定 價：￥88.00
| 作 者： | （南非）里沙爾·赫班斯（Rishal Hurbans）著 |
| 出版社： | 清華大學出版社 |
| 叢編項： | |
| 標 簽： | 暫缺 |
| ISBN： | 9787302594239 | 出版時間： | 2021-12-01 | 包裝： | 平裝 |
| 開本： | 16開 | 頁數(shù)： | 293 | 字數(shù)： |
第1章 人工智能初印象 1
1.1 什么是人工智能？ 1
1.1.1 定義AI 2
1.1.2 理解數(shù)據(jù)是智能算法的核心 3
1.1.3 把算法看作“菜譜” 4
1.2 人工智能簡史 6
1.3 問題類型與問題解決范式 7
1.4 人工智能概念的直觀印象 9
1.5 人工智能算法的用途 13
1.5.1 農(nóng)業(yè)：植物種植優(yōu)化 13
1.5.2 銀行業(yè)：欺詐檢測 14
1.5.3 網(wǎng)絡(luò)安全：攻擊檢測與處理 14
1.5.4 醫(yī)療：智能診斷 14
1.5.5 物流：路徑規(guī)劃與優(yōu)化 15
1.5.6 通信：網(wǎng)絡(luò)優(yōu)化 16
1.5.7 游戲：主體創(chuàng)造 16
1.5.8 藝術(shù)：創(chuàng)造杰出作品 17
1.6 本章小結(jié) 17
第2章 搜索算法基礎(chǔ) 21
2.1 什么是規(guī)劃與搜索？ 21
2.2 計算成本：需要智能算法的原因 23
2.3 適合用搜索算法的問題 24
2.4 表示狀態(tài)：創(chuàng)建一個表示問題空間與解的框架 26
2.4.1 圖：表示搜索問題與解 28
2.4.2 用具體的數(shù)據(jù)結(jié)構(gòu)表示圖 28
2.4.3 樹：表示搜索結(jié)果的具體結(jié)構(gòu) 29
2.5 無知搜索：盲目地找尋解 31
2.6 廣度優(yōu)先搜索：先看廣度，再看深度 33
2.7 深度優(yōu)先搜索：先看深度，再看廣度 39
2.8 盲目搜索算法的用例 45
2.9 可選：關(guān)于圖的類別 46
2.10 可選：其他表示圖的方法 47
2.10.1 關(guān)聯(lián)矩陣 47
2.10.2 鄰接表 48
2.11 本章小結(jié) 48
第3章 智能搜索 51
3.1 定義啟發(fā)式方法：設(shè)計有根據(jù)的猜測 51
3.2 知情搜索：在指導(dǎo)下尋求解決方案 54
3.2.1 A*搜索 54
3.2.2 知情搜索算法的用例 61
3.3 對抗性搜索：在不斷變化的環(huán)境中尋找解決方案 62
3.3.1 一個簡單的對抗性問題 62
3.3.2 最小-最大搜索：模擬行動并選擇最好的未來 63
3.3.3 啟發(fā)式 64
3.3.4 阿爾法-貝塔剪枝：僅探索合理的路徑 72
3.3.5 對抗搜索算法的典型案例 75
3.4 本章小結(jié) 75
第4章 進化算法 77
4.1 什么是進化？ 77
4.2 適合用進化算法的問題 80
4.3 遺傳算法的生命周期 84
4.4 對解空間進行編碼 86
4.5 創(chuàng)建解決方案種群 89
4.6 衡量種群中個體的適應(yīng)度 91
4.7 根據(jù)適應(yīng)度得分篩選親本 93
4.8 由親本繁殖個體 96
4.8.1 單點交叉：從每個親本繼承一部分 97
4.8.2 兩點交叉：從每個親本繼承多個部分 98
4.8.3 均勻交叉：從每個親本繼承多個部分 98
4.8.4 二進制編碼的位串突變 100
4.8.5 二進制編碼的翻轉(zhuǎn)位突變 101
4.9 繁衍下一代 101
4.9.1 探索與挖掘 102
4.9.2 停止條件 102
4.10 遺傳算法的參數(shù)配置 104
4.11 進化算法的用例 105
4.12 本章小結(jié) 105
第5章 進化算法(高級篇) 107
5.1 進化算法的生命周期 107
5.2 其他篩選策略 109
5.2.1 排序篩選法：均分賽場 109
5.2.2 聯(lián)賽篩選法：分組對抗 110
5.2.3 精英篩選法：只選最好的 111
5.3 實值編碼：處理真實數(shù)值 111
5.3.1 實值編碼的核心概念 112
5.3.2 算術(shù)交叉：數(shù)學化繁殖 113
5.3.3 邊界突變 113
5.3.4 算術(shù)突變 114
5.4 順序編碼：處理序列 114
5.4.1 適應(yīng)度函數(shù)的重要性 116
5.4.2 順序編碼的核心概念 116
5.4.3 順序突變：適用于順序編碼 116
5.5 樹編碼：處理層次結(jié)構(gòu) 117
5.5.1 樹編碼的核心概念 118
5.5.2 樹交叉：繼承樹的分支 119
5.5.3 節(jié)點突變：更改節(jié)點的值 120
5.6 常見進化算法 120
5.6.1 遺傳編程 120
5.6.2 進化編程 121
5.7 進化算法術(shù)語表 121
5.8 進化算法的其他用例 121
5.9 本章小結(jié) 122
第6章 群體智能：蟻群優(yōu)化 125
6.1 什么是群體智能？ 125
6.2 適合用蟻群優(yōu)化算法的問題 127
6.3 狀態(tài)表達：如何表達螞蟻和路徑？ 130
6.4 蟻群優(yōu)化算法的生命周期 134
6.4.1 初始化信息素印跡 135
6.4.2 建立螞蟻種群 136
6.4.3 為螞蟻選擇下一個訪問項目 138
6.4.4 更新信息素印跡 145
6.4.5 更新最佳解決方案 149
6.4.6 確定終止條件 150
6.5 蟻群優(yōu)化算法的用例 152
6.6 本章小結(jié) 153
第7章 群體智能：粒子群優(yōu)化 155
7.1 什么是粒子群優(yōu)化？ 155
7.2 優(yōu)化問題：略偏技術(shù)性的觀點 157
7.3 適合用粒子群優(yōu)化算法的問題 160
7.4 狀態(tài)表達：粒子是什么樣的？ 162
7.5 粒子群優(yōu)化的生命周期 163
7.5.1 初始化粒子群 164
7.5.2 計算粒子的適應(yīng)度 166
7.5.3 更新粒子的位置 169
7.5.4 確定終止條件 180
7.6 粒子群優(yōu)化算法的用例 181
7.7 本章小結(jié) 183
第8章 機器學習 185
8.1 什么是機器學習？ 185
8.2 適合用機器學習的問題 187
8.2.1 監(jiān)督學習 188
8.2.2 非監(jiān)督學習 188
8.2.3 強化學習 188
8.3 機器學習的工作流程 188
8.3.1 收集和理解數(shù)據(jù)：掌握數(shù)據(jù)背景 189
8.3.2 準備數(shù)據(jù)：清洗和整理 191
8.3.3 訓練模型：用線性回歸預(yù)測 196
8.3.4 測試模型：驗證模型精度 205
8.3.5 提高準確性 208
8.4 分類問題：決策樹 210
8.4.1 分類問題：非此即彼 210
8.4.2 決策樹的基礎(chǔ)知識 211
8.4.3 訓練決策樹 213
8.4.4 用決策樹對實例進行分類 223
8.5 其他常見的機器學習算法 226
8.6 機器學習算法的用例 227
8.7 本章小結(jié) 228
第9章 人工神經(jīng)網(wǎng)絡(luò) 231
9.1 什么是人工神經(jīng)網(wǎng)絡(luò)？ 231
9.2 感知器：表征神經(jīng)元 234
9.3 定義人工神經(jīng)網(wǎng)絡(luò) 237
9.4 前向傳播：使用訓練好的人工神經(jīng)網(wǎng)絡(luò) 243
9.5 反向傳播：訓練人工神經(jīng)網(wǎng)絡(luò) 250
9.6 激活函數(shù)一覽 259
9.7 設(shè)計人工神經(jīng)網(wǎng)絡(luò) 260
9.8 人工神經(jīng)網(wǎng)絡(luò)的類型和用例 263
9.8.1 卷積神經(jīng)網(wǎng)絡(luò) 263
9.8.2 遞歸神經(jīng)網(wǎng)絡(luò) 264
9.8.3 生成對抗網(wǎng)絡(luò) 264
9.9 本章小結(jié) 266
第10章 基于Q-learning的強化學習 269
10.1 什么是強化學習？ 269
10.2 適合用強化學習的問題 272
10.3 強化學習的生命周期 273
10.3.1 模擬與數(shù)據(jù)：環(huán)境重現(xiàn) 274
10.3.2 使用Q-learning模擬訓練 278
10.3.3 模擬并測試Q表 287
10.3.4 衡量訓練的性能 287
10.3.5 無模型和基于模型的學習 288
10.4 強化學習的深度學習方法 289
10.5 強化學習的用例 289
10.5.1 機器人技術(shù) 290
10.5.2 推薦引擎 290
10.5.3 金融貿(mào)易 290
10.5.4 電子游戲 291
10.6 本章小結(jié) 291
鄂公網(wǎng)安備 42010302001612號 