顶部
收藏

人工智能导论:案例与实践


作者:
朱强、飞桨教材编写组
定价:
43.80元
ISBN:
978-7-04-059795-0
版面字数:
490.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2023-03-13
读者对象:
高等教育
一级分类:
计算机/教育技术类
二级分类:
计算机类专业核心课程
三级分类:
人工智能

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

相关图书