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

人工智慧數學原理與演算法(一流規劃教材)

  • 作者：編者:吳楓//張燕詠|責編:項贇?
  • 出版社：中國科大
  • ISBN：9787312065651
  • 出版日期：2026/08/01
  • 裝幀：平裝
  • 頁數：309
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是中國科學技術大學面向本科生開設的通修課程「人工智慧數學原理與演算法」的配套教材，旨在幫助讀者系統了解人工智慧的基本概念、數學原理、核心演算法及典型應用。
    全書以人工智慧的基礎理論和演算法為主線，按照由基礎到深入、由基本方法到典型模型的思路組織編寫。全書共分7章，分別介紹人工智慧的發展歷程、基本概念、主要研究方向及典型應用；機器學習的基本思想與方法，包括線性回歸、邏輯回歸等基礎模型；神經網路的基本結構、訓練方法和優化機制；圖神經網路的基本原理及其在圖結構數據建模中的應用；Transformer模型的基本結構、核心機制及相關應用；自監督學習的基本思想與代表性方法；強化學習的基本概念、經典演算法和典型問題。書後附有線性代數和概率統計等數學基礎內容，便於讀者在學習過程中查閱和複習。
    本書注重理論與實踐相結合，在介紹演算法原理的同時，關注模型構建、訓練優化和實際應用中的基本問題，力求幫助讀者建立對人工智慧技術體系的整體認識。本書可作為高等院校本科生人工智慧通修課程教材，也可供希望了解人工智慧基礎理論與演算法的讀者參考。
作者介紹
編者:吳楓//張燕詠|責編:項贇?
目錄
序
前言
第1章  人工智慧概述
  1.1  人工智慧簡介
    1.1.1  人工智慧定義
    1.1.2  人工智慧子領域
    1.1.3  人工智慧主要流派
    1.1.4  人工智慧代表性技術
    1.1.5  人工智慧技術實戰：井字棋
  1.2  人工智慧與機器學習簡史
    1.2.1  人工智慧簡史
    1.2.2  機器學習與神經網路簡史
  1.3  人工智慧的意義與展望
第2章  機器學習基礎
  2.1  機器學習簡介
    2.1.1  機器學習基本概念
    2.1.2  機器學習範式
  2.2  線性回歸
    2.2.1  假設類：線性回歸
    2.2.2  損失函數：平方損失
    2.2.3  優化演算法：梯度下降
  2.3  邏輯回歸
    2.3.1  分類問題
    2.3.2  邏輯回歸模型
    2.3.3  多分類問題
    2.3.4  過擬合
  2.4  K均值聚類
    2.4.1  形式化定義
    2.4.2  K均值演算法
    2.4.3  演算法性質及變體
  2.5  t-SNE降維
    2.5.1  降維的引入
    2.5.2  t-SNE演算法
    2.5.3  t-SNE結果的理解
    2.5.4  性質分析
第3章  神經網路基礎
  3.1  前饋神經網路
    3.1.1  神經網路的引入
    3.1.2  前饋神經網路
    3.1.3  萬能近似定理
    3.1.4  全連接神經網路的問題：參數量巨大
    3.1.5  卷積神經網路
  3.2  神經網路優化
    3.2.1  梯度下降與隨機梯度下降
    3.2.2  反向傳播演算法
    3.2.3  神經網路編程
    3.2.4  隨機梯度下降的問題與改進
    3.2.5  神經網路的訓練技巧
    3.2.6  淺層神經網路的參數初始化
  3.3  深度神經網路

    3.3.1  深度神經網路的訓練困境：梯度消失
    3.3.2  深度模型設計：高級激活函數
    3.3.3  深度模型設計：殘差連接
    3.3.4  深度模型設計：歸一化
    3.3.5  深度模型設計：參數初始化
第4章  圖神經網路
  4.1  圖數據與圖學習簡介
    4.1.1  圖數據與向量數據
    4.1.2  與圖相關的基本定義
    4.1.3  圖學習的任務
  4.2  圖表徵學習
    4.2.1  概述
    4.2.2  節點嵌入
    4.2.3  基於隨機遊走的節點嵌入
    4.2.4  圖嵌入
    4.2.5  基於隨機遊走的節點嵌入方法的局限性
  4.3  圖神經網路的基本操作
    4.3.1  消息傳遞
    4.3.2  聚合函數
    4.3.3  更新函數
  4.4  圖神經網路的經典架構
    4.4.1  引言
    4.4.2  圖卷積網路
    4.4.3  圖採樣與聚合演算法
    4.4.4  圖注意力網路
  4.5  圖神經網路訓練與數據劃分總結
    4.5.1  圖神經網路訓練策略
    4.5.2  圖神經網路訓練流程
    4.5.3  數據劃分
第5章  Transformer
  5.1  Transformer簡介與注意力機制
    5.1.1  Transformer模型的提出與時代背景
    5.1.2  注意力機制
    5.1.3  自注意力機制
  5.2  Transformer的編碼與解碼器
    5.2.1  位置編碼
    5.2.2  多頭機制
    5.2.3  殘差連接與層歸一化
    5.2.4  掩碼矩陣
  5.3  Transformer的典型應用
    5.3.1  Transformer架構中的詞元機制
    5.3.2  Transformer的應用
    5.3.3  Transformer架構的優勢與特點
第6章  自監督學習
  6.1  自監督學習簡介
    6.1.1  自監督學習的基本概念
    6.1.2  自監督學習的應用範式
    6.1.3  自監督學習的主要框架
  6.2  word2vec與BERT模型
    6.2.1  詞向量與word2vec概述

    6.2.2  skip-gram模型與訓練方法
    6.2.3  BERT模型的基本結構與學習目標
    6.2.4  BERT模型的應用範式與性能評估
  6.3  自回歸語言建模
    6.3.1  概率語言模型
    6.3.2  N元語法語言模型
    6.3.3  神經網路語言模型
    6.3.4  GPT系列模型
  6.4  大語言模型
    6.4.1  大語言模型概述
    6.4.2  大語言模型的能力特點
    6.4.3  大語言模型的構建方法
    6.4.4  大語言模型的應用
第7章  強化學習
  7.1  強化學習簡介
    7.1.1  什麼是強化學習
    7.1.2  強化學習的特點
    7.1.3  強化學習演算法分類
    7.1.4  強化學習的典型應用
  7.2  馬爾可夫決策過程
    7.2.1  馬爾可夫過程
    7.2.2  馬爾可夫獎勵過程
    7.2.3  馬爾可夫決策過程
    7.2.4  部分可觀察馬爾可夫決策過程
  7.3  動態規劃演算法
    7.3.1  動態規劃的定義
    7.3.2  策略評估
    7.3.3  策略迭代
    7.3.4  價值迭代
  7.4  Q學習
    7.4.1  什麼是Q學習
    7.4.2  Q學習演算法
    7.4.3  Q學習的應用
  7.5  深度Q學習
    7.5.1  深度Q學習簡介
    7.5.2  深度Q學習的創新
    7.5.3  深度Q學習的特點和擴展
  7.6  多智能體強化學習
    7.6.1  多智能體學習的主要挑戰
    7.6.2  代表性演算法與技術
    7.6.3  策略梯度的多智能體推導
    7.6.4  生活化示例
附錄A 線性代數基礎
  A.1  向量及其屬性
    A.1.1  向量的定義
    A.1.2  向量運算基礎
    A.1.3  向量范數
  A.2  矩陣及其屬性
    A.2.1  矩陣的定義
    A.2.2  矩陣的基本運算

  A.3  線性變換與矩陣乘法
  A.4  逆矩陣
  A.5  機器學習模型實例
附錄B 概率統計基礎
  B.1  隨機事件
  B.2  概率與頻率
  B.3  獨立性與條件概率
  B.4  概率思維案例
  B.5  隨機變數與期望
  B.6  常見分佈
    B.6.1  離散型分佈
    B.6.2  連續型分佈
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