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。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
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。
