本书较为系统地介绍深度学习模型训练、计算机视觉模型应用、自然语言处理模型应用等技术。全书共9个项目，包括深度学习全连接神经网络应用、深度学习卷积神经网络应用、深度学习模型训练——循环神经网络应用、计算机视觉模型数据准备、计算机视觉模型训练与应用、计算机视觉模型部署、自然语言处理预训练模型数据准备、自然语言处理预训练模型训练与应用、自然语言处理模型部署等。本书以满足企业用人需求为导向、以岗位技能和综
电子书
内容简介
本书首先介绍了人工智能的基础知识，然后分别介绍了机器学习、深度学习、自然语言处理和强化学习中的重点概念和实践过程，包含逻辑斯谛回归、k最近邻、决策树、随机森林、支持向量机、卷积神经网络、循环神经网络、LSTM、自动编码器等。此外，本书的附录部分还分别简单介绍了Keras、TensorFlow、pandas等人工智能相关的工具。
本书适用于高等院校电子信息类专业的人工智能导论课程，也适合想要对人工智能、机器学习和深度学习快速了解和掌握的专业人士阅读参考。
章节目录
- 版权信息
- 版 权
- 内 容 提 要
- 译 者 序
- 前 言
- 资源与支持
- 第1章 人工智能导论
- 1.1 什么是人工智能
- 1.2 图灵测试
- 1.2.1 图灵测试的定义
- 1.2.2 询问者测试
- 1.3 启发式方法
- 1.4 知识表示
- 1.4.1 基于逻辑的解决方案
- 1.4.2 语义网络
- 1.5 人工智能和博弈
- 1.6 专家系统
- 1.7 神经计算
- 1.8 演化计算
- 1.9 自然语言处理
- 1.10 生物信息学
- 1.11 人工智能的主要部分
- 1.11.1 机器学习
- 1.11.2 深度学习
- 1.11.3 强化学习
- 1.11.4 机器人学
- 1.11.5 自然语言处理
- 1.12 代码示例
- 1.13 总结
- 第2章 机器学习概述
- 2.1 什么是机器学习
- 2.2 机器学习算法的类型
- 2.3 特征工程、特征选择和特征提取
- 2.4 降维
- 2.4.1 PCA
- 2.4.2 协方差矩阵
- 2.5 使用数据集
- 2.5.1 训练数据与测试数据
- 2.5.2 什么是交叉验证
- 2.6 什么是正则化
- 2.6.1 机器学习和特征缩放
- 2.6.2 数据归一化与标准化
- 2.7 偏差-方差权衡
- 2.8 模型的度量指标
- 2.8.1 R 2的局限性
- 2.8.2 混淆矩阵
- 2.8.3 准确率、精确率、召回率
- 2.8.4 ROC曲线
- 2.9 其他有用的统计学术语
- 2.9.1 F1值是什么
- 2.9.2 p值是什么
- 2.10 什么是线性回归
- 2.10.1 线性回归与曲线拟合
- 2.10.2 什么时候解是精确值
- 2.10.3 什么是多元分析
- 2.11 其他类型的回归
- 2.12 使用平面中的线（可选）
- 2.13 用NumPy和matplotlib画散点图（1）
- 2.14 用NumPy和matplotlib画散点图（2）
- 2.15 用NumPy和matplotlib画二次散点图
- 2.16 MSE公式
- 2.16.1 误差类型列表
- 2.16.2 非线性最小二乘法
- 2.17 手动计算MSE
- 2.18 用np.linspace() API近似线性数据
- 2.19 用np.linspace() API计算MSE
- 2.20 用Keras进行线性回归
- 2.21 总结
- 第3章 机器学习分类器
- 3.1 什么是分类
- 3.1.1 什么是分类器
- 3.1.2 常见的分类器
- 3.1.3 二元分类与多类别分类
- 3.1.4 多标签分类
- 3.2 什么是线性分类器
- 3.3 什么是kNN
- 3.4 什么是决策树
- 3.5 什么是随机森林
- 3.6 什么是SVM
- 3.7 什么是贝叶斯推理
- 3.7.1 贝叶斯定理
- 3.7.2 一些贝叶斯术语
- 3.7.3 什么是最大后验假设
- 3.7.4 为什么使用贝叶斯定理
- 3.8 什么是朴素贝叶斯分类器
- 3.9 训练分类器
- 3.10 评估分类器
- 3.11 什么是激活函数
- 3.11.1 为什么需要激活函数
- 3.11.2 激活函数是如何工作的
- 3.12 常见的激活函数
- 3.12.1 Python中的激活函数
- 3.12.2 Keras中的激活函数
- 3.13 ReLU和ELU激活函数
- 3.13.1 ReLU激活函数
- 3.13.2 ELU激活函数
- 3.14 Sigmoid、Softmax、Softplus和tanh激活函数的相似性
- 3.14.1 Sigmoid激活函数
- 3.14.2 Softmax激活函数
- 3.14.3 Softplus激活函数
- 3.14.4 tanh激活函数
- 3.15 Sigmoid、Softmax和Hardmax激活函数之间的差异
- 3.16 什么是逻辑斯谛回归
- 3.16.1 设置阈值
- 3.16.2 逻辑斯谛回归：重要假设
- 3.16.3 线性可分数据
- 3.17 Keras、逻辑斯谛回归和Iris数据集
- 3.18 总结
- 第4章 深度学习概述
- 4.1 Keras和异或函数XOR
- 4.2 什么是深度学习
- 4.2.1 什么是超参数
- 4.2.2 深度学习体系架构
- 4.2.3 深度学习所能解决的问题
- 4.2.4 未来的挑战
- 4.3 什么是感知器
- 4.3.1 感知器函数的定义
- 4.3.2 感知器的详细视图
- 4.4 人工神经网络剖析
- 4.4.1 初始化模型的超参数
- 4.4.2 激活函数
- 4.4.3 损失函数
- 4.4.4 优化器
- 4.4.5 学习率
- 4.4.6 丢弃率
- 4.5 什么是反向误差传播
- 4.6 什么是多层感知器
- 4.7 数据点是如何被正确分类的
- 4.8 CNN的高阶视图
- 4.8.1 一个极简的CNN
- 4.8.2 卷积层
- 4.8.3 ReLU激活函数
- 4.8.4 最大池化层
- 4.9 在MNIST数据集上显示图像
- 4.10 Keras和MNIST数据集
- 4.11 Keras、CNN和MNIST数据集
- 4.12 用CNN分析音频信号
- 4.13 总结
- 第5章 深度学习体系架构：RNN和LSTM
- 5.1 什么是RNN
- 5.1.1 RNN剖析
- 5.1.2 什么是BPTT
- 5.2 在Keras中使用RNN
- 5.3 在Keras中使用RNN和MNIST数据集
- 5.4 在TensorFlow中使用RNN（可选）
- 5.5 什么是LSTM
- 5.5.1 LSTM剖析
- 5.5.2 双向LSTM
- 5.5.3 LSTM公式
- 5.5.4 LSTM超参数调优
- 5.6 在TensorFlow中使用LSTM（可选）
- 5.7 什么是GRU
- 5.8 什么是自动编码器
- 5.8.1 自动编码器和主成分分析
- 5.8.2 什么是可变自动编码器
- 5.9 什么是GAN
- 5.10 创建GAN
- 5.11 总结
- 第6章 自然语言处理和强化学习
- 6.1 使用NLP
- 6.1.1 NLP技术
- 6.1.2 Transformer架构和NLP
- 6.1.3 Transformer-XL架构
- 6.1.4 Reformer架构
- 6.1.5 NLP和深度学习
- 6.1.6 NLP中的数据预处理任务
- 6.2 流行的NLP算法
- 6.2.1 什么是n-gram
- 6.2.2 什么是skip-gram
- 6.2.3 什么是词袋
- 6.2.4 什么是词频
- 6.2.5 什么是反文档频率
- 6.2.6 什么是TF-IDF
- 6.3 什么是词嵌入
- 6.4 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0
- 6.5 什么是Translatotron
- 6.6 深度学习和NLP
- 6.7 NLU与NLG
- 6.8 什么是强化学习
- 6.8.1 强化学习的应用
- 6.8.2 NLP与强化学习
- 6.8.3 强化学习中的价值、策略和模型
- 6.9 从NFA到MDP
- 6.9.1 什么是NFA
- 6.9.2 什么是马尔可夫链
- 6.9.3 马尔可夫决策过程
- 6.10 epsilon贪心算法
- 6.11 贝尔曼方程
- 6.12 强化学习工具包和框架
- 6.13 什么是深度强化学习
- 6.14 总结
- 附录A Keras简介
- A.1 什么是Keras
- A.1.1 在TF 2中使用Keras命名空间
- A.1.2 使用tf.keras.layers命名空间
- A.1.3 使用tf.keras.activations命名空间
- A.1.4 使用tf.keras.datasets命名空间
- A.1.5 使用tf.keras.experimental命名空间
- A.1.6 使用tf.keras中的其他命名空间
- A.1.7 TF 2 Keras与“独立”Keras
- A.2 创建基于Keras的模型
- A.3 Keras和线性回归
- A.4 Keras、MLP和MNIST数据集
- A.5 Keras、CNN和cifar10数据集
- A.6 在Keras中调整图像大小
- A.7 Keras和提前停止（1）
- A.8 Keras和提前停止（2）
- A.9 Keras模型的度量指标
- A.10 保存和恢复Keras模型
- A.11 总结
- 附录B TF 2简介
- B.1 什么是TF 2
- B.1.1 TF 2用例
- B.1.2 TF 2架构
- B.1.3 TF 2安装
- B.1.4 TF 2和Python的REPL
- B.2 其他基于TF 2的工具包
- B.3 TF 2即时执行
- B.4 TF 2张量、数据类型和原始类型
- B.4.1 TF 2数据类型
- B.4.2 TF 2原始类型
- B.5 TF 2中的常量
- B.6 TF 2中的变量
- B.7 tf.rank() API
- B.8 tf.shape() API
- B.9 TF 2中的变量（重新审视）
- B.10 TF 2中的@tf.function是什么
- B.10.1 @tf.function如何工作
- B.10.2 TF 2中@tf.function的注意事项
- B.10.3 tf.print()函数和标准错误
- B.11 在TF 2中使用@tf.function
- B.11.1 一个未使用@tf.function的例子
- B.11.2 一个使用@tf.function的例子
- B.11.3 使用@tf.function重载函数的例子
- B.11.4 TF 2中的AutoGraph是什么
- B.12 TF 2中的算术运算
- B.13 TF 2中算术运算的注意事项
- B.14 TF 2的内置函数
- B.15 计算TF 2中的三角函数值
- B.16 计算TF 2中的指数值
- B.17 在TF 2中使用字符串
- B.18 在TF 2中使用带有各种张量的运算符
- B.19 TF 2中的二阶张量（1）
- B.20 TF 2中的二阶张量（2）
- B.21 TF 2中两个二阶张量的乘法
- B.22 将Python数组转换为TF 2张量
- B.23 微分和TF 2中的tf.GradientTape
- B.24 tf.GradientTape的示例
- B.24.1 使用tf.GradientTape的watch()方法
- B.24.2 将嵌套的循环用于tf.GradientTape
- B.24.3 其他涉及tf.GradientTape的TF 2张量运算
- B.24.4 持久的梯度磁带
- B.25 谷歌Colaboratory
- B.26 其他云平台
- B.27 总结
- 附录C pandas简介
- C.1 什么是pandas
- C.1.1 pandas数据帧
- C.1.2 数据帧和数据清洗任务
- C.2 带标签的pandas数据帧
- C.3 pandas数值数据帧
- C.4 pandas布尔数据帧
- C.5 pandas数据帧和随机数
- C.6 组合pandas数据帧（1）
- C.7 组合pandas数据帧（2）
- C.8 pandas数据帧的数据处理（1）
- C.9 pandas数据帧的数据处理（2）
- C.10 pandas数据帧的数据处理（3）
- C.11 pandas数据帧和CSV文件
- C.12 pandas数据帧和Excel电子表格（1）
- C.13 pandas数据帧和Excel电子表格（2）
- C.14 读取具有不同分隔符的数据文件
- C.15 使用sed命令转换数据（可选）
- C.16 选择、添加和删除数据帧中的列
- C.17 pandas数据帧和散点图
- C.18 pandas数据帧和直方图
- C.19 pandas数据帧和简单统计
- C.20 pandas数据帧的标准化
- C.21 pandas数据帧、NumPy函数和大型数据集
- C.22 使用pandas序列
- C.22.1 数据来自ndarray
- C.22.2 来自pandas序列的pandas数据帧
- C.23 pandas中有用的单行命令
- C.24 什么是Jupyter
- C.24.1 Jupyter特性
- C.24.2 从命令行启动Jupyter
- C.24.3 JupyterLab
- C.24.4 开发JupyterLab扩展
- C.25 总结
展开全部
人工智能和深度学习导论是2024年由人民邮电出版社出版,作者）。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人工智能和深度学习导论》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书分为人工智能产品研发、深度学习数据应用、深度学习基础应用3篇共10个项目，内容包括：人工智能需求管理、设计人工智能产品、人工智能开发平台应用、数据采集工程应用、数据处理工程应用、数据标注工程应用等。
电子书
本书根据人工智能技术服务专业人才培养的需求，以智能机器人为载体，以揭开人工智能的神秘面纱为主线进行编写，设置了5个学习情境。学习情境1主要介绍人工智能的发展和应用，引起学习者的兴趣；学习情境2主要从智能机器如何进行知识存储的角度来理解人工智能；学习情境3主要从智能机器如何使用知识进行探索世界和求解问题的角度来进一步理解人工智能；学习情境4主要从智能机器如何进行自主学习知识、增长智慧的角度来理解人工
电子书
本书从人工智能的基本定义出发，阐述了人工智能的理论、策略、研究方法和应用领域，以梳理知识脉络和要点的方式，介绍了知识表示、逻辑推理及方法、非确定性推理及方法、搜索策略、机器学习等方面的内容。
电子书
本书由四篇共17章组成。第一篇是基础理论篇，共九章（第1～9章），从整体角度介绍人工智能的基本概念与基础理论。第二篇是应用技术篇，共四章（第10～13章），介绍人工智能基础理论与相关分支领域相融合所产生的新技术。第三篇是应用篇，共三章（第14～16章），介绍智能产品的开发及目前广为流行的四种应用实例。第四篇是展望篇，共一章（第17章），对人工智能学科今后发展提出建议和看法。 在本书的编写中坚持三
电子书
本书共分10个项目，详细介绍了人工智能导论的相关知识，内容包括人工智能的前世今生、从零开始认识人工智能、人工智能编程基础开发语言——Phython、物体识别、计算机视觉的应用——人脸识别、生物信息识别、自然语言处理、语音识别、无人驾驶和数据挖掘。本书适用于高职高专院校理工科学生，作为通识课教材使用。
电子书
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章，分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等，并提供了应用实例。
电子书
《Python深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信
