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<AI>技術(原理演算法應用案例)

  • 作者：趙月齋//孫寧|責編:黃瀅
  • 出版社：化學工業
  • ISBN：9787122513908
  • 出版日期：2026/10/01
  • 裝幀：平裝
  • 頁數：280
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統整合人工智慧理論演進與行業落地實踐。全書圍繞「技術脈絡-數學原理-工程應用」三維框架展開，覆蓋機器學習、深度學習、聯邦學習、多模態感知等核心技術，針對郵政物流多中心路徑規劃、駕駛員行為監控、違禁品識別三大核心場景構建標準化落地方案。
    全書以「技術溯源-演算法革新-場景適配」為分析邏輯，兼顧AI演算法底層數學理論與真實業務案例，提煉行業智能化改造通用方法論，為行業數字化轉型提供理論依據與實操指南。
    本書適合郵政物流行業數字化從業者，AI演算法研發工程師，智慧物流領域科研與方案咨詢人員，交通運輸、郵政工程、人工智慧相關專業師生閱讀，也可供從事物流智能化、政企數字化轉型的管理人員作為參考工具書使用。
作者介紹
趙月齋//孫寧|責編:黃瀅
目錄
第1章  人工智慧演進與產業驅動
  1.1  技術革命三階段：符號主義→統計學習→深度學習
    1.1.1  引言
    1.1.2  第一階段：符號主義人工智慧——邏輯推理驅動的確定性智能
    1.1.3  第二階段：統計學習人工智慧——數據概率驅動的經驗性智能
    1.1.4  第三階段：深度學習人工智慧——深度特徵驅動的通用性智能
    1.1.5  三階段技術迭代對比與郵政行業適配邏輯
    1.1.6  小結
  1.2  核心驅動力：算力突破、演算法創新與數據爆發
    1.2.1  引言
    1.2.2  算力突破：人工智慧迭代的硬體底層支撐
    1.2.3  演算法創新：人工智慧智能能力的核心內核
    1.2.4  數據爆發：人工智慧智能迭代的核心生產資料
    1.2.5  算力、演算法、數據三角協同機制與郵政賦能邏輯
    1.2.6  小結
  1.3  行業賦能範式：從通用技術到場景適配
    1.3.1  引言
    1.3.2  賦能範式理論溯源與核心定義
    1.3.3  通用人工智慧技術賦能範式：特徵、優勢與固有局限
    1.3.4  場景適配賦能範式：核心原理、技術體系與運行邏輯
    1.3.5  郵政物流行業AI場景適配體系與分層賦能邏輯
    1.3.6  當前場景適配落地的現存問題與優化思路
    1.3.7  小結
  1.4  【案例模塊】郵政智能化政策與物流網路升級路徑
    1.4.1  引言
    1.4.2  郵政智能化發展政策體系溯源與頂層邏輯
    1.4.3  傳統郵政物流網路架構與核心發展瓶頸
    1.4.4  政策驅動下郵政物流網路智能化升級核心邏輯與技術體系
    1.4.5  郵政物流網路智能化升級實施路徑與落地實踐
    1.4.6  當前郵政網路智能化升級現存問題與優化迭代方向
    1.4.7  小結
第2章  機器學習基礎與前沿範式
  2.1  監督學習：從貝葉斯理論到集成學習（AdaBoost、XGBoost）
    2.1.1  引言
    2.1.2  監督學習基礎理論溯源與核心範式定義
    2.1.3  經典淺層監督學習演算法體系與原理拆解
    2.1.4  集成學習的核心理論與技術範式迭代
    2.1.5  AdaBoost的原理、架構與技術特徵
    2.1.6  XGBoost的核心體系與深度解析
    2.1.7  監督學習演算法體系對比與技術迭代脈絡梳理
    2.1.8  監督學習演算法在郵政物流場景中的適配落地體系
    2.1.9  現存技術問題與全局優化迭代思路
    2.1.10  小結
  2.2  無監督學習：聚類演算法（K-means、DBSCAN）與特徵降維（t-SNE、UMAP）
    2.2.1  引言
    2.2.2  無監督學習基礎理論溯源與核心範式體系
    2.2.3  核心聚類演算法體系原理與深度解析
    2.2.4  特徵降維的核心理論與技術迭代體系
    2.2.5  無監督學習演算法協同體系與郵政落地適配邏輯
    2.2.6  現存技術痛點與全局迭代優化體系

    2.2.7  小結
  2.3  主動學習：動態樣本選擇與標注成本優化
    2.3.1  引言
    2.3.2  主動學習基礎理論溯源與範式定位
    2.3.3  主動學習核心查詢策略與演算法體系解析
    2.3.4  主動學習技術優勢、固有局限與現存技術痛點
    2.3.5  針對性迭代優化體系與前沿技術升級方案
    2.3.6  主動學習郵政全場景落地體系與工程實踐
    2.3.7  小結
  2.4  強化學習：馬爾可夫決策過程與深度強化學習（DQN、PPO）
    2.4.1  引言
    2.4.2  強化學習基礎理論溯源與核心範式定位
    2.4.3  傳統強化學習經典演算法原理解析
    2.4.4  深度強化學習核心演算法解析(DQN、PPO)
    2.4.5  強化學習通用技術優勢、固有局限與郵政場景落地痛點
    2.4.6  強化學習迭代優化體系與郵政場景適配方案
    2.4.7  強化學習郵政全場景工程落地與實踐應用
    2.4.8  小結
  2.5  【案例模塊】郵政客戶分群的K-means演算法模型與實現
    2.5.1  引言
    2.5.2  K-means演算法的基礎理論溯源
    2.5.3  K-means演算法的核心架構與運行機制
    2.5.4  K-means演算法的技術優勢與固有局限性分析
    2.5.5  適配郵政場景的K-means模型優化思路
    2.5.6  郵政客戶分群K-means模型完整工程實現
    2.5.7  聚類模型落地價值與郵政場景優化策略
    2.5.8  小結
第3章  圖論演算法與系統優化
  3.1  Floyd演算法的數學原理與動態規劃思想
    3.1.1  引言
    3.1.2  圖論最短路徑基礎理論溯源
    3.1.3  Floyd演算法的核心數學原理與模型拆解
    3.1.4  Floyd演算法的整體架構與標準化運行機制
    3.1.5  Floyd演算法的技術優勢、固有局限與郵政場景落地痛點
    3.1.6  適配郵政場景的Floyd演算法迭代優化體系
    3.1.7  Floyd演算法的郵政物流場景適配與落地價值
    3.1.8  小結
  3.2  Dijkstra、A*演算法在路徑規劃中的對比分析
    3.2.1  引言
    3.2.2  單源最短路徑演算法基礎理論與技術演進
    3.2.3  Dijkstra演算法的核心原理、架構與運行機制
    3.2.4  A*啟髮式搜索演算法的核心原理、架構與迭代機制
    3.2.5  Dijkstra與A*演算法的多維度系統性對比分析
    3.2.6  Dijkstra與A*演算法的固有痛點與郵政場景適配優化思路
    3.2.7  雙演算法在郵政物流核心場景的落地應用與價值賦能
    3.2.8  小結
  3.3  圖神經網路（GNN）與複雜網路建模
    3.3.1  引言
    3.3.2  圖神經網路的基礎理論溯源與技術演進
    3.3.3  圖神經網路的核心數學原理與通用建模機制

    3.3.4  主流圖神經網路的模型架構與技術迭代解析
    3.3.5  圖神經網路的技術優勢、固有局限與郵政場景落地痛點
    3.3.6  適配郵政複雜網路的GNN優化體系與前沿迭代思路
    3.3.7  GNN在郵政複雜物流網路的核心落地場景與賦能價值
    3.3.8  小結
  3.4  【案例模塊】Floyd演算法在郵政幹線網路優化中的應用
    3.4.1  引言
    3.4.2  郵政幹線網路體系特徵與優化痛點分析
    3.4.3  Floyd演算法適配郵政幹線優化的理論基礎與適配性論證
    3.4.4  郵政幹線網路拓撲建模與演算法定製化改造
    3.4.5  基於改進Floyd演算法的幹線網路優化方案設計
    3.4.6  實驗驗證與優化效果量化分析
    3.4.7  現存優化局限與後續迭代升級方向
    3.4.8  小結
第4章  深度學習技術體系
  4.1  卷積神經網路（CNN）：從LeNet到ResNet的架構演進
    4.1.1  引言
    4.1.2  卷積神經網路基礎理論溯源與技術誕生邏輯
    4.1.3  卷積神經網路的通用核心架構與運行機制拆解
    4.1.4  經典卷積神經網路架構全迭代演進(LeNet—AlexNet—VGG—GoogLeNet—ResNet)
    4.1.5  卷積神經網路通用技術優勢、固有局限與迭代痛點總結
    4.1.6  CNN技術優化方向與前沿迭代範式
    4.1.7  CNN技術體系的產業適配與郵政場景落地價值
    4.1.8  小結
  4.2  循環神經網路（RNN）與長短期記憶（LSTM）機制
    4.2.1  引言
    4.2.2  時序數據建模基礎理論溯源與技術誕生邏輯
    4.2.3  基礎循環神經網路(RNN)的核心原理與架構拆解
    4.2.4  基礎RNN固有核心缺陷與技術瓶頸剖析
    4.2.5  長短期記憶網路(LSTM)的核心架構與門控機制拆解
    4.2.6  LSTM的技術優勢、固有局限與迭代優化範式
    4.2.7  RNN/LSTM時序模型的郵政場景適配與落地價值
    4.2.8  小結
  4.3  Transformer架構：自注意力機制與預訓練模型（BERT、GPT）
    4.3.1  引言
    4.3.2  Transformer的技術理論溯源與迭代演進邏輯
    4.3.3  Transformer的核心基礎原理與自注意力機制數學解析
    4.3.4  Transformer的完整編碼-解碼架構拆解
    4.3.5  Transformer的核心技術優勢與固有局限深度剖析
    4.3.6  主流預訓練模型體系：BERT與GPT架構與技術解析
    4.3.7  Transformer的技術優化迭代與前沿研究範式
    4.3.8  Transformer及預訓練模型的郵政物流場景落地適配與工程價值
    4.3.9  小結
  4.4  生成對抗網路（GAN）與數據增強技術
    4.4.1  引言
    4.4.2  GAN技術理論溯源與核心學習範式革新
    4.4.3  GAN基礎架構與核心模塊運行機制
    4.4.4  GAN的核心數學原理與損失函數體系
    4.4.5  經典GAN模型迭代演進與技術特性對比
    4.4.6  GAN數據增強的核心實現範式與技術優勢

    4.4.7  GAN技術的固有局限與前沿優化方案
    4.4.8  GAN數據增強技術在郵政物流場景的工程落地與應用價值
    4.4.9  小結
  4.5  【案例模塊】駕駛員疲勞狀態的BiLSTM識別模型
    4.5.1  引言
    4.5.2  郵政駕駛員疲勞識別場景痛點與技術需求分析
    4.5.3  BiLSTM模型基礎理論溯源與核心原理
    4.5.4  CNN-BiLSTM混合識別模型整體架構設計
    4.5.5  模型訓練策略、損失函數與參數配置
    4.5.6  CNN-BiLSTM模型技術優勢與局限性分析
    4.5.7  模型實驗結果與郵政場景性能驗證
    4.5.8  模型郵政工程落地應用方案與業務價值
    4.5.9  小結
第5章  電腦視覺與邊緣計算
  5.1  目標檢測演算法演進（YOLO系列、FasterR-CNN）
    5.1.1  引言
    5.1.2  目標檢測的基礎理論與技術演進脈絡
    5.1.3  兩階段標桿演算法：FasterR-CNN核心原理與架構解析
    5.1.4  單階段標桿演算法：YOLO系列全版本迭代與核心原理
    5.1.5  兩階段與單階段演算法體系全方位對比分析
    5.1.6  郵政物流場景目標檢測現存核心技術痛點與前沿優化方向
    5.1.7  小結
  5.2  輕量化模型部署（MobileNet、TensorRT優化）
    5.2.1  引言
    5.2.2  輕量化模型部署基礎理論與評價體系
    5.2.3  MobileNet系列輕量化網路的核心原理與架構解析
    5.2.4  TensorRT推理加速引擎的核心原理與優化體系
    5.2.5  輕量化模型部署郵政場景融合優化體系
    5.2.6  輕量化部署現存技術問題與前沿優化方向
    5.2.7  小結
  5.3  聯邦學習在隱私保護中的應用
    5.3.1  引言
    5.3.2  聯邦學習與數據隱私保護基礎理論體系
    5.3.3  聯邦學習核心架構與運行機制解析
    5.3.4  聯邦學習隱私安全風險與防護機制深度解析
    5.3.5  聯邦學習與邊緣輕量化部署的協同適配機制
    5.3.6  郵政全場景聯邦學習隱私保護落地應用體系
    5.3.7  現存技術短板與前沿優化發展方向
    5.3.8  小結
  5.4  【案例模塊】X射線圖像違禁品檢測的跨層融合技術
    5.4.1  引言
    5.4.2  X射線違禁品檢測與跨層融合基礎理論體系
    5.4.3  X射線圖像跨層融合核心技術原理與運算機制
    5.4.4  郵政X射線圖像違禁品跨層融合檢測模型完整架構解析
    5.4.5  跨層融合檢測模型技術優勢與局限性分析
    5.4.6  郵政場景適配優化思路與前沿改進方案
    5.4.7  郵政X射線圖像違禁品跨層融合檢測全鏈路落地體系
    5.4.8  實驗驗證與性能對比分析
    5.4.9  小結
第6章  隱私計算與邊緣智能

  6.1  聯邦學習的差分隱私保護機制
    6.1.1  引言
    6.1.2  聯邦學習隱私泄露風險與防護理論溯源
    6.1.3  聯邦差分隱私核心技術原理與演算法機制
    6.1.4  聯邦差分隱私完整架構解析與模塊功能拆解
    6.1.5  聯邦差分隱私技術優勢與局限性辯證分析
    6.1.6  郵政場景適配優化與前沿改進方案
    6.1.7  聯邦差分隱私郵政全場景落地適配分析
    6.1.8  小結
  6.2  邊緣端模型優化：TensorRT加速與量化部署
    6.2.1  引言
    6.2.2  邊緣端模型優化的基礎理論與技術溯源
    6.2.3  TensorRT加速引擎的核心架構與技術原理
    6.2.4  多精度量化部署的核心演算法與誤差補償機制
    6.2.5  TensorRT邊緣優化的完整架構與模塊功能拆解
    6.2.6  TensorRT邊緣優化的技術優勢與局限性辯證分析
    6.2.7  郵政場景定製化優化與前沿迭代方案
    6.2.8  TensorRT優化技術郵政全場景落地適配分析
    6.2.9  小結
  6.3  多模態數據融合：圖像、文本與感測器協同
    6.3.1  引言
    6.3.2  多模態數據融合的基礎理論與技術溯源
    6.3.3  多模態協同融合的核心演算法與原理拆解
    6.3.4  郵政專屬多模態協同融合整體架構設計
    6.3.5  多模態融合技術的優勢與局限性辯證分析
    6.3.6  多模態融合技術的前沿優化與迭代升級方案
    6.3.7  多模態協同融合技術郵政全場景落地適配
    6.3.8  小結
  6.4  【案例模塊】郵政運單數據的跨域聯合建模及應用
    6.4.1  引言
    6.4.2  跨域聯合建模的基礎理論與技術溯源
    6.4.3  郵政運單多域數據體系構建與預處理技術
    6.4.4  郵政運單跨域聯合建模核心演算法原理拆解
    6.4.5  郵政運單跨域聯合建模整體架構設計
    6.4.6  技術優勢、局限性與迭代優化方案
    6.4.7  郵政運單跨域聯合建模全場景落地應用
    6.4.8  模型實驗驗證與性能對比分析
    6.4.9  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