本书全面介绍了智能机器人的发展历史、探究过程，以及在各个领域的应用，以通俗易懂的语言和生动有趣的示例为你揭示人工智能不为人知的奥秘。全书既有科学的严谨性，又不乏趣味性，以生动的笔触将科学之美展现得淋漓尽致，有助于读者开阔视野，激发进一步探索科学的兴趣。本书适合所有关注智能机器人领域的从业者参考阅读。
电子书
内容简介
本书介绍了人工智能领域常用的方法，包括搜索、统计学习、深度学习和自动机器学习等内容。各章节涉及的问题均根据历史典故或现实生活引出，并使用通俗易懂的方式提出问题及其解决方法。因此，读者在阅读本书时不会感到枯燥无味，也不需要具备人工智能相关的知识背景。书中包含很多代码示例，每个示例均有详细的解释，有助于读者进一步理解相应的算法。在学完本书后，读者将初步具备使用人工智能算法解决生活中实际问题的能力。
章节目录
- A-fy
- 57728-bq
- 内 容 提 要
- C-xy
- 序
- RECOMMENDATION
- D-qy
- 前 言
- PREFACE
- E-ml
- 目 录
- CONTENTS
- 01
- 趣谈人工智能
- 1.1 一个古老的职业
- 1.2 最后的观（占）星大师
- 1.3 中世纪的宇宙模型
- 1.4 八卦中的秘密
- 1.5 另一个苹果
- 1.6 神经网络发展
- 1.7 新时代的炼金术
- 1.8 深度学习和大数据
- 1.9 最后的围棋大师
- 02
- 学习在于实践—— 编程环境和基础
- 2.1 编程环境管家——Anaconda管理工具
- 2.1.1 Anaconda简介
- 2.1.2 如何安装
- 2.1.3 环境管理
- 2.2 简明胶水语言——Python
- 2.2.1 简介
- 2.2.2 安装
- 2.2.3 基础语法
- 1．第一个Python3程序
- 2．Python保留字
- 3．注释
- 4．缩进
- 5．多行语句
- 6．数据类型
- 7．循环
- 8．函数
- 2.2.4 解决兔子繁殖问题
- 2.3 面向数组的计算——NumPy
- 2.3.1 简介
- 2.3.2 安装
- 2.3.3 基础语法
- 2.3.4 案例
- 2.4 机器学习百宝箱——sklearn
- 2.4.1 简介
- 2.4.2 安装
- 2.5 大道至简——Keras
- 2.5.1 简介
- 2.5.2 安装
- 03
- 穷举的魅力——搜索
- 3.1 驴友的困惑——经典旅行问题
- 3.1.1 七桥问题
- 3.1.2 旅行商问题
- 3.1.3 迷宫问题
- 3.2 搜索的积木——基础数据结构
- 3.2.1 树
- 3.2.2 图
- 3.2.3 栈
- 3.2.4 优先队列
- 3.3 林深时见鹿——深度优先搜索
- 3.3.1 DFS简介
- 3.3.2 使用DFS解决七桥问题
- 3.3.3 使用DFS解决旅行商问题
- 3.3.4 使用DFS解决迷宫问题
- 3.4 近水楼台先得月——广度优先搜索
- 3.4.1 BFS简介
- 3.4.2 使用BFS解决七桥问题
- 3.4.3 使用BFS解决旅行商问题
- 3.4.4 使用BFS解决迷宫问题
- 04
- 计算机里的物竞天择——进化算法
- 4.1 生物的演化规律——物种起源
- 4.2 程序的优化方法——遗传算法
- 4.2.1 遗传学的启发
- 4.2.2 遗传定律
- 4.2.3 遗传算法
- 4.3 基因优化的模拟——交叉变异
- 4.3.1 基因的二进制表示
- 4.3.2 适应度的选择方法
- 4.3.3 基因交叉计算
- 4.3.4 基因变异
- 4.4 更高级的程序优化——进化算法
- 4.4.1 进化算法原理
- 4.4.2 数值优化应用实践
- 4.4.3 进化算法库Geatpy
- 4.5 横看成岭侧成峰——多目标优化
- 4.5.1 帕累托最优
- 4.5.2 多目标优化算法
- 4.5.3 多目标优化实践
- 4.6 麻雀虽小，五脏俱全——其他进化算法
- 4.6.1 粒子群优化算法
- 4.6.2 蚁群算法
- 05
- 数据即规律——统计学习
- 5.1 润物细无声——教师和学习
- 5.2 理想中的世界——线性模型
- 5.3 物以类聚，人以群分——聚类
- 5.4 如何做出选择——决策树
- 5.5 维度的秘密——支持向量机
- 5.6 三个臭皮匠顶个诸葛亮——集成机器学习
- 06
- 描述万物的规律—— 神经网络
- 6.1 最简单的神经网络模型——感知机
- 6.2 神经网络的核心——非线性激活函数
- 6.3 感知机的缺陷——异或难题
- 6.4 万能的神经网络——通用函数拟合
- 6.5 魔方缺了一面——利用反向传播求解神经网络
- 6.6 构建神经网络的积木——Keras API函数
- 6.7 开始动手——神经网络应用
- 07
- 抽象的威力——深度学习
- 7.1 被麻醉的猫——生物视觉原理
- 7.2 深度学习的视觉——CNN模型
- 7.2.1 彩色图片数据组成
- 7.2.2 CNN是怎么工作的
- 7.2.3 CNN学到了什么
- 7.2.4 CNN应用实例——猫狗大战
- 7.3 瞻前顾后的深度模型——RNN
- 7.3.1 RNN模型结构
- 7.3.2 往前看和往后看——双向RNN
- 7.3.3 RNN的其他应用
- 7.4 最大的烦恼就是记性太好——长短期记忆网络
- 7.4.1 梯度消失和梯度爆炸问题
- 7.4.2 LSTM应用实例——微博情感分析
- 08
- 深度学习的集市
- 8.1 学会识别不同的图像——图像分类
- 8.1.1 数据集
- 8.1.2 入门案例
- 8.1.3 知名分类模型
- 8.2 寻找物体的相框——目标检测
- 8.2.1 数据集
- 8.2.2 基本原理
- 8.2.3 知名目标检测模型
- 8.3 学会区分不同的物体边界——语义分割
- 8.3.1 数据集
- 8.3.2 基本原理
- 8.3.3 知名语义分割模型
- 09
- 基于关系的网络——GNN
- 9.1 关系的表述——图结构
- 9.1.1 灵活处理非欧数据的GNN
- 9.1.2 定义及概念介绍
- 9.2 解决社交问题——原理和实践
- 9.2.1 GCN原理介绍
- 9.2.2 GCN的应用——微博用户性别预测（节点分类）
- 9.2.3 GCN的应用——闲鱼垃圾评论识别（边分类）
- 9.2.4 基于Keras的GCN代码解析
- 9.3 改进GCN模型——GAT原理及应用
- 9.3.1 GAT原理介绍
- 9.3.2 GAT的应用——微博用户性别预测
- 9.3.3 基于Keras的GAT代码解析
- 10
- 巴甫洛夫的狗—— 智能体学习
- 10.1 灵感来源——反射学习
- 10.2 向狗学习——强化学习
- 10.2.1 发展历程
- 10.2.2 强化学习范式
- 10.2.3 值函数与策略函数
- 10.2.4 MDP求解方法
- 10.3 实现强化学习——两种策略
- 10.3.1 off-policy学习
- 10.3.2 on-policy学习
- 10.4 引入万能的神经网络——深度强化学习
- 10.4.1 基于值函数的方法
- 10.4.2 基于策略梯度方法
- 10.5 解决更复杂的问题——分布式强化学习
- 10.5.1 IMPALA
- 10.5.2 SEEDRL
- 10.5.3 Ape-X
- 10.5.4 Acme
- 10.6 史上最强大的狗——AlphaGo
- 10.6.1 围棋简介
- 10.6.2 AlphaGo算法运行原理
- 10.6.3 与AlphaGo下棋小例子
- 10.7 走向更强——高级强化学习
- 10.7.1 分层强化学习
- 10.7.2 逆强化学习
- 10.7.3 元强化学习
- 10.7.4 多智能体强化学习
- 11
- 学会艺术创作—— 生成学习
- 11.1 和梵高学习画画——风格迁移模型
- 11.1.1 深度学习作画
- 11.1.2 第一个风格迁移神经网络
- 11.1.3 固定风格任意内容的快速风格迁移
- 11.1.4 基于Keras实现的盖特斯风格迁移模型
- 11.2 失业的画家——生成对抗网络
- 11.2.1 对抗生成模型GAN
- 11.2.2 GAN原理解析
- 11.2.3 基于DCGAN的手写体数字生成
- 11.3 深度学习也“脆弱”——对抗攻击
- 11.4 复活的唐诗——大规模预训练模型
- 11.4.1 大规模“预训练语言模型”
- 11.4.2 BERT和GPT原理浅析
- 11.4.3 基于BERT和GPT的诗歌生成
- 12
- 学习使我快乐—— 自动学习
- 12.1 如何实现自动学习——AutoML原理
- 12.1.1 算法的模型选择
- 12.1.2 参数优化
- 12.1.3 网络结构优化
- 12.2 动手实践——AutoML实例
- 12.2.1 Auto-sklearn
- 12.2.2 分布式H2O
- 12.3 自动深度学习——AutoDL
- 12.3.1 深度学习概述
- 12.3.2 深度学习参数调节
- 12.4 自动强化学习——AutoRL
- 12.5 自动图神经网络——AutoGL
- 12.5.1 图神经网络简介
- 12.5.2 自动图神经网络
- CK
- 参考文献
展开全部
人工智能技术基础是2021年由人民邮电出版社出版,作者主编。
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《人工智能技术基础》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
本书系统阐述了图像目标检测的有关概念、原理和方法，共分10章。第1章简要介绍了图像目标检测的意义和应用，第2章介绍了光学成像过程模型与图像处理，第3章介绍了基于适应性模型的动态环境背景建模方法，第4章介绍了基于非线性降维强散射环境中图像特征提取方法，第5章介绍了基于先验知识的图像目标分割方法，第6章介绍了压缩域图像处理与运动目标分割方法，第7章介绍了仿生视觉模型与图像处理，第8章介绍了仿蛙眼视觉分
电子书
本体是共享概念模型明确的形式化规范说明。其重要性已在知识工程、智能信息集成、信息检索与获取、软件工程、自然语言处理、普适计算等许多方面有所体现。本书全面概括了本体演化的一些方法，重点研究开放环境下本体演化中的本体一致性推理算法、本体演化序列内部与序列之间的冲突检测、冲突诊断算法和本体演化多版本差异检测算法，同时就所涉及的算法进行了系统的实验和比较。本书可作为本体推理、本体演化领域开发人员和技术人员
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
本书共6章：第1章概述了工业报警系统的研究意义、突出问题和研究现状；第2章通过基于报警统计量的状态图，描述了某个时期内报警变量所处的运行状态；第3章提出了报警延迟器、报警死区和报警阈值的优化设计方法；第4章以关联变量的变化方向、变化空间、变化速率为基础，设计了相应的多变量报警器；第5章针对描述报警变量与根源变量关系的不同模型，建立了3种报警根源分析方法；第6章面向短时间内出现的大量报警信息，设计了
电子书
机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了TensorFlow、PySpark、TI-ONE等主流机器学习平台的主要特点；然后结合Tableau介绍了数据可视化在银行客户用卡行为分析的应用。在此基础上，利用上述介绍的这些平台，通过多个项目案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、卷积神经网络、循环神经网络、对抗
电子书
本书介绍了自然语言处理的原理与Java编程语言的技术实现，主要包括多种语言的文本处理、分布式算法与代码实现、自然语言处理相关系统构建等内容。
电子书
本书从概念和数学原理上对人工智能所涉及的数据处理常用算法、图像识别、语音识别、自然语言处理、深度学习等几个主要方面进行了阐述，并以Python为主要工具进行了相应的编程实践，以使读者对人工智能相关技术有更直观和深入的理解。此外，本书还用几个独立的章节从原理和实践上介绍了量子计算、区块链技术、并行计算、增强现实等与人工智能密切相关的前沿技术。
