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

機器學習及智慧交通應用(普通高等教育交通運輸類專業系列教材)

  • 作者：編者:徐國艷|責編:宋學敏//王榮
  • 出版社：機械工業
  • ISBN：9787111787396
  • 出版日期：2025/08/01
  • 裝幀：平裝
  • 頁數：251
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書從機器學習的基本概念出發，逐步深入講解經典機器學習方法、深度學習、卷積神經網路、循環神經網路以及大模型技術，及它們在智慧交通中的應用，包括車輛追尾預警、交通事故嚴重程度判斷、自動駕駛技術等豐富的案例。本書主要內容有緒論、回歸分析、邏輯回歸、K近鄰演算法、決策樹、支持向量機、集成學習、貝葉斯分析、聚類分析、深度學習基礎及交通標誌分類實踐項目、卷積神經網路理論及斑馬線檢測項目、循環神經網路及實踐、大模型技術原理及交通領域智能體應用。
    本書適合作為智慧交通、智能車輛、自動控制等專業人工智慧課程的入門教材。本書內容豐富，敘述清晰且循序漸進，採用新形態構建形式。本書配有項目代碼講解視頻、部分習題參考答案等，讀者可掃描書中的二維碼進行觀看；本書提供了部分教學案例和實踐項目的源代碼，讀者可掃描內封上的二維碼進行下載。
作者介紹
編者:徐國艷|責編:宋學敏//王榮
目錄
第1章  緒論
  1.1  智慧交通概述
    1.1.1  智慧交通基本概念及特徵
    1.1.2  智慧交通簡要發展歷程
  1.2  機器學習概述
    1.2.1  機器學習的基本概念
    1.2.2  機器學習的典型演算法
  1.3  機器學習在智慧交通中的典型應用
    1.3.1  機器學習在交通事件檢測中的應用
    1.3.2  機器學習在交通狀態預測中的應用
    1.3.3  機器學習在交通管理與控制中的應用
    1.3.4  機器學習在自動駕駛技術中的應用
    1.3.5  交通領域大模型的應用
  習題
第2章  回歸分析
  2.1  回歸分析的起源與基本概念
  2.2  一元線性回歸
    2.2.1  一元線性回歸的基本概念
    2.2.2  損失函數的定義
    2.2.3  參數優化方法
    2.2.4  回歸模型評估指標
    2.2.5  一元線性回歸實踐——電動汽車續駛里程預測
  2.3  多元線性回歸
    2.3.1  多元線性回歸的基本概念
    2.3.2  多元線性回歸的梯度下降法求解
    2.3.3  多元線性回歸實踐——電動汽車續駛里程預測
  2.4  多項式回歸
    2.4.1  多項式回歸的基本概念
    2.4.2  多項式回歸的實踐——電動汽車續駛里程預測
  2.5  過擬合與正則化
    2.5.1  過擬合
    2.5.2  正則化
    2.5.3  增加正則項的實踐案例
  習題
第3章  邏輯回歸
  3.1  二分類與伯努利分佈
  3.2  邏輯函數
  3.3  邏輯回歸的損失函數
    3.3.1  從0/1損失到交叉熵損失
    3.3.2  邏輯回歸損失函數的正則化
  3.4  邏輯回歸的參數優化方法
  3.5  分類的評估工具與指標
    3.5.1  混淆矩陣
    3.5.2  精確率、召回率、綜合評價指標
    3.5.3  微平均、宏平均、加權平均
  3.6  Scikit?learn中的邏輯回歸方法
    3.6.1  Scikit?learn中的邏輯回歸分類器
    3.6.2  LogisticRegression
    3.6.3  LogisticRegressionCV
    3.6.4  SGDClassifier

  3.7  邏輯回歸實踐案例
    3.7.1  汽車追尾事故預測
    3.7.2  交通事故嚴重程度判斷
  習題
第4章  K近鄰演算法
  4.1  KNN的核心思想
  4.2  距離度量方式
  4.3  KNN實踐案例
    4.3.1  KNN實踐案例——汽車追尾事故預測
    4.3.2  KNN實踐案例——交通事故嚴重程度判斷
  習題
第5章  決策樹
  5.1  決策樹概述
  5.2  決策樹特徵選擇策略與典型演算法
    5.2.1  特徵選擇衡量準則
    5.2.2  ID3演算法
      5.2.3C4.5  演算法
    5.2.4  CART演算法
  5.3  決策樹剪枝
    5.3.1  預剪枝
    5.3.2  后剪枝
  5.4  回歸決策樹
  5.5  Sklearn庫中的決策樹方法
  5.6  決策樹實踐案例
    5.6.1  汽車安全行駛決策樹分類預測
    5.6.2  汽車防追尾決策樹分類預測
    5.6.3  回歸決策樹實例
  習題
第6章  支持向量機
  6.1  支持向量機概述
  6.2  線性可分支持向量機
    6.2.1  基本原理
    6.2.2  線性可分支持向量機實踐案例
  6.3  近似線性可分支持向量機
  6.4  線性不可分支持向量機
    6.4.1  核函數
    6.4.2  線性不可分支持向量機實踐案例
  6.5  支持向量機的優缺點
  6.6  Sklearn中的支持向量機方法
  6.7  支持向量機實踐案例——交通事故嚴重程度判斷
  習題
第7章  集成學習
  7.1  偏差和方差
    7.1.1  偏差和方差的圖示
    7.1.2  偏差和方差的數學定義
    7.1.3  偏差和方差的實例演示
    7.1.4  偏差和方差的權衡
  7.2  Bagging演算法
    7.2.1  Bagging演算法理論
    7.2.2  Sklearn中的Bagging方法

    7.2.3  Bagging實踐案例
    7.2.4  隨機森林演算法理論
    7.2.5  Sklearn中的隨機森林方法
    7.2.6  隨機森林實踐案例——電動汽車續駛里程預測
    7.2.7  隨機森林實踐案例——交通事故嚴重程度判斷
    7.2.8  隨機森林的超參數優化
  7.3  Boosting演算法
    7.3.1  AdaBoost演算法
    7.3.2  梯度提升決策樹演算法
    7.3.3  XGBoost演算法
    7.3.4  LightGBM演算法
    7.3.5  Boosting實踐案例——電動汽車續駛里程預測
  7.4  Stacking演算法
    7.4.1  Stacking演算法理論
    7.4.2  Stacking演算法實踐案例
  習題
第8章  貝葉斯分析
  8.1  貝葉斯定理
  8.2  樸素貝葉斯
    8.2.1  樸素貝葉斯原理
    8.2.2  高斯樸素貝葉斯
    8.2.3  伯努利樸素貝葉斯
    8.2.4  多項式樸素貝葉斯
    8.2.5  樸素貝葉斯實踐案例
  8.3  基於貝葉斯的超參數優化方法及實踐
    8.3.1  基於bayes_opt的電動汽車續駛里程預測超參數優化
    8.3.2  基於hyperopt的電動汽車續駛里程預測超參數優化
    8.3.3  基於optuna的電動汽車續駛里程預測超參數優化
  習題
第9章  聚類分析
  9.1  聚類分析的分類
  9.2  距離或相似度
    9.2.1  閔氏距離
    9.2.2  馬氏距離
    9.2.3  相關係數
    9.2.4  夾角餘弦
  9.3  評估指標
    9.3.1  輪廓係數
    9.3.2  Calinski?Harabasz指數
    9.3.3  Davies?Bouldin指數
  9.4  K?means聚類
    9.4.1  K?means基本原理
    9.4.2  K?means實踐案例——停車場車輛聚類分析
    9.4.3  K?means實踐案例——共享單車聚類分析
  9.5  DBSCAN聚類
    9.5.1  DBSCAN基本原理
    9.5.2  DBSCAN實踐案例——共享單車聚類分析
    9.5.3  DBSCAN實踐案例——球形數據聚類分析
  9.6  層次聚類法
    9.6.1  層次聚類法基本原理

    9.6.2  層次聚類法實踐案例——共享單車聚類分析
  習題
第10章  深度學習基礎及交通標誌分類實踐項目
  10.1  神經網路
    10.1.1  神經網路基本概念
    10.1.2  單層感知機
    10.1.3  多層感知機
    10.1.4  綜合實踐項目——交通事故的嚴重程度判斷
  10.2  深度學習理論基礎
    10.2.1  信號前向傳播
    10.2.2  激活函數
    10.2.3  損失函數
    10.2.4  參數優化方法
    10.2.5  誤差反向傳播
    10.2.6  計算圖
  10.3  深度學習框架
    10.3.1  TensorFlow
    10.3.2  PyTorch
    10.3.3  PaddlePaddle
  10.4  MLP實踐項目——交通標誌分類識別
  習題
第11章  卷積神經網路理論及斑馬線檢測項目
  11.1  全連接神經網路的局限性分析
  11.2  卷積神經網路理論基礎
    11.2.1  卷積神經網路基本結構與主要特徵
    11.2.2  卷積層
    11.2.3  池化層
  11.3  典型的卷積神經網路模型
    11.3.1  LeNet?
    11.3.2  AlexNet
    11.3.3  VGGNet
    11.3.4  GoogLeNet
    11.3.5  ResNet
  11.4  卷積神經網路實踐項目——斑馬線檢測
  習題
第12章  循環神經網路及實踐
  12.1  自然語言處理及相關技術
    12.1.1  NLP的發展歷程
    12.1.2  詞向量技術
  12.2  循環神經網路
  12.3  LSTM和GRU
    12.3.1  LSTM
    12.3.2  GRU
  12.4  深度循環神經網路
    12.4.1  堆疊循環神經網路
    12.4.2  深度雙向循環神經網路
  12.5  序列到序列模型
  12.6  循環神經網路實踐項目
    12.6.1  使用Gensim庫進行詞向量生成
    12.6.2  基於LSTM的文本情感分析

    12.6.3  基於循環神經網路的車輛軌跡預測
  習題
第13章  大模型技術原理及交通領域智能體應用
  13.1  大模型技術概述
    13.1.1  深度學習的新紀元與挑戰
    13.1.2  大模型研究進展概述
    13.1.3  大模型發展中的倫理考量
  13.2  大模型的定義和分類
    13.2.1  大模型的定義
    13.2.2  大模型的分類
  13.3  典型的大模型架構原理
    13.3.1  Transformer模型原理
    13.3.2  生成對抗網路原理
    13.3.3  生成擴散模型原理
  13.4  大模型常見應用方式
    13.4.1  提示詞工程
    13.4.2  檢索增強生成
    13.4.3  大模型微調技術
    13.4.4  大模型全調技術
    13.4.5  大模型智能體
  13.5  交通領域大模型智能體技術路徑與應用實踐
    13.5.1  基於百度AppBuilder零代碼平台的智能體提示詞工程實踐
    13.5.2  自動駕駛決策智能體構建
  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