- 电子工业出版社
- 9787121456817
- 1-3
- 466131
- 48253849-3
- 平塑
- 16开
- 2024-06
- 564
- 344
- 计算机科学与技术
- 本科 研究生及以上
内容简介
本书从人工智能技术的发展脉络出发，吸取了机器学习、强化学习、迁移学习、因果学习、联邦学习等目前主流的一些人工智能学习方法。在此基础上，又深入浅出的介绍了当前人工智能技术在文本、图像、语音等方面的应用实例，并介绍了目前一些应用比较广泛的人工智能模型和算法。全书分为11章，背景介绍部分（第1章），介绍了人工智能的一些背景知识及发展历程。基础部分（第2-7章），简要介绍了目前的一些主流人工智能学习方法，包括机器学习、深度学习、强化学习、迁移学习、联邦学习、因果学习，涵盖各方法的算法、编程实现和应用实例。进阶部分（第8-11章），讨论了目前人工智能技术的主要数据领域，包括文本、图像、语音。在此基础上，对每个领域下的相关实际应用附以讲解与应用举例。补充部分（第12章），对当前的一些应用比较广泛的人工智能网络模型进行了简单介绍，并提出了对当前人工智能技术发展的展望。本书提供了许多实际案例，且每章都配有知识总结和习题，并附有参考文献。 本书可以作为电气工程及其自动化、电子信息、通信与信息系统、计算机科学、物联网工程、人工智能、机器人工程等学科相关的大学本科和研究生的专业基础教材，也可以作为有志从事数据挖掘、图像处理、语音处理的专业从业者的参考资料。
目录
第1章 绪论 1__eol__1.1 人类的学习与机器的学习 2__eol__1.1.1 人类的学习 2__eol__1.1.2 机器的学习 3__eol__1.2 机器学习与机器智能 6__eol__1.2.1 机器学习的概念 6__eol__1.2.2 机器学习如何实现机器智能 7__eol__1.3 机器学习的发展历程 7__eol__1.4 机器学习的类型 9__eol__1.5 机器学习的主要方法 10__eol__1.6 机器学习的主要算法 13__eol__1.6.1 传统机器学习算法 14__eol__1.6.2 新型机器学习算法 15__eol__1.7 机器学习的典型应用与发展趋势 17__eol__1.7.1 机器学习的典型应用 17__eol__1.7.2 机器学习的发展趋势 18__eol__1.8 如何阅读本书 19__eol__总结 20__eol__习题 20__eol__第2章 机器学习经典分类算法 23__eol__2.1 回归算法 24__eol__2.1.1 基本形式 24__eol__2.1.2 线性回归 24__eol__2.1.3 逻辑回归 26__eol__2.1.4 线性回归案例分析 27__eol__2.1.5 逻辑回归案例分析 33__eol__2.2 决策树算法 37__eol__2.2.1 树形决策过程 37__eol__2.2.2 训练算法 38__eol__2.2.3 案例分析 43__eol__2.3 支持向量机 47__eol__2.3.1 线性分类器 47__eol__2.3.2 支持向量机原理 48__eol__2.3.3 案例分析 51__eol__2.4 kNN算法 53__eol__2.4.1 基本概念 54__eol__2.4.2 预测算法 54__eol__2.4.3 距离定义 55__eol__2.4.4 案例分析 57__eol__2.5 贝叶斯算法 59__eol__2.5.1 贝叶斯决策 59__eol__2.5.2 朴素贝叶斯分类器 60__eol__2.5.3 正态贝叶斯分类器 62__eol__2.5.4 案例分析 64__eol__总结 67__eol__习题 67__eol__第3章 机器学习经典聚类及集成与随机森林算法 69__eol__3.1 k-means算法 70__eol__3.1.1 相似性的度量 70__eol__3.1.2 k-means算法原理 71__eol__3.1.3 k-means算法的改进 73__eol__3.1.4 Mean Shift算法 74__eol__3.1.5 案例分析 76__eol__3.2 AdaBoost算法 79__eol__3.2.1 AdaBoost算法介绍 79__eol__3.2.2 AdaBoost算法分类 83__eol__3.2.3 案例分析 84__eol__3.3 马尔可夫算法 88__eol__3.3.1 马尔可夫算法介绍 88__eol__3.3.2 隐马尔可夫算法介绍 91__eol__3.3.3 案例分析 93__eol__3.4 随机森林算法 96__eol__3.4.1 集成学习 97__eol__3.4.2 随机森林概述 98__eol__3.4.3 训练算法 98__eol__3.4.4 变量的重要性 99__eol__3.4.5 案例分析 100__eol__总结 102__eol__习题 103__eol__第4章 深度学习 105__eol__4.1 深度学习及其研究现状 106__eol__4.1.1 深度学习概念 106__eol__4.1.2 深度学习研究现状 106__eol__4.2 人工神经网络 107__eol__4.2.1 全连接神经网络 107__eol__4.2.2 反向传播算法 111__eol__4.2.3 案例分析 115__eol__4.3 生成对抗网络 119__eol__4.3.1 生成对抗网络结构 119__eol__4.3.2 模型的训练 120__eol__4.3.3 GAN的改进模型 124__eol__4.3.4 案例分析 131__eol__4.4 循环神经网络 135__eol__4.4.1 循环神经网络概述 135__eol__4.4.2 循环神经网络结构 136__eol__4.4.3 循环神经网络训练 138__eol__4.4.4 挑战与改进措施 139__eol__4.4.5 案例分析 141__eol__总结 144__eol__习题 144__eol__第5章 强化学习 146__eol__5.1 强化学习及其研究现状 147__eol__5.1.1 马尔可夫模型 147__eol__5.1.2 策略 148__eol__5.1.3 强化学习研究现状 150__eol__5.2 Q-学习算法 150__eol__5.2.1 Q-学习算法的基本原理 151__eol__5.2.2 Q-学习算法的结构 151__eol__5.2.3 采用神经网络实现Q-学习算法 153__eol__5.2.4 Q-学习算法的改进 154__eol__5.2.5 Q-学习算法的应用案例 156__eol__5.3 蒙特卡洛算法 160__eol__5.3.1 简单介绍 160__eol__5.3.2 经验轨迹 161__eol__5.3.3 蒙特卡洛算法的数学原理 164__eol__5.3.4 蒙特卡洛算法的特点 165__eol__5.3.5 蒙特卡洛预测 165__eol__5.3.6 蒙特卡洛预测算法的实现 166__eol__5.4 动态规划算法 169__eol__5.4.1 策略评估 170__eol__5.4.2 策略改进 171__eol__5.4.3 策略迭代 172__eol__5.4.4 值迭代 173__eol__5.4.5 案例分析 174__eol__总结 176__eol__习题 177__eol__第6章 迁移学习 179__eol__6.1 迁移学习及其研究现状 179__eol__6.1.1 迁移学习概念 179__eol__6.1.2 迁移学习研究现状 180__eol__6.2 TrAdaBoost算法 181__eol__6.2.1 背景 181__eol__6.2.2 算法介绍 181__eol__6.2.3 算法改进 184__eol__6.2.4 案例分析 186__eol__6.3 层次贝叶斯算法 190__eol__6.3.1 背景 190__eol__6.3.2 算法介绍 191__eol__6.3.3 案例分析 194__eol__总结 196__eol__习题 197__eol__第7章 联邦学习 199__eol__7.1 联邦学习及其研究现状 199__eol__7.1.1 联邦学习概念 199__eol__7.1.2 联邦学习研究现状 201__eol__7.2 联邦平均算法 202__eol__7.2.1 联邦优化 203__eol__7.2.2 算法原理 205__eol__7.2.3 安全的联邦平均算法 207__eol__7.2.4 联邦平均算法的改进 207__eol__7.2.5 案例分析 209__eol__7.3 纵向联邦学习算法 215__eol__7.3.1 安全联邦线性回归 215__eol__7.3.2 安全联邦提升树 217__eol__7.3.3 案例分析 221__eol__总结 224__eol__习题 224__eol__第8章 因果学习 227__eol__8.1 因果学习及其研究现状 228__eol__8.1.1 因果学习概念 228__eol__8.1.2 因果学习研究现状 229__eol__8.2 结构因果模型 229__eol__8.2.1 两种类型的因果陈述 229__eol__8.2.2 SCM的标准表示 232__eol__8.2.3 SCM的改进型 233__eol__8.2.4 案例分析 236__eol__8.3 多变量结构识别算法 239__eol__8.3.1 基于独立的方法 240__eol__8.3.2 基于分数的方法 242__eol__8.3.3 多变量加性噪声模型 244__eol__8.3.4 案例分析 246__eol__总结 248__eol__习题 249__eol__第9章 文本挖掘 251__eol__9.1 文本挖掘概念与现状 251__eol__9.1.1 文本挖掘概念 251__eol__9.1.2 文本挖掘现状 252__eol__9.2 Word2vec-词嵌入 252__eol__9.2.1 背景介绍 253__eol__9.2.2 Word2vec-词嵌入——基于神经网络学习单词表示 256__eol__9.2.3 案例分析 265__eol__9.3 递归神经网络 270__eol__9.3.1 递归神经网络介绍 270__eol__9.3.2 递归神经网络分类 274__eol__9.3.3 案例分析 276__eol__总结 282__eol__习题 283__eol__第10章 图像处理 285__eol__
