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

人工智慧演算法從基礎到實戰(雙色印刷)

  • 作者：編者:孫玉林|責編:耍利娜
  • 出版社：化學工業
  • ISBN：9787122489487
  • 出版日期：2026/01/01
  • 裝幀：平裝
  • 頁數：298
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書基於Python與Pytorch對人工智慧演算法基礎知識與實戰應用進行了介紹，主要包含兩部分內容。第一部分為人工智慧演算法知識的相關理論介紹，主要包含：人工智慧的線性代數基礎、概率統計基礎、數據分析基礎、機器學習基礎以及深度學習基礎。對機器學習中的回歸、聚類以及分類等經典演算法進行了介紹。對深度學習中的卷積、循環、Transformer等深度學習網路在電腦視覺與自然語言中的應用，以及大模型與微調相關的內容進行了介紹。第二部分為基於Python與Pythoch的人工智慧演算法實戰案例應用，主要介紹：數據的預測回歸分析案例；數據無監督學習中的聚類、降維以及關聯規則案例；數據有監督分類模型的應用案例，以及深度學習中圖像分類、圖像語義分割、圖像遷移學習、自然語言聚類與分類等經典演算法的實戰案例。
    本書為讀者提供了Notebook形式的源程序和使用的數據集，方便讀者邊學邊實踐。本書適合數據分析、機器學習、人工智慧以及大數據領域的工程師學習，也可用作高等院校相關專業的教材及參考書。
作者介紹
編者:孫玉林|責編:耍利娜
目錄
第1章  人工智慧簡介
  1.1  什麼是人工智慧
  1.2  人工智慧簡史
  1.3  人工智慧應用
  1.4  本章小結
第2章  人工智慧基礎
  2.1  線性代數基礎
    2.1.1  向量的定義
    2.1.2  向量運算
    2.1.3  矩陣的定義
    2.1.4  矩陣基本運算
    2.1.5  矩陣特徵值與特徵向量
  2.2  概率統計基礎
    2.2.1  隨機事件及其概率
    2.2.2  條件概率
    2.2.3  獨立性
    2.2.4  隨機變數
    2.2.5  邊緣分佈
    2.2.6  大數定律
  2.3  數據分析基礎
    2.3.1  假設檢驗
    2.3.2  方差分析
    2.3.3  相關分析
  2.4  機器學習基礎
    2.4.1  機器學習分類
    2.4.2  機器學習性能度量
    2.4.3  模型過擬合與欠擬合
  2.5  深度學習基礎
    2.5.1  深度學習發展過程
    2.5.2  深度學習任務
  2.6  本章小結
第3章  回歸分析
  3.1  線性回歸
    3.1.1  一元線性回歸
    3.1.2  多元線性回歸
    3.1.3  回歸診斷
  3.2  正則化回歸
    3.2.1  Ridge回歸
    3.2.2  Lasso回歸
    3.2.3  彈性網回歸
  3.3  邏輯回歸
  3.4  時間序列回歸
    3.4.1  白雜訊檢驗與平穩檢驗
    3.4.2  自相關與偏自相關
    3.4.3  ARMA模型
    3.4.4  ARIMA模型
    3.4.5  SARIMA模型
    3.4.6  Prophet演算法
  3.5  本章小結
第4章  無監督學習

  4.1  相似性度量
    4.1.1  距離度量
    4.1.2  分佈度量
  4.2  聚類分析
    4.2.1  聚類的基本概念
    4.2.2  k均值聚類
    4.2.3  層次聚類
    4.2.4  密度聚類
  4.3  數據降維
    4.3.1  主成分分析
    4.3.2  局部線性嵌入（LLE）
    4.3.3  t分佈-隨機鄰近嵌入（t-SNE）
  4.4  關聯規則
    4.4.1  關聯規則基本概念
    4.4.2  Apriori演算法
    4.4.3  FP-Growth演算法
  4.5  稀疏表示與字典學習
  4.6  本章小結
第5章  有監督學習
  5.1  決策樹
    5.1.1  決策樹簡介
    5.1.2  節點特徵選擇
    5.1.3  決策樹演算法
    5.1.4  決策樹剪枝
  5.2  集成學習
    5.2.1  集成學習模式與方法
    5.2.2  隨機森林演算法
    5.2.3  AdaBoost演算法
    5.2.4  梯度提升樹演算法
  5.3  k近鄰
  5.4  判別分析
    5.4.1  線性判別分析
    5.4.2  二次判別分析
  5.5  貝葉斯分類
    5.5.1  貝葉斯定理
    5.5.2  樸素貝葉斯分類器
  5.6  支持向量機
    5.6.1  支持向量與最大間隔
    5.6.2  線性支持向量機建模
    5.6.3  非線性支持向量機與核方法
  5.7  本章小結
第6章  深度學習
  6.1  人工神經網路
    6.1.1  感知機與全連接神經網路
    6.1.2  梯度下降演算法
  6.2  卷積神經網路
    6.2.1  卷積
    6.2.2  池化
    6.2.3  Dropout
    6.2.4  LeNet-5網路

    6.2.5  AlexNet網路
    6.2.6  VGG網路
    6.2.7  GoogLeNet網路
    6.2.8  ResNet網路
    6.2.9  DenseNet網路
    6.2.10  MobileNet網路
  6.3  循環神經網路
    6.3.1  RNN
    6.3.2  LSTM網路
    6.3.3  GRU
  6.4  自編碼器模型
    6.4.1  自編碼器
    6.4.2  變分自編碼器
    6.4.3  生成擴散模型（diffusion models）
  6.5  自注意力機制與Transformer
    6.5.1  自注意力
    6.5.2  交叉注意力
    6.5.3  Transformer
  6.6  生成對抗網路
    6.6.1  生成對抗網路基本工作原理
    6.6.2  條件生成對抗網路（CGAN）
    6.6.3  Wasserstein GAN（WGAN）
    6.6.4  深度卷積生成對抗網路（DCGAN）
    6.6.5  循環生成對抗網路（CycleGAN）
  6.7  圖神經網路
    6.7.1  圖卷積網路
    6.7.2  圖注意力網路
    6.7.3  圖自編碼網路
    6.7.4  時空圖神經網路
  6.8  強化學習
    6.8.1  Q-Learning
    6.8.2  深度Q網路（deep Q-networks）
    6.8.3  Actor-Critic方法
  6.9  本章小結
第7章  電腦視覺基礎
  7.1  圖像分類
    7.1.1  ViT
    7.1.2  Swin Tramsformer
    7.1.3  CLIP模型
    7.1.4  MaxViT
  7.2  目標檢測
    7.2.1  R-CNN系列演算法
    7.2.2  YOLO系列演算法
    7.2.3  SSD系列演算法
    7.2.4  目標檢測評價指標
  7.3  語義分割
    7.3.1  FCN語義分割網路
    7.3.2  SegNet語義分割網路
    7.3.3  U-Net語義分割網路
    7.3.4  DeepLab系列語義分割網路

    7.3.5  Segment Anything Model（SAM）
    7.3.6  語義分割評價指標
  7.4  圖像風格遷移
    7.4.1  固定風格固定內容的風格遷移
    7.4.2  固定風格任意內容的快速風格遷移
    7.4.3  圖像遷移學習分類
  7.5  圖像去噪
    7.5.1  基於卷積神經網路的去噪方法
    7.5.2  基於生成對抗網路的去噪方法
    7.5.3  圖像去噪評價指標
  7.6  本章小結
第8章  自然語言處理基礎
  8.1  文本數據處理
    8.1.1  字元串處理
    8.1.2  中文分詞
    8.1.3  詞頻統計與可視化
  8.2  文本特徵表示
    8.2.1  N-gram與TF-IDF矩陣
    8.2.2  詞嵌入
  8.3  文本聚類
    8.3.1  LDA主題模型
    8.3.2  深度文本聚類演算法
  8.4  文本分類
    8.4.1  FastText文本分類
    8.4.2  TextCNN文本分類
    8.4.3  TextRNN文本分類
    8.4.4  TextRCNN文本分類
  8.5  大模型
    8.5.1  BERT
    8.5.2  GPT
    8.5.3  Meta LLaMA
    8.5.4  GLM
    8.5.5  大模型微調
  8.6  多模態大模型
    8.6.1  主流多模態大模型
    8.6.2  多模態大模型架構
    8.6.3  多模態大模型未來趨勢
  8.7  本章小結
第9章  實戰案例1：藥物活性預測回歸分析實戰
  9.1  數據預處理與探索
    9.1.1  自變數數據可視化探索
    9.1.2  因變數數據可視化探索
  9.2  數據特徵選擇
  9.3  線性回歸模型
    9.3.1  逐步線性回歸預測
    9.3.2  Lasso回歸模型預測
  9.4  集成學習回歸模型
    9.4.1  隨機森林回歸預測
    9.4.2  提升樹回歸預測
  9.5  支持向量機回歸

  9.6  本章小結
第10章  實戰案例2：手寫數字降維與聚類實戰
  10.1  數據準備
  10.2  主成分分析降維
    10.2.1  特徵主成分分析
    10.2.2  樣本主成分分析
  10.3  t-SNE與LLE降維
    10.3.1  t-SNE降維
    10.3.2  LLE降維
  10.4  k均值聚類
    10.4.1  主成分特徵k均值聚類
    10.4.2  t-SNE特徵k均值聚類
  10.5  密度聚類
  10.6  層次聚類
  10.7  本章小結
第11章  實戰案例3：購物籃關聯規則挖掘實戰
  11.1  數據準備與探索
  11.2  Apriori演算法關聯規則分析
    11.2.1  發現頻繁項集
    11.2.2  關聯規則挖掘與分析
  11.3  FP-Growth演算法關聯規則分析
    11.3.1  發現頻繁項集
    11.3.2  關聯規則發現與分析
  11.4  本章小結
第12章  實戰案例4：手寫數字分類實戰
  12.1  k近鄰分類
  12.2  基於決策樹演算法分類
    12.2.1  決策樹分類
    12.2.2  隨機森林分類
  12.3  支持向量機分類
    12.3.1  線性SVM
    12.3.2  非線性SVM
  12.4  全連接網路分類
  12.5  邏輯回歸分類
  12.6  本章小結
第13章  實戰案例5：深度學習圖像分類實戰
  13.1  CIFAR10圖像數據準備與探索
  13.2  LeNet-5實現CIFAR10圖像分類
    13.2.1  LeNet-5網路搭建
    13.2.2  LeNet-5網路訓練與測試
  13.3  ResNet實現CIFAR10圖像分類
    13.3.1  ResNet網路搭建
    13.3.2  ResNet－50網路訓練與測試
  13.4  ViT實現CIFAR10圖像分類
    13.4.1  ViT網路搭建
    13.4.2  ViT網路訓練與預測
  13.5  預訓練網路的CIFAR10圖像分類
  13.6  基於LoRA微調的CIFAR10圖像分類
  13.7  本章小結
第14章  實戰案例6：深度學習語義分割實戰

第15章  實戰案例7：深度圖像遷移學習實戰
第16章  實戰案例8：自然語言聚類與分類實戰
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