定 價(jià)：￥78.00
| 作 者： | 暫缺 |
| 出版社： | 清華大學(xué)出版社 |
| 叢編項(xiàng)： | |
| 標(biāo) 簽： | 暫缺 |
| ISBN： | 9787302559474 | 出版時(shí)間： | 2020-08-01 | 包裝： | |
| 開(kāi)本： | 16 | 頁(yè)數(shù)： | 372 | 字?jǐn)?shù)： |
目 錄?
第1章 緒論 1
1.1 人工智能的概念 1
1.1.1 智能 1
1.1.2 人工智能 4
1.1.3 圖靈測(cè)試 4
1.2 人工智能發(fā)展簡(jiǎn)史 5
1.2.1 孕育階段 5
1.2.2 形成階段 5
1.2.3 發(fā)展階段 6
1.2.4 人工智能的學(xué)派 8
1.3 人工智能的研究及應(yīng)用領(lǐng)域 12
1.4 人工智能的發(fā)展現(xiàn)狀和趨勢(shì) 18
1.5 本章小結(jié) 20
1.6 習(xí)題 20
參考文獻(xiàn) 20
第2章 知識(shí)與知識(shí)表示 22
2.1 知識(shí)與知識(shí)表示的內(nèi)涵 22
2.1.1 知識(shí)的概念 22
2.1.2 知識(shí)的特征 23
2.1.3 知識(shí)表示的概念 24
2.2 知識(shí)表示方法 24
2.2.1 一階謂詞邏輯表示法 24
2.2.2 產(chǎn)生式表示法 33
2.2.3 狀態(tài)空間表示法 36
2.2.4 框架表示法 40
2.3 知識(shí)圖譜及其應(yīng)用 44
2.3.1 知識(shí)圖譜概述 44
2.3.2 知識(shí)圖譜應(yīng)用示例 45
2.4 本章小結(jié) 47
2.5 習(xí)題 48
參考文獻(xiàn) 48
第3章 自動(dòng)推理與專家系統(tǒng) 50
3.1 自動(dòng)推理基本知識(shí) 50
3.1.1 確定性推理 50
3.1.2 不確定性推理 59
3.2 專家系統(tǒng) 63
3.2.1 專家系統(tǒng)的內(nèi)涵 63
3.2.2 專家系統(tǒng)的結(jié)構(gòu) 63
3.2.3 專家系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 66
3.2.4 專家系統(tǒng)的應(yīng)用與發(fā)展 71
3.3 本章小結(jié) 77
3.4 習(xí)題 78
參考文獻(xiàn) 78
第4章 搜索算法與智能計(jì)算 80
4.1 搜索算法 80
4.1.1 盲目搜索策略 81
4.1.2 啟發(fā)式搜索 83
4.1.3 博弈搜索策略 89
4.2 遺傳算法 91
4.2.1 基本遺傳算法 91
4.2.2 遺傳算法的基本操作 93
4.2.3 遺傳算法的一般步驟 99
4.2.4 遺傳算法的應(yīng)用 100
4.3 蟻群算法 100
4.3.1 蟻群算法的基本思想 101
4.3.2 基本的蟻群算法模型 101
4.3.3 蟻群算法的參數(shù)選擇 103
4.3.4 蟻群算法的應(yīng)用 103
4.4 粒子群優(yōu)化算法 105
4.4.1 粒子群優(yōu)化算法的基本原理 105
4.4.2 粒子群優(yōu)化算法的流程 106
4.4.3 粒子群優(yōu)化算法的參數(shù)分析 107
4.4.4 粒子群優(yōu)化算法的應(yīng)用 108
4.5 本章小結(jié) 110
4.6 習(xí)題 110
參考文獻(xiàn) 112
第5章 機(jī)器學(xué)習(xí) 113
5.1 機(jī)器學(xué)習(xí)的概念與類型 113
5.1.1 機(jī)器學(xué)習(xí)的概念 113
5.1.2 機(jī)器學(xué)習(xí)的類型 114
5.2 機(jī)器學(xué)習(xí)的流程 119
5.2.1 模型 119
5.2.2 訓(xùn)練 120
5.3 模型性能度量 122
5.3.1 模型精度 122
5.3.2 查準(zhǔn)率、查全率與F值 122
5.3.3 ROC與AUC 123
5.4 常見(jiàn)分類方法 124
5.4.1 邏輯回歸與Softmax回歸 124
5.4.2 KNN 126
5.4.3 樸素貝葉斯 129
5.4.4 決策樹(shù) 130
5.4.5 支持向量機(jī) 132
5.5 常見(jiàn)聚類方法 137
5.5.1 原型聚類 137
5.5.2 密度聚類 138
5.5.3 層次聚類 141
5.6 集成學(xué)習(xí) 142
5.7 本章小結(jié) 143
5.8 習(xí)題 143
參考文獻(xiàn) 144
第6章 深度學(xué)習(xí)(1) 145
6.1 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 145
6.1.1 神經(jīng)元模型 146
6.1.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 147
6.1.3 神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法 148
6.1.4 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程 151
6.2 BP神經(jīng)網(wǎng)絡(luò) 152
6.2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 152
6.2.2 BP神經(jīng)網(wǎng)絡(luò)的基本原理 153
6.2.3 BP學(xué)習(xí)算法 153
6.2.4 BP神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用 155
6.3 卷積神經(jīng)網(wǎng)絡(luò) 156
6.3.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 157
6.3.2 卷積神經(jīng)網(wǎng)絡(luò)的模型實(shí)例 162
6.3.3 幾種典型的卷積神經(jīng)網(wǎng)絡(luò) 163
6.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 164
6.4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 165
6.4.2 BPTT學(xué)習(xí)算法 166
6.4.3 梯度消失和梯度爆炸 167
6.4.4 基于門(mén)控機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò) 167
6.5 貝葉斯深度學(xué)習(xí) 170
6.5.1 貝葉斯公式 170
6.5.2 貝葉斯深度學(xué)習(xí) 171
6.5.3 基于貝葉斯深度學(xué)習(xí)的預(yù)測(cè)和訓(xùn)練 172
6.5.4 貝葉斯深度學(xué)習(xí)框架 173
6.6 本章小結(jié) 174
6.7 習(xí)題 174
參考文獻(xiàn) 176
第7章 深度學(xué)習(xí)(2) 177
7.1 注意力與記憶機(jī)制 177
7.1.1 注意力 177
7.1.2 注意力機(jī)制 178
7.1.3 常見(jiàn)的記憶方式 180
7.1.4 典型的記憶網(wǎng)絡(luò) 183
7.1.5 典型場(chǎng)景應(yīng)用 184
7.2 自編碼器 185
7.2.1 傳統(tǒng)自編碼器 185
7.2.2 改進(jìn)的自編碼器 186
7.2.3 自編碼器的應(yīng)用 192
7.3 強(qiáng)化學(xué)習(xí) 194
7.3.1 強(qiáng)化學(xué)習(xí)的基本原理 194
7.3.2 強(qiáng)化學(xué)習(xí)的分類及任務(wù) 195
7.3.3 強(qiáng)化學(xué)習(xí)算法 195
7.3.4 強(qiáng)化學(xué)習(xí)的主要應(yīng)用 197
7.4 對(duì)抗學(xué)習(xí) 198
7.4.1 GAN的提出背景 198
7.4.2 GAN的核心原理 200
7.4.3 GAN的學(xué)習(xí)方法 201
7.4.4 GAN的衍生模型 202
7.4.5 GAN的應(yīng)用領(lǐng)域 203
7.4.6 GAN的思考與展望 204
7.5 聯(lián)邦學(xué)習(xí) 207
7.5.1 聯(lián)邦學(xué)習(xí)的提出背景 207
7.5.2 聯(lián)邦學(xué)習(xí)的基本內(nèi)涵 207
7.5.3 聯(lián)邦學(xué)習(xí)的應(yīng)用探索 209
7.6 本章小結(jié) 210
7.7 習(xí)題 211
參考文獻(xiàn) 211
第8章 計(jì)算機(jī)視覺(jué) 213
8.1 計(jì)算機(jī)視覺(jué)概述 213
8.2 圖像的分析和理解 215
8.2.1 基于淺層模型的方法 216
8.2.2 基于深度模型的方法 219
8.3 計(jì)算機(jī)視覺(jué)的典型應(yīng)用 222
8.3.1 模式識(shí)別 222
8.3.2 動(dòng)態(tài)行為分析 225
8.3.3 機(jī)器視覺(jué) 226
8.4 本章小結(jié) 227
8.5 習(xí)題 228
參考文獻(xiàn) 228
第9章 自然語(yǔ)言處理與語(yǔ)音處理 229
9.1 自然語(yǔ)言處理 229
9.1.1 自然語(yǔ)言處理概述 229
9.1.2 情感分類 233
9.1.3 機(jī)器翻譯 244
9.1.4 自然語(yǔ)言人機(jī)交互 246
9.2 語(yǔ)音處理 256
9.2.1 語(yǔ)音識(shí)別 256
9.2.2 語(yǔ)音合成 261
9.2.3 語(yǔ)音轉(zhuǎn)換 265
9.3 本章小結(jié) 266
9.4 習(xí)題 267
參考文獻(xiàn) 267
第10章 機(jī)器人 269
10.1 機(jī)器人概述 269
10.1.1 機(jī)器人的定義 269
10.1.2 機(jī)器人的分類 270
10.1.3 機(jī)器人的特性 271
10.1.4 機(jī)器人三原則 271
10.1.5 智能機(jī)器人的發(fā)展歷程 271
10.2 機(jī)器人的基本構(gòu)成 272
10.3 機(jī)器人的工作原理 273
10.4 人工智能技術(shù)在機(jī)器人中的應(yīng)用 274
10.4.1 智能感知 275
10.4.2 智能導(dǎo)航與規(guī)劃 277
10.4.3 智能控制與操作 279
10.4.4 智能交互 280
10.5 機(jī)器人的應(yīng)用 282
10.5.1 機(jī)器人的典型應(yīng)用場(chǎng)景 282
10.5.2 智能機(jī)器人的發(fā)展展望 287
10.6 本章小結(jié) 289
10.7 習(xí)題 289
參考文獻(xiàn) 289
第11章 大數(shù)據(jù)與區(qū)塊鏈 291
11.1 大數(shù)據(jù) 291
11.1.1 大數(shù)據(jù)的基本概念與特征 291
11.1.2 大數(shù)據(jù)的應(yīng)用 293
11.1.3 大數(shù)據(jù)的關(guān)鍵技術(shù) 297
11.1.4 大數(shù)據(jù)與云計(jì)算、物聯(lián)網(wǎng)的關(guān)系 303
11.1.5 大數(shù)據(jù)與人工智能應(yīng)用探討 303
11.2 區(qū)塊鏈 306
11.2.1 區(qū)塊鏈概述 306
11.2.2 區(qū)塊鏈的技術(shù)基礎(chǔ) 308
11.2.3 區(qū)塊鏈與人工智能 310
11.2.4 區(qū)塊鏈的應(yīng)用探討與展望 314
11.3 大數(shù)據(jù)與區(qū)塊鏈的關(guān)系 316
11.4 本章小結(jié) 317
11.5 習(xí)題 318
參考文獻(xiàn) 318
第12章 Python編程基礎(chǔ) 319
12.1 Python——編程語(yǔ)言 319
12.2 Python——解釋器 320
12.3 安裝Python 321
12.4 使用Python 321
12.4.1 Python shell 321
12.4.2 運(yùn)行完整的Python程序 322
12.4.3 使用IDE編寫(xiě)代碼 322
12.4.4 與Python交互 322
12.5 編寫(xiě)Python代碼 322
12.5.1 Python基礎(chǔ)語(yǔ)法 322
12.5.2 數(shù)學(xué)運(yùn)算 325
12.5.3 導(dǎo)入新的庫(kù)和函數(shù) 326
12.5.4 函數(shù)式編程 328
12.6 PyPI軟件倉(cāng)庫(kù)——Python包索引 329
12.7 NumPy庫(kù) 330
12.7.1 NumPy簡(jiǎn)史 330
12.7.2 安裝NumPy 330
12.7.3 ndarray對(duì)象 331
12.7.4 基本操作 335
12.8 Pandas庫(kù) 338
12.8.1 Pandas：Python數(shù)據(jù) 分析庫(kù) 338
12.8.2 安裝Pandas 338
12.8.3 測(cè)試Pandas是否安裝成功 339
12.8.4 Pandas數(shù)據(jù)結(jié)構(gòu)簡(jiǎn)介 339
12.9 matplotlib庫(kù) 347
12.9.1 安裝matplotlib 348
12.9.2 pyplot模塊 348
12.9.3 為圖表添加更多元素 353
12.10 本章小結(jié) 357
12.11 習(xí)題 357
參考文獻(xiàn) 358
鄂公網(wǎng)安備 42010302001612號(hào) 