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

人工智慧基礎及應用(微課視頻版教育部高等學校電腦類專業教學指導委員會推薦教材)/國家級一流本科課程配套教材系列

  • 作者：編者:周軍//梅紅岩//薛笑榮//伊華偉//杜穎等|責編:張玥
  • 出版社：清華大學
  • ISBN：9787302697312
  • 出版日期：2025/07/01
  • 裝幀：平裝
  • 頁數：273
人民幣：RMB 66 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是國家級一流本科課程「人工智慧」的配套教材，是作者二十余年教學經驗的結晶。考慮初學者的特點，遵循思維過程安排全書內容，同時通過案例學習深化理解。
    全書分兩篇，共11章。基礎篇（第1?6章）包括緒論、確定性推理、不確定性推理、搜索策略、機器學習和知識圖譜。應用篇（第7?11章），包括人工神經網路與深度學習、卷積神經網路及其圖像分類案例、推薦系統及其應用案例、決策樹分類方法及案例實現和ChatGPT。除緒論外，每章內容均按照「基礎理論＋應用案例」的結構組織和撰寫。第7章和第8章都以神經網路為基礎，其他各章各成體系。
    本書適合作為高等院校電腦科學與技術、軟體工程、智能科學與技術、人工智慧等相關專業高年級本科生、研究生的教材，也可供對人工智慧感興趣的讀者參考。
作者介紹
編者:周軍//梅紅岩//薛笑榮//伊華偉//杜穎等|責編:張玥
目錄
第1部分  基礎篇
  第1章  緒論
    1.1  人工智慧及其衡量智能機器的準則
      1.1.1  人工智慧的定義
      1.1.2  衡量智能機器的準則
    1.2  人工智慧的發展歷史和研究途徑
      1.2.1  人工智慧的發展歷史
      1.2.2  人工智慧的研究途徑
    1.3  人工智慧的研究內容和研究領域
      1.3.1  人工智慧的研究內容
      1.3.2  人工智慧的研究領域
    1.4  人工智慧的應用及未來展望
      1.4.1  人工智慧的應用
      1.4.2  人工智慧的未來
      1.4.3  人工智慧面臨的挑戰
      1.4.4  人工智慧發展的機遇
    1.5  本章小結
    習題
  第2章  確定性推理
    2.1  確定性推理與不確定性推理
      2.1.1  推理的基本概念
      2.1.2  確定性推理與不確定性推理
      2.1.3  確定性推理的一般過程
    2.2  謂詞邏輯推理方法
      2.2.1  謂詞邏輯的知識表示
      2.2.2  謂詞公式的解釋
      2.2.3  謂詞公式的永真性、可滿足性、不可滿足性
      2.2.4  謂詞邏輯應用案例
      2.2.5  謂詞邏輯知識表示的特點
    2.3  自然演繹推理方法
      2.3.1  自然演繹推理的推理規則
      2.3.2  自然演繹推理的推理方法
      2.3.3  自然演繹推理應用案例
      2.3.4  自然演繹推理的特點
    2.4  歸結演繹推理方法
      2.4.1  子句和子句集
      2.4.2  謂詞公式的Skolem標準型
      2.4.3  謂詞公式化為子句集的方法
      2.4.4  歸結原理
      2.4.5  歸結原理的應用案例
    2.5  本章小結
    習題
  第3章  不確定性推理
    3.1  產生式知識表示與推理
      3.1.1  產生式知識表示法
      3.1.2  產生式系統與推理過程
      3.1.3  產生式推理應用案例
    3.2  可信度推理方法
      3.2.1  可信度推理的不確定性度量與表示
      3.2.2  可信度推理的不確定性計算

      3.2.3  可信度推理應用案例
    3.3  主觀貝葉斯推理方法
      3.3.1  主觀貝葉斯推理的不確定度量與表示
      3.3.2  主觀貝葉斯推理的不確定計算
      3.3.3  主觀貝葉斯推理應用案例
    3.4  本章小結
    習題
  第4章  搜索策略
    4.1  狀態空間表示法與搜索
      4.1.1  狀態空間表示法
      4.1.2  狀態空間表示法的問題求解案例
      4.1.3  狀態空間表示法搜索的一般過程
    4.2  寬度優先搜索
      4.2.1  寬度優先搜索的基本思想與搜索過程
      4.2.2  寬度優先搜索應用案例
    4.3  深度優先搜索
      4.3.1  深度優先搜索的基本思想與搜索過程
      4.3.2  深度優先搜索應用案例
    4.4  有界深度優先搜索
      4.4.1  有界深度優先搜索的基本思想與搜索過程
      4.4.2  有界深度優先搜索應用案例
    4.5  代價樹搜索
      4.5.1  代價樹搜索的基本思想與搜索過程
      4.5.2  代價樹搜索應用案例
    4.6  啟髮式搜索
      4.6.1  啟髮式搜索的基本思想與搜索過程
      4.6.2  啟髮式搜索應用案例
    4.7  博弈樹搜索
      4.7.1  博弈類遊戲
      4.7.2  博弈樹的構建及應用
      4.7.3  極大極小分析法
      4.7.4  α-β剪枝技術
    4.8  本章小結
    習題
  第5章  機器學習
    5.1  機器學習的定義和發展歷史
      5.1.1  機器學習的定義
      5.1.2  機器學習的發展歷史
    5.2  機器學習的分類
    5.3  機器學習系統的基本結構
    5.4  機器學習方法應用舉例
      5.4.1  線性模型方法
      5.4.2  聚類
    5.5  本章小結
    習題
  第6章  知識圖譜
    6.1  知識圖譜概述
      6.1.1  什麼是知識圖譜
      6.1.2  知識圖譜的發展歷程
      6.1.3  知識圖譜的價值

    6.2  知識圖譜的表示與建模
      6.2.1  知識圖譜的表示方法
      6.2.2  知識建模
    6.3  知識圖譜的抽取與挖掘
      6.3.1  知識抽取
      6.3.2  知識挖掘
    6.4  知識圖譜的存儲與融合
      6.4.1  知識存儲
      6.4.2  知識融合
    6.5  知識圖譜的檢索與推理
      6.5.1  知識檢索
      6.5.2  知識推理
    6.6  知識圖譜的問答與對話
      6.6.1  知識問答
      6.6.2  知識對話
    6.7  代表性的知識圖譜
      6.7.1  經典的通用知識圖譜
      6.7.2  經典的行業知識圖譜
      6.7.3  基於互聯網搜索的知識圖譜
      6.7.4  中文開放知識圖譜聯盟
    6.8  知識圖譜的發展趨勢與挑戰
      6.8.1  知識圖譜的發展趨勢
      6.8.2  知識圖譜面臨的挑戰
    6.9  本章小結
    習題
第2部分  應用篇
  第7章  人工神經網路與深度學習
    7.1  人工神經元與人工神經網路
      7.1.1  神經元
      7.1.2  神經網路
    7.2  BP神經網路及其學習演算法
      7.2.1  BP神經網路結構
      7.2.2  BP神經網路的學習演算法
      7.2.3  BP神經網路學習的例子
    7.3  深度學習
    7.4  生成對抗網路及在圖像生成中的應用
      7.4.1  生成對抗網路
      7.4.2  基於生成對抗網路的圖像生成方法
    7.5  本章小結
    習題
  第8章  卷積神經網路及其圖像分類案例
    8.1  卷積神經網路的定義及其結構
      8.1.1  卷積神經網路的定義
      8.1.2  卷積神經網路的總體架構
      8.1.3  卷積層
      8.1.4  池化層
      8.1.5  激活函數
      8.1.6  全連接層
      8.1.7  學習率和優化器
    8.2  卷積神經網路的特點與發展歷程

      8.2.1  卷積神經網路的特點
      8.2.2  卷積神經網路的發展歷程
    8.3  基於PyTorch框架的Mnist數據集分類案例
      8.3.1  圖像分類
      8.3.2  PyTorch介紹
      8.3.3  PyTorch常用庫介紹
      8.3.4  Mnist數據集介紹
      8.3.5  神經網路訓練過程
      8.3.6  案例分析
    8.4  本章小結
    習題
  第9章  推薦系統及其應用案例
    9.1  什麼是推薦系統
    9.2  推薦系統的發展歷程、面臨挑戰與未來趨勢
      9.2.1  推薦系統的發展歷程
      9.2.2  推薦系統面臨的挑戰
      9.2.3  推薦系統的發展趨勢
    9.3  推薦系統的基本結構
    9.4  基於協同過濾的推薦方法
      9.4.1  基於內存的協同過濾
      9.4.2  基於矩陣分解的協同過濾
      9.4.3  評價指標
    9.5  推薦系統應用案例
    9.6  本章小結
    習題
  第10章  決策樹分類方法及案例實現
    10.1  決策樹的基本概念
    10.2  信息熵與信息增益
      10.2.1  信息熵
      10.2.2  信息增益
    10.3  決策樹分類方法
      10.3.1  ID3演算法
      10.3.2  C4.5演算法
    10.4  決策樹分類案例
    10.5  本章小結
    習題
  第11章  ChatGPT
    11.1  ChatGPT概述
      11.1.1  ChatGPT的定義
      11.1.2  ChatGPT的功能
      11.1.3  ChatGPT的發展歷程
      11.1.4  ChatGPT的優勢和挑戰
      11.1.5  ChatGPT對人類社會的影響
      11.1.6  ChatGPT的倫理和法律問題
      11.1.7  ChatGPT的發展前景
    11.2  ChatGPT的主體架構及支撐技術
      11.2.1  ChatGPT的架構
      11.2.2  Transformer模型
      11.2.3  自然語言處理
      11.2.4  深度學習技術

      11.2.5  ChatGPT與其他AI技術的比較和融合
    11.3  ChatGPT的應用
      11.3.1  ChatGPT在教育領域的應用
      11.3.2  ChatGPT在醫療領域的應用
      11.3.3  ChatGPT在智能家居領域的應用
      11.3.4  ChatGPT在線客服中的應用
      11.3.5  ChatGPT在智能問答系統中的應用
      11.3.6  ChatGPT在機器翻譯領域中的應用
    11.4  ChatGPT實踐案例
    11.5  本章小結
    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