新書推薦：
《
一岁一喜欢
》
售價：NT$
223.0
《
巨浪：生成式AI的史诗与现实
》
售價：NT$
416.0
《
萧条中的生存智慧与策略（套装2册）
》
售價：NT$
519.0
《
饮食的迷思：关于营养、健康和遗传的科学真相（2024修订版）
》
售價：NT$
359.0
《
未来科技大爆炸
》
售價：NT$
311.0
《
海外中国研究·近代中国的知识分子与文明
》
售價：NT$
510.0
《
东方帝国的营造 ： 秦汉王朝政治史
》
售價：NT$
510.0
《
漫谈数字化转型从底层逻辑到实践应用
》
售價：NT$
354.0
|
| 內容簡介： |
本书撰写的初衷，是为“人工智能与机器学习”课程提供翔实的实训项目指导。本书凝练了西南交通大学电气工程学院关于人工智能大量的研究工作，通过对热点AI项目复现、轨道交通项目实训等课程，让学生更好地感受人工智能广阔范畴下各种算法的优缺点、思想和概念，使原本很抽象晦涩的数学问题变得直观、生动。
本书设计的主旨是服务于计算机专业之外的广大工科学生，通过丰富的应用案例和实际动手实践，普及人工智能技术的基本原理和应用技术。本书特别针对于轨道交通领域的实践需求，着重于培养学生动手解决实际工程问题的能力。本书所涉及实验皆在Jupyter Notebook环境中执行，力求书面和实验内容一致。本书内容主要划分六个部分：
第一部分包括第1章～第3章，介绍实验的准备工作，主要包括Python语言、Anaconda发行版、Jupyter Notebook交互式计算环境、Markdown语法等基础概念和使用方法。
第二部分包括第4章～第8章，介绍Python语言及其科学计算相关库的使用。其中，科学计算相关库包括NumPy和SciPy科学计算库、Matplotlib数据可视化库、Pandas数据分析工具和SymPy符号运算库等。
第三部分包括第9章～第14章，介绍以符号主义为代表的经典人工智能技术，包括状态空间搜索、图的遍历、最短路径算法、A*搜索算法、对抗搜索算法和基于Ne04J的知识图谱构建。
第四部分包括第15章～第21章，介绍以scikit-learn为基础的机器学习算法。实验内容包括K-means、PCA、KNN、线性回归、逻辑回归、朴素贝叶斯等机器学习经典算法。
第五部分包括第22章～第26章，介绍基于PyTorch的深度学习框架和应用，包括张量Tensor的概念和使用、神经网络的构建和训练及各种经典的主干网络等。
第六部分包括第27章和第28章，旨在介绍轨道交通应用实践中的智能信息处理问题，引导学生开展面向轨道交通应用的综合性实践。
|
| 目錄：
|
第一部分 实验基础
第1章 实验准备
1.1 Python语言
1.2 Anaconda发行版
1.3 工具包（Package）
第2章 Jupyter Notebook
2.1 JupyterNotebook入门
2.2 代码块及其输出
第3章 Markdown语法
3.1 简要说明
3.2 基本语法
3.3 扩展语法
3.4 示例
第二部分 Python科学计算
第4章 Python基础语法
4.1 Python语法简介
4.2 Python基础语法实验
第5章 NumPy数值运算
5.1 Python科学计算函数库
5.2 Numpy高维数组
第6章 Matplotlib数据可视化
6.1 Matplotlib简介
6.2 Matplotlib程序示例
6.3 Matplotlib数据可视化
第7章 Pandas数据分析工具
7.1 实验说明
7.2 实验步骤
第8章 SymPy符号计算
8.1 实验说明
8.2 实验内容
第三部分 经典人工智能
第9章 状态空间搜索
9.1 状态空间表达
9.2 基于Networkx的图算法
第10章 图的遍历
10.1 广度优先搜索
10.2 深度优先搜索
第11章 最短路径算法
11.1 最短路径算法概述
11.2 实际应用
11.3 Dijkstra算法
第12章 A*搜索算法
12.1 工作原理
12.2 其他最短路径算法的区别
12.3 伪代码
12.4 NetworkX的astar算法
第13章 minimax算法及α-β剪枝
13.1 实验说明
13.2 实验内容
第14章 基 Ne04J的知识图谱构建
14.1 实验说明
14.2 Neo4J简介
14.3 Neo4lJ的下载与安装
14.4 Neo4J的使用
14.5 Neo4J实践案例
14.6 总结
第四部分 机器学习
第15章 机器学习算法库
15.1 scikit-learn框架
15.2 其他辅助库
第16章 K-means及PCA实验
16.1 实验说明
16.2 实验步骤
第17章 K近邻分类实验
17.1 实验说明
17.2 实验概述
17.3 实验步骤
第18章 线性回归实验
18.1 实验说明
18.2 实验步骤
18.3 处理类别特征
第19章 逻辑回归实验
19.1 实验说明
19.2 实验步骤
第20章 朴素贝叶斯模型实验
20.1 实验说明
20.2 实验步骤
第21章 复杂数据类型
21.1 实验说明
21.2 实验内容
第五部分 深度学习
第22章 深度学习框架
22.1 PyTorch深度学习框架
22.2 HDF5数据服务
第23章 张量（Tensors）初步
23.1 实验说明
23.2 实验步骤
第24章 从NumPy到Tensor
24.1 实验目标
24.2 实验步骤
第25章 LeNet模型定义和训练
25.1 实验目标
25.2 实验步骤
第26章 基于AlexNet的图像分类
26.1 实验说明
26.2 实验步骤
第六部分 综合训练
第27章 实训项目简介
第28章 基于视觉的公里标定位
28.1 项目背景及目标
28.2 数据采集及预处理
28.3 模型和算法设计
28.4 网络训练
28.5 测试与验证
28.6 实训展望
参考文献
|
|
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
