掃一掃
關(guān)注中圖網(wǎng)
官方微博
中圖價(jià):¥50.0
加入購(gòu)物車
人工智能基礎(chǔ);算法與編程 版權(quán)信息
- ISBN：9787302652076
- 條形碼：9787302652076 ; 978-7-302-65207-6
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
人工智能基礎(chǔ);算法與編程 本書特色
u 教材適應(yīng)互聯(lián)網(wǎng)時(shí)代學(xué)生的學(xué)習(xí)習(xí)慣，集算法思想闡述、配套案例實(shí)戰(zhàn)演示、編程操作視頻演示與實(shí)操、案例詳解于一體，構(gòu)建了一套圖、文、聲、像完整的立體化教學(xué)資源庫(kù)，將教學(xué)內(nèi)容以數(shù)字化的形式呈現(xiàn)在學(xué)習(xí)者面前，打造一本富媒體性、交互性、移動(dòng)性的移動(dòng)交互式數(shù)字化教材。
u 為每個(gè)算法精心配套了實(shí)驗(yàn)案例，形成了“教、學(xué)、做、評(píng)”四位一體教材模式，可為不同專業(yè)、不同學(xué)習(xí)基礎(chǔ)和不同發(fā)展需求的學(xué)生學(xué)習(xí)人工智能提供適宜的內(nèi)容，增強(qiáng)了教材的普適性。
u 教材編者團(tuán)隊(duì)多元化，由高校老中青教師及企業(yè)（行業(yè)）一線技術(shù)人員組成，將多年來科研成果和真實(shí)工程項(xiàng)目改造為教學(xué)項(xiàng)目寫入教材，教材內(nèi)容充分體現(xiàn)了前沿性和應(yīng)用性。
人工智能基礎(chǔ);算法與編程 內(nèi)容簡(jiǎn)介
人工智能是一門發(fā)展極其迅速且內(nèi)容十分豐富的學(xué)科。本書以人工智能理論算法及其編程實(shí)現(xiàn)為核心，按照人工智能經(jīng)典方法到現(xiàn)代算法順次進(jìn)行內(nèi)容編排，全書共7章，第1章人工智能概論，第2章邏輯與推理，第3章搜索求解，第4章機(jī)器學(xué)習(xí): 監(jiān)督學(xué)習(xí)，第5章機(jī)器學(xué)習(xí): 無監(jiān)督學(xué)習(xí)，第6章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)，第7章強(qiáng)化學(xué)習(xí)。本書還將矩陣運(yùn)算、*優(yōu)化方法、概率論等數(shù)學(xué)知識(shí)作為附錄。書中每章都附有習(xí)題。
本書可作為地方高校人工智能專業(yè)和計(jì)算機(jī)大類專業(yè)的本科生或研究生學(xué)習(xí)人工智能的教材。由于書中各章內(nèi)容相對(duì)獨(dú)立，教師可以根據(jù)不同專業(yè)不同學(xué)生的需要選擇講授內(nèi)容。
人工智能基礎(chǔ);算法與編程 目錄
第1章人工智能概論1
1.1人工智能定義1
1.1.1生物智能與人類智能1
1.1.2智能與人工智能2
1.2人工智能的歷史2
1.3人工智能研究的不同學(xué)派6
1.3.1符號(hào)主義6
1.3.2連接主義7
1.3.3行為主義7
1.4人工智能主要應(yīng)用領(lǐng)域8
習(xí)題11
第2章邏輯與推理12
2.1邏輯12
2.1.1知識(shí)表示12
2.1.2邏輯的基本概念13
2.2命題邏輯13
2.2.1命題的基本概念14
2.2.2命題邏輯推理15
2.3謂詞邏輯18
2.3.1謂詞的基本概念19
2.3.2謂詞邏輯推理21
2.4知識(shí)圖譜26
2.4.1知識(shí)圖譜的基本概念27
2.4.2知識(shí)圖譜推理27
習(xí)題34
第3章搜索求解36
3.1搜索概述363.1.1搜索的基本問題與主要過程36
3.1.2搜索算法分類37
3.2狀態(tài)空間表示法37
3.2.1狀態(tài)空間表示的基本概念37
3.2.2狀態(tài)空間的圖描述38
3.3盲目搜索39
3.3.1盲目搜索概述39
3.3.2深度優(yōu)先搜索算法39
3.3.3寬度優(yōu)先搜索算法40
3.3.4盲目搜索算法的Python實(shí)現(xiàn)42
3.4啟發(fā)式搜索43
3.4.1啟發(fā)式搜索概述43
3.4.2啟發(fā)信息和估價(jià)函數(shù)43
3.4.3A算法44
3.4.4A搜索算法46
3.4.5A算法的Python實(shí)現(xiàn)47
3.5對(duì)抗搜索48
3.5.1博弈概述48
3.5.2極大極小過程49
3.5.3AlphaBeta剪枝50
3.5.4對(duì)抗搜索算法的Python實(shí)現(xiàn)52
3.6蒙特卡羅搜索53
3.6.1蒙特卡羅方法54
3.6.2蒙特卡羅樹搜索算法54
3.6.3蒙特卡羅樹搜索算法的Python實(shí)現(xiàn)57
習(xí)題59
目錄〖3〗第4章機(jī)器學(xué)習(xí): 監(jiān)督學(xué)習(xí)62
4.1機(jī)器學(xué)習(xí)概述62
4.1.1引言62
4.1.2機(jī)器學(xué)習(xí)的發(fā)展歷史62
4.1.3機(jī)器學(xué)習(xí)的基本概念64
4.1.4機(jī)器學(xué)習(xí)主要研究領(lǐng)域65
4.2回歸分析66
4.2.1線性回歸分析原理66
4.2.2非線性回歸分析原理72
4.2.3回歸分析Python實(shí)例74
4.3線性判別分析79
4.3.1線性判別分析算法原理79
4.3.2線性判別分析Python實(shí)例83
4.3.3線性判別分析在人臉識(shí)別中的應(yīng)用84
4.4K*近鄰算法85
4.4.1K*近鄰算法原理85
4.4.2K*近鄰算法Python實(shí)例86
4.5AdaBoosting89
4.5.1AdaBoosting算法原理89
4.5.2AdaBoosting算法Python實(shí)例93
4.6支持向量機(jī)95
4.6.1支持向量機(jī)原理95
4.6.2支持向量機(jī)Python實(shí)例103
4.7決策樹106
4.7.1決策樹原理106
4.7.2決策樹算法Python實(shí)例111
習(xí)題113
第5章機(jī)器學(xué)習(xí): 無監(jiān)督學(xué)習(xí)115
5.1Kmeans聚類115
5.1.1Kmeans聚類原理115
5.1.2Kmeans聚類算法115
5.1.3Kmeans聚類算法特點(diǎn)118
5.1.4Kmeans聚類算法的改進(jìn)119
5.1.5Kmeans聚類算法的Python實(shí)現(xiàn)121
5.2主成分分析122
5.2.1主成分分析原理122
5.2.2主成分分析降維方法125
5.2.3主成分分析特點(diǎn)128
5.2.4主成分分析的Python實(shí)現(xiàn)128
5.3特征臉方法129
5.3.1特征臉原理130
5.3.2奇異值分解130
5.3.3特征臉方法步驟131
5.3.4特征臉方法特點(diǎn)133
5.3.5特征臉方法的Python實(shí)現(xiàn)134
5.4局部線性嵌入136
5.4.1局部線性嵌入原理136
5.4.2局部線性嵌入算法138
5.4.3局部線性嵌入算法特點(diǎn)140
5.4.4局部線性嵌入算法的一些改進(jìn)算法141
5.4.5局部線性嵌入算法的Python實(shí)現(xiàn)142
5.5獨(dú)立成分分析144
5.5.1獨(dú)立成分分析的發(fā)展144
5.5.2獨(dú)立成分分析的基本定義145
5.5.3獨(dú)立成分分析與其他統(tǒng)計(jì)方法的關(guān)系148
5.5.4獨(dú)立成分分析的Python實(shí)現(xiàn)149
習(xí)題152
第6章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)153
6.1神經(jīng)網(wǎng)絡(luò)的起源與發(fā)展153
6.1.1**代神經(jīng)網(wǎng)絡(luò)153
6.1.2第二代神經(jīng)網(wǎng)絡(luò)155
6.1.3第三代神經(jīng)網(wǎng)絡(luò)156
6.2人工神經(jīng)網(wǎng)絡(luò)156
6.2.1生物神經(jīng)網(wǎng)絡(luò)156
6.2.2人工神經(jīng)元與人工神經(jīng)網(wǎng)絡(luò)157
6.2.3BP神經(jīng)網(wǎng)絡(luò)158
6.2.4神經(jīng)網(wǎng)絡(luò)Python實(shí)例163
6.3卷積神經(jīng)網(wǎng)絡(luò)167
6.3.1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)167
6.3.2卷積神經(jīng)網(wǎng)絡(luò)的基本操作167
6.3.3卷積神經(jīng)網(wǎng)絡(luò)的關(guān)鍵技術(shù)171
6.3.4卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程174
6.3.5幾種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型178
6.3.6卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用190
6.3.7卷積神經(jīng)網(wǎng)絡(luò)Python實(shí)例191
6.4循環(huán)神經(jīng)網(wǎng)絡(luò)194
6.4.1循環(huán)神經(jīng)網(wǎng)絡(luò)195
6.4.2長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)196
6.4.3循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用197
6.4.4循環(huán)神經(jīng)網(wǎng)絡(luò)Python實(shí)例197
習(xí)題203
第7章強(qiáng)化學(xué)習(xí)205
7.1強(qiáng)化學(xué)習(xí)問題205
7.1.1馬爾可夫決策過程206
7.1.2強(qiáng)化學(xué)習(xí)問題208
7.2基于價(jià)值的強(qiáng)化學(xué)習(xí)210
7.2.1策略迭代210
7.2.2基于價(jià)值的強(qiáng)化學(xué)習(xí)算法214
7.2.3QLearning的Python實(shí)例216
7.3深度強(qiáng)化學(xué)習(xí)219
7.3.1深度強(qiáng)化學(xué)習(xí)算法219
7.3.2深度強(qiáng)化學(xué)習(xí)的應(yīng)用221
7.3.3深度強(qiáng)化學(xué)習(xí)的Python實(shí)例222
習(xí)題225
附錄A數(shù)學(xué)基礎(chǔ)226
A.1矩陣運(yùn)算226
A.1.1向量226
A.1.2向量的加法和數(shù)乘227
A.1.3矩陣的定義227
A.2*優(yōu)化方法238
A.2.1基本概念238
A.2.2一階優(yōu)化算法239
A.2.3凸優(yōu)化問題243
A.2.4帶約束的優(yōu)化問題245
A.3概率論246
A.3.1概率論的基本概念246
A.3.2隨機(jī)變量數(shù)字特征249
A.3.3基本概率分布模型252
A.3.4二維隨機(jī)變量255
參考文獻(xiàn)258
1.1人工智能定義1
1.1.1生物智能與人類智能1
1.1.2智能與人工智能2
1.2人工智能的歷史2
1.3人工智能研究的不同學(xué)派6
1.3.1符號(hào)主義6
1.3.2連接主義7
1.3.3行為主義7
1.4人工智能主要應(yīng)用領(lǐng)域8
習(xí)題11
第2章邏輯與推理12
2.1邏輯12
2.1.1知識(shí)表示12
2.1.2邏輯的基本概念13
2.2命題邏輯13
2.2.1命題的基本概念14
2.2.2命題邏輯推理15
2.3謂詞邏輯18
2.3.1謂詞的基本概念19
2.3.2謂詞邏輯推理21
2.4知識(shí)圖譜26
2.4.1知識(shí)圖譜的基本概念27
2.4.2知識(shí)圖譜推理27
習(xí)題34
第3章搜索求解36
3.1搜索概述363.1.1搜索的基本問題與主要過程36
3.1.2搜索算法分類37
3.2狀態(tài)空間表示法37
3.2.1狀態(tài)空間表示的基本概念37
3.2.2狀態(tài)空間的圖描述38
3.3盲目搜索39
3.3.1盲目搜索概述39
3.3.2深度優(yōu)先搜索算法39
3.3.3寬度優(yōu)先搜索算法40
3.3.4盲目搜索算法的Python實(shí)現(xiàn)42
3.4啟發(fā)式搜索43
3.4.1啟發(fā)式搜索概述43
3.4.2啟發(fā)信息和估價(jià)函數(shù)43
3.4.3A算法44
3.4.4A搜索算法46
3.4.5A算法的Python實(shí)現(xiàn)47
3.5對(duì)抗搜索48
3.5.1博弈概述48
3.5.2極大極小過程49
3.5.3AlphaBeta剪枝50
3.5.4對(duì)抗搜索算法的Python實(shí)現(xiàn)52
3.6蒙特卡羅搜索53
3.6.1蒙特卡羅方法54
3.6.2蒙特卡羅樹搜索算法54
3.6.3蒙特卡羅樹搜索算法的Python實(shí)現(xiàn)57
習(xí)題59
目錄〖3〗第4章機(jī)器學(xué)習(xí): 監(jiān)督學(xué)習(xí)62
4.1機(jī)器學(xué)習(xí)概述62
4.1.1引言62
4.1.2機(jī)器學(xué)習(xí)的發(fā)展歷史62
4.1.3機(jī)器學(xué)習(xí)的基本概念64
4.1.4機(jī)器學(xué)習(xí)主要研究領(lǐng)域65
4.2回歸分析66
4.2.1線性回歸分析原理66
4.2.2非線性回歸分析原理72
4.2.3回歸分析Python實(shí)例74
4.3線性判別分析79
4.3.1線性判別分析算法原理79
4.3.2線性判別分析Python實(shí)例83
4.3.3線性判別分析在人臉識(shí)別中的應(yīng)用84
4.4K*近鄰算法85
4.4.1K*近鄰算法原理85
4.4.2K*近鄰算法Python實(shí)例86
4.5AdaBoosting89
4.5.1AdaBoosting算法原理89
4.5.2AdaBoosting算法Python實(shí)例93
4.6支持向量機(jī)95
4.6.1支持向量機(jī)原理95
4.6.2支持向量機(jī)Python實(shí)例103
4.7決策樹106
4.7.1決策樹原理106
4.7.2決策樹算法Python實(shí)例111
習(xí)題113
第5章機(jī)器學(xué)習(xí): 無監(jiān)督學(xué)習(xí)115
5.1Kmeans聚類115
5.1.1Kmeans聚類原理115
5.1.2Kmeans聚類算法115
5.1.3Kmeans聚類算法特點(diǎn)118
5.1.4Kmeans聚類算法的改進(jìn)119
5.1.5Kmeans聚類算法的Python實(shí)現(xiàn)121
5.2主成分分析122
5.2.1主成分分析原理122
5.2.2主成分分析降維方法125
5.2.3主成分分析特點(diǎn)128
5.2.4主成分分析的Python實(shí)現(xiàn)128
5.3特征臉方法129
5.3.1特征臉原理130
5.3.2奇異值分解130
5.3.3特征臉方法步驟131
5.3.4特征臉方法特點(diǎn)133
5.3.5特征臉方法的Python實(shí)現(xiàn)134
5.4局部線性嵌入136
5.4.1局部線性嵌入原理136
5.4.2局部線性嵌入算法138
5.4.3局部線性嵌入算法特點(diǎn)140
5.4.4局部線性嵌入算法的一些改進(jìn)算法141
5.4.5局部線性嵌入算法的Python實(shí)現(xiàn)142
5.5獨(dú)立成分分析144
5.5.1獨(dú)立成分分析的發(fā)展144
5.5.2獨(dú)立成分分析的基本定義145
5.5.3獨(dú)立成分分析與其他統(tǒng)計(jì)方法的關(guān)系148
5.5.4獨(dú)立成分分析的Python實(shí)現(xiàn)149
習(xí)題152
第6章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)153
6.1神經(jīng)網(wǎng)絡(luò)的起源與發(fā)展153
6.1.1**代神經(jīng)網(wǎng)絡(luò)153
6.1.2第二代神經(jīng)網(wǎng)絡(luò)155
6.1.3第三代神經(jīng)網(wǎng)絡(luò)156
6.2人工神經(jīng)網(wǎng)絡(luò)156
6.2.1生物神經(jīng)網(wǎng)絡(luò)156
6.2.2人工神經(jīng)元與人工神經(jīng)網(wǎng)絡(luò)157
6.2.3BP神經(jīng)網(wǎng)絡(luò)158
6.2.4神經(jīng)網(wǎng)絡(luò)Python實(shí)例163
6.3卷積神經(jīng)網(wǎng)絡(luò)167
6.3.1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)167
6.3.2卷積神經(jīng)網(wǎng)絡(luò)的基本操作167
6.3.3卷積神經(jīng)網(wǎng)絡(luò)的關(guān)鍵技術(shù)171
6.3.4卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程174
6.3.5幾種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型178
6.3.6卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用190
6.3.7卷積神經(jīng)網(wǎng)絡(luò)Python實(shí)例191
6.4循環(huán)神經(jīng)網(wǎng)絡(luò)194
6.4.1循環(huán)神經(jīng)網(wǎng)絡(luò)195
6.4.2長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)196
6.4.3循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用197
6.4.4循環(huán)神經(jīng)網(wǎng)絡(luò)Python實(shí)例197
習(xí)題203
第7章強(qiáng)化學(xué)習(xí)205
7.1強(qiáng)化學(xué)習(xí)問題205
7.1.1馬爾可夫決策過程206
7.1.2強(qiáng)化學(xué)習(xí)問題208
7.2基于價(jià)值的強(qiáng)化學(xué)習(xí)210
7.2.1策略迭代210
7.2.2基于價(jià)值的強(qiáng)化學(xué)習(xí)算法214
7.2.3QLearning的Python實(shí)例216
7.3深度強(qiáng)化學(xué)習(xí)219
7.3.1深度強(qiáng)化學(xué)習(xí)算法219
7.3.2深度強(qiáng)化學(xué)習(xí)的應(yīng)用221
7.3.3深度強(qiáng)化學(xué)習(xí)的Python實(shí)例222
習(xí)題225
附錄A數(shù)學(xué)基礎(chǔ)226
A.1矩陣運(yùn)算226
A.1.1向量226
A.1.2向量的加法和數(shù)乘227
A.1.3矩陣的定義227
A.2*優(yōu)化方法238
A.2.1基本概念238
A.2.2一階優(yōu)化算法239
A.2.3凸優(yōu)化問題243
A.2.4帶約束的優(yōu)化問題245
A.3概率論246
A.3.1概率論的基本概念246
A.3.2隨機(jī)變量數(shù)字特征249
A.3.3基本概率分布模型252
A.3.4二維隨機(jī)變量255
參考文獻(xiàn)258
展開全部
人工智能基礎(chǔ);算法與編程 作者簡(jiǎn)介
王洪元，博士，常州大學(xué)計(jì)算機(jī)與人工智能學(xué)院二級(jí)教授、博士生導(dǎo)師，從事人工智能相關(guān)領(lǐng)域的教學(xué)、研究、開發(fā)工作40余年。發(fā)表論文200余篇，出版著作和教材3部，獲國(guó)家發(fā)明專利10余項(xiàng)，獲省部級(jí)科技獎(jiǎng)勵(lì)多項(xiàng)。
書友推薦
- >
小考拉的故事-套裝共3冊(cè)
- >
名家?guī)阕x魯迅:朝花夕拾
- >
經(jīng)典常談
- >
名家?guī)阕x魯迅:故事新編
- >
伯納黛特,你要去哪(2021新版)
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
山海經(jīng)
本類暢銷
