紀高等學校人工智慧專業系列教材)

  • 作者：編者:傅啟明//吳宏傑//王蘊哲|責編:文怡
  • 出版社：清華大學
  • ISBN：9787302691952
  • 出版日期：2025/06/01
  • 裝幀：平裝
  • 頁數：197
人民幣：RMB 49 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統介紹了機器學習領域中的各類經典演算法，並結合Python編程語言進行詳細的演算法實現與應用。通過理論與實踐相結合的方式，涵蓋從基礎演算法概念到複雜演算法優化技術的全部內容，包括回歸分析、分類演算法、決策樹、支持向量機、神經網路、強化學習、模糊計算、群體智能演算法、人工智慧的爭論與展望等核心知識點。通過大量案例展示了相關理論在實際問題中的應用。還特別深入講解機器學習演算法設計思路與問題求解方法，涵蓋從模型構建、特徵選擇到演算法優化的完整過程。
    本書可作為本科生、研究生系統學習機器學習與演算法設計的教材，也可供學習數據科學與人工智慧領域的人員參考。
作者介紹
編者:傅啟明//吳宏傑//王蘊哲|責編:文怡
目錄
第1章  緒論
  1.1  人工智慧的概念、起源與發展
    1.1.1  人工智慧的概念
    1.1.2  人工智慧的起源
    1.1.3  人工智慧的發展
  1.2  人工智慧的主要學派
    1.2.1  符號主義學派
    1.2.2  連接主義學派
    1.2.3  行為主義學派
  1.3  主要應用領域
  1.4  機器學習演算法與scikit-learn庫
    1.4.1  機器學習
    1.4.2  scikit-learn庫
  1.5  案例分析：演算法學習平台構建
    1.5.1  基於scikit-learn庫的機器學習平台構建
    1.5.2  基於TensorFlow框架的深度學習平台構建
  1.6  閱讀材料
  1.7  本章小結
  習題
第2章  搜索策略
  2.1  概述
  2.2  圖搜索
    2.2.1  廣度優先搜索
    2.2.2  深度優先搜索
  2.3  啟髮式搜索
  2.4  博弈
  2.5  案例分析：八數碼問題
    2.5.1  八數碼問題
    2.5.2  八數碼問題的Python語言示例
  2.6  閱讀材料
  2.7  本章小結
  習題
第3章  線性回歸及分類演算法
  3.1  概述
  3.2  線性回歸演算法
    3.2.1  回歸分析
    3.2.2  線性模型
  3.3  邏輯回歸演算法
    3.3.1  Logistic函數
    3.3.2  Logistic回歸的損失函數
  3.4  基於距離的分類演算法
    3.4.1  距離度量
    3.4.2  分類演算法的理解
    3.4.3  KNN演算法
    3.4.4  kd樹
  3.5  基於概率的樸素貝葉斯演算法
    3.5.1  概率論知識
    3.5.2  樸素貝葉斯演算法
  3.6  案例分析：糖尿病預測問題
    3.6.1  糖尿病預測問題

    3.6.2  糖尿病預測問題的Python語言示例
  3.7  閱讀材料
  3.8  本章小結
  習題
第4章  決策樹
  4.1  概述
  4.2  CLS演算法
    4.3 ID3  演算法
  4.4  決策樹的修剪
  4.5  案例分析：決策樹
    4.5.1  scikit-learn中的決策樹
    4.5.2  實例參考解決方案
  4.6  閱讀材料
  4.7  本章小結
  習題
第5章  支持向量機
  5.1  概述
  5.2  硬間隔SVM與軟間隔SVM
    5.2.1  硬間隔SVM
    5.2.2  軟間隔SVM
  5.3  核函數與非線性SVM
    5.3.1  核函數的定義
    5.3.2  核函數的應用
    5.3.3  常用核函數
    5.3.4  非線性SVM演算法
  5.4  多類分類SVM
    5.4.1  one-vs-all策略
    5.4.2  one-vs-one策略
  5.5  案例分析：手寫數字數據集
    5.5.1  手寫數字數據集
    5.5.2  基於scikit-learn庫實現的手寫體數字識別實例
  5.6  閱讀材料
  5.7  本章小結
  習題
第6章  聚類
  6.1  概述
  6.2  聚類基本思想和演算法分類及分析
    6.2.1  聚類的基本思想
    6.2.2  聚類分析的分類
    6.2.3  聚類分析的步驟
  6.3  聚類演算法中相似性度量
    6.3.1  距離度量
    6.3.2  相似性係數度量
  6.4  聚類演算法
    6.4.1  劃分聚類法中的k均值演算法
    6.4.2  層次聚類法中的層次聚類
    6.4.3  基於密度的DBSCAN演算法
  6.5  聚類評估
    6.5.1  估計聚類趨勢
    6.5.2  確定數據集中的簇數

    6.5.3  測定聚類質量
  6.6  案例分析：scikit-learn中的聚類演算法實踐
    6.6.1  距離計算的實現
    6.6.2  scikit-learn中的k均值演算法
    6.6.3  scikit-learn中的DBSCAN演算法
  6.7  閱讀材料
  6.8  本章小結
  習題
第7章  反向傳播神經網路
  7.1  概述
  7.2  反向傳播神經網路模型
    7.2.1  神經網路拓撲結構
    7.2.2  神經網路的傳遞函數
  7.3  反向傳播神經網路演算法
  7.4  反向傳播神經網路缺陷
  7.5  案例分析：scikit-learn中反向傳播神經網路應用
  7.6  閱讀材料
  7.7  本章小結
  習題
第8章  卷積神經網路
  8.1  概述
  8.2  卷積神經網路模型
  8.3  典型的卷積神經網路模型
    8.3.1  LeNet-5
    8.3.2  AlexNet
    8.3.3  VGG16
    8.3.4  ResNet
  8.4  卷積神經網路的常用框架
  8.5  案例分析：基於TensorFlow的卷積神經網路應用
  8.6  閱讀材料
  8.7  本章小結
  習題
第9章  生成對抗網路
  9.1  概述
  9.2  生成對抗網路的基本介紹
    9.2.1  生成對抗網路的基本概念
    9.2.2  目標函數
    9.2.3  常見的生成模型
    9.2.4  生成對抗網路常見的模型結構
  9.3  關於生成對抗網路隱空間的理解
  9.4  生成對抗網路的應用
    9.4.1  圖像
    9.4.2  序列生成
    9.4.3  半監督學習
    9.4.4  域適應
    9.4.5  其他應用
  9.5  閱讀材料
  9.6  本章小結
  習題
第10章  強化學習

  10.1  概述
  10.2  強化學習建模
    10.2.1  馬爾可夫性
    10.2.2  馬爾可夫決策過程
  10.3  值函數與最優值函數
    10.3.1  值函數
    10.3.2  最優值函數
  10.4  基於模型的強化學習方法
    10.4.1  策略評估
    10.4.2  策略改進
    10.4.3  策略迭代
    10.4.4  值迭代
  10.5  無模型的強化學習方法
    10.5.1  蒙特卡羅方法
    10.5.2  時間差分方法
  10.6  閱讀材料
  10.7  本章小結
  習題
第11章  模糊計算
  11.1  概述
  11.2  模糊集合
    11.2.1  模糊集合的概念
    11.2.2  模糊集合的表示方法
    11.2.3  模糊集合的運算
  11.3  隸屬度函數
    11.3.1  隸屬度函數的確定
    11.3.2  常用的隸屬度函數
  11.4  模糊矩陣和模糊關係
    11.4.1  模糊矩陣
    11.4.2  模糊關係
  11.5  模糊決策
    11.5.1  模糊變換
    11.5.2  模糊判決
    11.5.3  模糊蘊涵關係
    11.5.4  模糊推理
  11.6  案例分析：一個簡單的模糊控制器
  11.7  閱讀材料
  11.8  本章小結
  習題
第12章  群體智能演算法
  12.1  概述
    12.1.1  群智能演算法的發展歷程
    12.1.2  群體智能演算法的主要代表演算法
    12.1.3  群智能演算法的特點
  12.2  遺傳演算法
    12.2.1  遺傳演算法的基本原理
    12.2.2  遺傳演算法實現步驟
    12.2.3  基於遺傳演算法的應用案例
  12.3  粒子群演算法
    12.3.1  粒子群演算法的基本原理

    12.3.2  粒子群演算法實現步驟
    12.3.3  基於粒子群演算法的應用案例
  12.4  蟻群演算法
    12.4.1  蟻群演算法的基本原理
    12.4.2  蟻群演算法實現步驟
    12.4.3  基於蟻群演算法的應用案例
  12.5  案例分析：流水線調度問題
  12.6  閱讀材料
  12.7  本章小結
  習題
第13章  人工智慧的爭論與展望
  13.1  人工智慧的爭論
    13.1.1  對人工智慧理論與方法的爭論
    13.1.2  對強弱人工智慧的爭論
  13.2  人工智慧的展望
    13.2.1  黑盒與可解釋人工智慧
    13.2.2  機器學習與機器教學
    13.2.3  馮·諾依曼計算與神經形態計算
    13.2.4  數字與量子電腦
    13.2.5  電子與腦機介面設備
  13.3  本章小結
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