新書推薦：
《
我没那么好，也没那么糟
》
售價：NT$
302.0
《
你我皆是当事人（韩国百想艺术大赏获奖电视剧《非常律师禹英禑》取材原著）
》
售價：NT$
234.0
《
中产阶级与美国社会转型研究（100余幅珍贵历史图像资料，探究美国现代化之路的成败与得失）
》
售價：NT$
406.0
《
批判哲学的批判 - 康德述评
》
售價：NT$
458.0
《
反思的使命（第二卷）：胡塞尔与他人的交互思想史（中国现象学文库·现象学研究丛书）
》
售價：NT$
806.0
《
阿拉伯通史
》
售價：NT$
978.0
《
革命：王朝的危机与变革，1685—1720
》
售價：NT$
874.0
《
瑜伽思想简史（易于中国人理解的瑜伽思想发展脉络）
》
售價：NT$
302.0
|
| 內容簡介： |
|
本书是“高级人工智能人才培养丛书”中的一本，首先介绍了机器学习的相关概念和发展历史，并在此基础上提出了深度学习——它本质上是近几年来大数据技术催生的产物。本书共12章，其中，第1～7章为机器学习的内容，分别介绍了机器学习的简单模型、贝叶斯学习、决策树、支持向量机、集成学习和聚类；第8～12章为深度学习的内容，由感知机与神经网络开始，之后分别介绍了卷积神经网络、循环神经网络、生成对抗网络及强化学习。第2～12章均提供了相应的实验案例，不仅配有完整翔实的Python语言代码及相关注释，也给出了实验结果和实验分析，便于初学者上机操作并加强理解。本书注重易学性、系统性和实战性。
|
| 關於作者： |
|
陶玉婷，2013年毕业于南京理工大学，获模式识别与智能系统专业的工学博士学位。曾于2010—2011年赴美国亚利桑那州立大学访学半年。现为金陵科技学院智能科学与技术专业骨干教师、CCF会员和JSAI会员。讲授人工智能数学基础、机器视觉与边缘计算应用等课程，发表教改论文2篇，主持人工智能课程教学试点项目1项。研究方向为图像处理、机器学习、数值计算，发表SCI论文6篇、EI论文4篇，申请软件著作权3项，并主持和参与校科研孵化基金项目、江苏省国际科技合作项目、江苏省自然科学重大项目、国家自然科学基金面上项目等多个科研项目。
|
| 目錄：
|
|
第1章 引言11.1 人工智能概述11.1.1 人工智能产生的基础条件11.1.2 人工智能的发展史21.1.3 人工智能的几个重要分支31.1.4 人工智能与机器学习和深度学习的关系41.2 机器学习概述51.2.1 机器学习的定义51.2.2 机器学习的主要方法51.2.3 机器学习的应用及其相关课程介绍111.3 深度学习概述121.3.1 深度学习产生的背景121.3.2 深度学习的几种常用模型131.3.3 深度学习的应用场合161.3.4 深度学习开源工具18习题19参考文献19第2章 简单模型212.1 KNN算法212.1.1 算法原理212.1.2 算法步骤222.1.3 算法描述222.1.4 算法评价232.1.5 算法实例232.2 线性回归242.2.1 算法原理252.2.2 模型求解262.2.3 算法步骤292.2.4 算法描述292.2.5 算法评价302.2.6 算法实例302.3 逻辑回归322.3.1 算法原理322.3.2 模型求解332.3.3 算法步骤342.3.4 算法描述342.3.5 算法评价352.4 实验：逻辑回归算法352.4.1 实验目的352.4.2 实验要求352.4.3 实验原理352.4.4 实验步骤362.4.5 实验结果382.4.6 结果分析39习题39参考文献40第3章 贝叶斯学习423.1 贝叶斯方法简述423.2 贝叶斯基础理论433.2.1 概率基础433.2.2 贝叶斯方法443.3 朴素贝叶斯463.3.1 朴素贝叶斯法介绍463.3.2 朴素贝叶斯法实例473.3.3 朴素贝叶斯法优缺点513.4 贝叶斯网络513.4.1 贝叶斯网络介绍513.4.2 贝叶斯网络实现523.4.3 贝叶斯网络特性及应用543.5 实验543.5.1 实验目的553.5.2 实验要求553.5.3 实验原理553.5.4 实验步骤563.5.5 实验结果57习题59参考文献60第4章 决策树624.1 决策树简述624.1.1 树形结构634.1.2 树的构建634.2 划分属性选择644.2.1 信息增益644.2.2 增益率664.2.3 基尼指数674.3 剪枝处理684.3.1 损失函数694.3.2 先剪枝704.3.3 后剪枝704.4 决策树算法724.4.1 ID3算法734.4.2 C4.5算法754.4.3 CART算法774.5 实验：基于CART算法的鸢尾花决策树构建784.5.1 实验目的784.5.2 实验要求784.5.3 实验原理794.5.4 实验步骤814.5.5 实验结果82习题83参考文献83第5章 支持向量机845.1 最大间隔理论简介845.2 两类问题的线性分类855.2.1 线性可分的情况855.2.2 最大间隔与支持向量865.2.3 最大间隔的相关理论875.2.4 线性不可分的情况895.2.5 小结915.3 非线性空间映射与核函数915.3.1 非线性空间映射的概念和原理915.3.2 核函数的选择与分析925.3.3 核函数的选择依据955.3.4 小结955.4 多类问题的分类955.4.1 一对一法965.4.2 一对多法965.4.3 其他方法975.4.4 小结985.5 实验985.5.1 实验1：两类问题的线性可分问题985.5.2 实验2：两类问题的非线性分类问题1005.5.3 实验3：UCI数据集中wine.data的多类分类问题1035.5.4 实验4：USPS手写阿拉伯数据库的识别106习题108参考文献109第6章 集成学习1116.1 集成学习简述1116.2 个体学习器与集成学习算法1126.2.1 个体学习器1136.2.2 集成学习算法1136.3 Bagging算法和随机森林算法1136.3.1 Bagging算法1136.3.2 随机森林1146.4 Boosting算法和AdaBoost算法1156.4.1 Boosting算法1156.4.2 AdaBoost算法1166.5 结合策略1236.5.1 平均法1236.5.2 投票法1236.5.3 学习法1246.6 实验：集成学习实例1266.6.1 一个简单的基于AdaBoost算法的二分类实现1266.6.2 基于决策树、Bagging和AdaBoost模型的糖尿病预测实验129习题133参考文献133第7章 聚类1367.1 聚类简述1367.1.1 基本概念1367.1.2 聚类类型1377.1.3 算法挑战1387.2 原型聚类1397.2.1 k均值聚类1397.2.2 k中心点聚类1417.3 密度聚类1447.3.1 基本术语1447.3.2 算法描述1467.4 层次聚类1477.4.1 层次聚类概述1497.4.2 BIRCH算法1517.4.3 CURE算法1557.5 实验：用k均值聚类实现篮球运动员聚类1587.5.1 实验目的1587.5.2 实验原理1587.5.3 实验步骤1597.5.4 实验结果及分析160习题161参考文献161第8章 感知机与神经网络1628.1 感知机1628.1.1 神经元模型1628.1.2 激活函数1638.1.3 感知机算法1658.2 神经网络原理1678.2.1 基本特征1678.2.2 前馈神经网络1688.3 反向传播神经网络1698.4 Hopfield神经网络1718.4.1 Hopfield神经网络简介1718.4.2 离散Hopfield神经网络1728.4.3 能量函数1738.5 实验：基于Python的感知机实验1738.5.1 实验目的1738.5.2 实验要求1748.5.3 实验原理1748.5.4 实验步骤1748.5.5 实验结果175习题175参考文献175第9章 卷积神经网络1779.1 卷积神经网络简述1779.1.1 发展历程1779.1.2 端到端的学习1789.2 网络部件1799.2.1 符号定义1799.2.2 卷积层1799.2.3 池化层1829.2.4 激活函数层1839.2.5 全连接层1849.2.6 目标函数1849.3 核心算法1869.3.1 随机梯度下降法1869.3.2 反向传播算法1909.4 激活函数和损失函数1959.4.1 激活函数1959.4.2 损失函数1969.5 经典CNN模型1989.5.1 LeNet1989.5.2 AlexNet1999.5.3 VGGNet2019.6 实验：应用CNN模型进行手写数字辨识2029.6.1 实验目的2029.6.2 实验要求2039.6.3 实验原理2039.6.4 实验步骤2059.6.5 实验结果206习题206参考文献208第10章 循环神经网络20910.1 RNN简介20910.1.1 RNN概述20910.1.2 RNN的工作原理20910.2 双向RNN21010.3 LSTM21110.3.1 LSTM遗忘门21210.3.2 LSTM输入门21310.3.3 LSTM输出门21410.3.4 前向传播的代码实现21410.3.5 反向传播的代码实现21510.4 GRU21610.5 RNN的实现21710.5.1 定义初始化类和初始化函数21710.5.2 定义激活函数21710.5.3 定义前向传播和反向传播21710.5.4 计算delta值和总的delat值21810.5.5 计算各个梯度的值和总梯度21810.5.6 定义梯度检查函数21910.5.7 构建测试函数并运行21910.6 实验：应用LSTM模型进行手写数字辨识22010.6.1 实验目的22010.6.2 实验要求22010.6.3 实验原理22010.6.4 实验步骤22010.6.5 实验结果222习题223参考文献223第11章 生成对抗网络22511.1 生成对抗网络简述22511.1.1 博弈22511.1.2 对抗22611.1.3 分类问题22611.2 生成对抗网络的基本原理、学习机制、应用、特点22711.2.1 生成对抗网络的基本原理22711.2.2 生成对抗网络的学习机制22711.2.3 生成对抗网络的应用22811.2.4 生成对抗网络的特点22911.3 生成对抗网络的变种网络23011.3.1 JointGAN23011.3.2 MD-GAN23011.3.3 MsCGAN23011.3.4 TGAN23111.3.5 HexaGAN23111.4 实验23111.4.1 基于SRGAN模型的人脸超分辨率实验23111.4.2 基于SRGAN的图像转换实验237习题246参考文献246第12章 强化学习25012.1 强化学习的引入25012.1.1 强化学习的概念25012.1.2 强化学习的特点25112.1.3 强化学习与监督学习25212.2 马尔可夫决策过程25312.2.1 策略与环境模型25312.2.2 值函数与Bellman公式25312.3 有模型学习——动态规划25512.3.1 策略迭代25612.3.2 值迭代25812.3.3 广义策略迭代26012.4 免模型学习——蒙特卡罗方法26012.4.1 蒙特卡罗方法26012.4.2 时序差分方法与SARSA算法26112.4.3 Q-Learning算法26312.4.4 DQN26412.5 实验26612.5.1 实验一：方块走迷宫26612.5.2 实验二：利用DQN实现“打砖块”游戏271习题277参考文献278
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
