人工智能导论：案例与实践

人工智能导论：案例与实践朱强、飞桨教材编写组高等教育出版社

商品价格

降价通知

定价

手机购买

配送

北京市至

服务

高教自营发货并提供售后服务。

数量

温馨提示

支持7天无理由退换货

商品详情

商品名称：人工智能导论：案例与实践

ISBN：9787040597950

出版社：高等教育出版社

出版年月：2023-03

作者：朱强、飞桨教材编写组

定价：43.80

页码：360

装帧：平装

版次：1

字数：490

开本：16开

套装书：否

本书结合算法原理和代码实现，重点介绍了机器学习，特别是深度学习的有关案例和实践应用。主要内容包括：第1章介绍人工智能发展历程和百度飞桨框架；第2章和第3章围绕机器学习展开，介绍了监督学习和无监督学习的各种经典算法及其应用案例；第4章围绕深度学习展开，介绍了前馈神经网络、卷积神经网络、循环神经网络和生成对抗网络，以及深度学习在计算机视觉、自然语言处理两大领域的应用和实践；第5章介绍了强化学习的理论、方法和应用。

本书可作为高等院校（尤其是应用型本科院校）教学用书，教师可根据课程计划和专业特色选择授课内容（32~56学时）；本书也可以与《人工智能导论：模型与算法》一书配套使用，作为人工智能专业课程的辅助学习内容；本书还适用于从事人工智能相关开发和应用的行业人员，帮助他们快速掌握人工智能知识体系及提升代码实践能力。

本书内容均提供在线课程和习题，读者可以在飞桨实训平台AI Studio加入《人工智能导论：案例与实践》在线课程。

前辅文
第1章　绪论
  1.1　人工智能
   1.1.1　人工智能的诞生
   1.1.2　人工智能三种主流方法
   1.1.3　人工智能的过去和未来
  1.2　机器学习
   1.2.1　机器学习的定义
   1.2.2　机器学习的分类
  1.3　深度学习
   1.3.1　发展历史
   1.3.2　感知机模型
   1.3.3　多层感知机
   1.3.4　应用领域
  1.4　新一代人工智能的崛起
  1.5　深度学习框架
   1.5.1　深度学习框架
   1.5.2　使用飞桨框架完成人工智能任务的流程.
  1.6　实践基础.
   1.6.1　环境准备
   1.6.2　张量表示
   1.6.3　自动微分机制
   1.6.4　飞桨中的模型与层
  习题
  参考文献
第2章　机器学习：监督学习
  2.1　回归分析
   2.1.1　概述
   2.1.2　线性回归
   2.1.3　实践：基于线性回归的波士顿房价预测实验
   2.1.4　逻辑斯谛回归
   2.1.5　实践：基于逻辑斯谛回归算法的希格斯玻色子信号预测实验
   2.1.6　小结.
  2.2　决策树
   2.2.1　概述
   2.2.2　决策树原理
   2.2.3　决策树构建
   2.2.4　决策树延展
   2.2.5　实践：基于决策树算法的动物分类实验
   2.2.6　小结
  2.3　集成学习
   2.3.1　概述
   2.3.2　Bagging：随机森林
   2.3.3　实践：基于随机森林算法的鲍鱼年龄预测实验
   2.3.4　Boosting：AdaBoost
   2.3.5　实践：基于梯度提升树算法的葡萄酒质量分类实验
   2.3.6　小结
  2.4　支持向量机
   2.4.1　概述
   2.4.2　硬间隔支持向量机
   2.4.3　软间隔支持向量机
   2.4.4　非线性支持向量机
   2.4.5　基于支持向量机算法的银行营销数据分类实验
   2.4.6　小结
  习题
  参考文献
第3章　机器学习：无监督学习
  3.1　k-means聚类
   3.1.1　概述
   3.1.2　k-means原理
   3.1.3　k-means延展
   3.1.4　实践：基于k-means算法的鸢尾花聚类实验
   3.1.5　小结
  3.2　特征降维
   3.2.1　概述
   3.2.2　特征降维
   3.2.3　主成分分析
   3.2.4　线性判别分析
   3.2.5　实践：基于线性判别算法的红酒类型分类实验
   3.2.6　特征脸方法
   3.2.7　实践：基于主成分分析算法的人脸识别与重建实验
   3.2.8　小结
  3.3　最大期望算法
   3.3.1　概述
   3.3.2　高斯分布-最大似然估计
   3.3.3　混合高斯模型-最大期望
   3.3.4　硬币投掷案例
   3.3.5　实践：基于最大期望算法的鸢尾花分类实验
   3.3.6　小结
  习题
  参考文献
第4章　深度学习
  4.1　前馈神经网络
   4.1.1　基本概念
   4.1.2　网络训练
   4.1.3　训练技巧
   4.1.4　实践：基于前馈神经网络完成房价预测任务
  4.2　卷积神经网络
   4.2.1　计算机视觉概述
   4.2.2　卷积神经网络基础
   4.2.3　经典卷积神经网络
   4.2.4　实践：基于AlexNet实现花卉识别
  4.3　循环神经网络
   4.3.1　概念原理
   4.3.2　经典RNN网络
   4.3.3　实践：基于LSTM实现电影评论的情感分析
  4.4　生成对抗网络
   4.4.1　概念原理
   4.4.2　经典GAN网络
   4.4.3　实践：基于GAN生成手写数字识别对抗网络
  4.5　深度学习的应用
   4.5.1　实践：基于U-Net实现宠物图像分割
   4.5.2　实践：基于BiLSTM+CRF实现命名实体识别
   4.5.3　实践：基于ERNIE实现文本分类
  习题
  参考文献
第5章　强化学习
  5.1　基础篇
   5.1.1　概念及原理
   5.1.2　马尔可夫模型
   5.1.3　策略学习
   5.1.4　贝尔曼方程
  5.2　方法篇
   5.2.1　概述
   5.2.2　基于价值的方法
   5.2.3　实践：基于Q-learning解决悬崖问题
   5.2.4　实践：基于DQN解决CartPole问题
   5.2.5　基于策略的方法
   5.2.6　实践：基于Policy Gradient解决CartPole问题
  5.3　应用篇
   5.3.1　AlphaStar
   5.3.2　科学建模
   5.3.3　监督学习
   5.3.4　强化学习
   5.3.5　多智能体学习
   5.3.6　实验结果
   5.3.7　实践：基于AlphaZero实现Connect4游戏
  习题
  参考文献

推荐商品

高等教育出版社官方商城

相关分类

最近浏览

商品详情

1

2

3

4

领取成功！感谢您的参与，祝您购物愉快~