- 电子工业出版社
- 9787121456817
- 1-2
- 466131
- 47246035-1
- 平塑
- 16开
- 2023-10
- 564
- 344
- 计算机科学与技术
- 本科 研究生（硕士、EMBA、MBA、MPA、博士）
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 1.1 人类的学习与机器的学习 2 1.1.1 人类的学习 2 1.1.2 机器的学习 3 1.2 机器学习与机器智能 6 1.2.1 机器学习的概念 6 1.2.2 机器学习如何实现机器智能 7 1.3 机器学习的发展历程 7 1.4 机器学习的类型 9 1.5 机器学习的主要方法 10 1.6 机器学习的主要算法 13 1.6.1 传统机器学习算法 14 1.6.2 新型机器学习算法 15 1.7 机器学习的典型应用与发展趋势 17 1.7.1 机器学习的典型应用 17 1.7.2 机器学习的发展趋势 18 1.8 如何阅读本书 19 总结 20 习题 20 第2章 机器学习经典分类算法 23 2.1 回归算法 24 2.1.1 基本形式 24 2.1.2 线性回归 24 2.1.3 逻辑回归 26 2.1.4 线性回归案例分析 27 2.1.5 逻辑回归案例分析 33 2.2 决策树算法 37 2.2.1 树形决策过程 37 2.2.2 训练算法 38 2.2.3 案例分析 43 2.3 支持向量机 47 2.3.1 线性分类器 47 2.3.2 支持向量机原理 48 2.3.3 案例分析 51 2.4 kNN算法 53 2.4.1 基本概念 54 2.4.2 预测算法 54 2.4.3 距离定义 55 2.4.4 案例分析 57 2.5 贝叶斯算法 59 2.5.1 贝叶斯决策 59 2.5.2 朴素贝叶斯分类器 60 2.5.3 正态贝叶斯分类器 62 2.5.4 案例分析 64 总结 67 习题 67 第3章 机器学习经典聚类及集成与随机森林算法 69 3.1 k-means算法 70 3.1.1 相似性的度量 70 3.1.2 k-means算法原理 71 3.1.3 k-means算法的改进 73 3.1.4 Mean Shift算法 74 3.1.5 案例分析 76 3.2 AdaBoost算法 79 3.2.1 AdaBoost算法介绍 79 3.2.2 AdaBoost算法分类 83 3.2.3 案例分析 84 3.3 马尔可夫算法 88 3.3.1 马尔可夫算法介绍 88 3.3.2 隐马尔可夫算法介绍 91 3.3.3 案例分析 93 3.4 随机森林算法 96 3.4.1 集成学习 97 3.4.2 随机森林概述 98 3.4.3 训练算法 98 3.4.4 变量的重要性 99 3.4.5 案例分析 100 总结 102 习题 103 第4章 深度学习 105 4.1 深度学习及其研究现状 106 4.1.1 深度学习概念 106 4.1.2 深度学习研究现状 106 4.2 人工神经网络 107 4.2.1 全连接神经网络 107 4.2.2 反向传播算法 111 4.2.3 案例分析 115 4.3 生成对抗网络 119 4.3.1 生成对抗网络结构 119 4.3.2 模型的训练 120 4.3.3 GAN的改进模型 124 4.3.4 案例分析 131 4.4 循环神经网络 135 4.4.1 循环神经网络概述 135 4.4.2 循环神经网络结构 136 4.4.3 循环神经网络训练 138 4.4.4 挑战与改进措施 139 4.4.5 案例分析 141 总结 144 习题 144 第5章 强化学习 146 5.1 强化学习及其研究现状 147 5.1.1 马尔可夫模型 147 5.1.2 策略 148 5.1.3 强化学习研究现状 150 5.2 Q-学习算法 150 5.2.1 Q-学习算法的基本原理 151 5.2.2 Q-学习算法的结构 151 5.2.3 采用神经网络实现Q-学习算法 153 5.2.4 Q-学习算法的改进 154 5.2.5 Q-学习算法的应用案例 156 5.3 蒙特卡洛算法 160 5.3.1 简单介绍 160 5.3.2 经验轨迹 161 5.3.3 蒙特卡洛算法的数学原理 164 5.3.4 蒙特卡洛算法的特点 165 5.3.5 蒙特卡洛预测 165 5.3.6 蒙特卡洛预测算法的实现 166 5.4 动态规划算法 169 5.4.1 策略评估 170 5.4.2 策略改进 171 5.4.3 策略迭代 172 5.4.4 值迭代 173 5.4.5 案例分析 174 总结 176 习题 177 第6章 迁移学习 179 6.1 迁移学习及其研究现状 179 6.1.1 迁移学习概念 179 6.1.2 迁移学习研究现状 180 6.2 TrAdaBoost算法 181 6.2.1 背景 181 6.2.2 算法介绍 181 6.2.3 算法改进 184 6.2.4 案例分析 186 6.3 层次贝叶斯算法 190 6.3.1 背景 190 6.3.2 算法介绍 191 6.3.3 案例分析 194 总结 196 习题 197 第7章 联邦学习 199 7.1 联邦学习及其研究现状 199 7.1.1 联邦学习概念 199 7.1.2 联邦学习研究现状 201 7.2 联邦平均算法 202 7.2.1 联邦优化 203 7.2.2 算法原理 205 7.2.3 安全的联邦平均算法 207 7.2.4 联邦平均算法的改进 207 7.2.5 案例分析 209 7.3 纵向联邦学习算法 215 7.3.1 安全联邦线性回归 215 7.3.2 安全联邦提升树 217 7.3.3 案例分析 221 总结 224 习题 224 第8章 因果学习 227 8.1 因果学习及其研究现状 228 8.1.1 因果学习概念 228 8.1.2 因果学习研究现状 229 8.2 结构因果模型 229 8.2.1 两种类型的因果陈述 229 8.2.2 SCM的标准表示 232 8.2.3 SCM的改进型 233 8.2.4 案例分析 236 8.3 多变量结构识别算法 239 8.3.1 基于独立的方法 240 8.3.2 基于分数的方法 242 8.3.3 多变量加性噪声模型 244 8.3.4 案例分析 246 总结 248 习题 249 第9章 文本挖掘 251 9.1 文本挖掘概念与现状 251 9.1.1 文本挖掘概念 251 9.1.2 文本挖掘现状 252 9.2 Word2vec-词嵌入 252 9.2.1 背景介绍 253 9.2.2 Word2vec-词嵌入——基于神经网络学习单词表示 256 9.2.3 案例分析 265 9.3 递归神经网络 270 9.3.1 递归神经网络介绍 270 9.3.2 递归神经网络分类 274 9.3.3 案例分析 276 总结 282 习题 283 第10章 图像处理 285
