轻松入门机器学习，理论实战并重，适合零基础学习者。
电子书
编辑推荐
本书系统地阐述了人工智能的基本理论、基本技术、研究方法和应用领域。
内容简介
全书共分为8章，内容涉及人工智能的基本概念、知识工程、确定性推理和不确定性推理、搜索与优化策略、机器学习、人工神经网络与深度学习，以及模式识别、自然语言处理和多智能体等。
章节目录
- 封面
- 书名页
- 版权页
- 前言
- 目录
- 第1章 绪论
- 1.1 什么是人工智能
- 1.1.1 关于智能
- 1.1.2 人工智能的研究目标
- 1.2 人工智能发展简史
- 1.3 人工智能的研究方法
- 1.3.1 人工智能的研究特点
- 1.3.2 人工智能的研究途径
- 1.3.3 人工智能研究资源
- 1.4 人工智能研究及应用领域
- 1.4.1 模式识别
- 1.4.2 自然语言处理
- 1.4.3 机器学习与数据挖掘
- 1.4.4 人工神经网络与深度学习
- 1.4.5 博弈
- 1.4.6 多智能体
- 1.4.7 专家系统
- 1.4.8 计算机视觉
- 1.4.9 自动定理证明
- 1.4.10 智能控制
- 1.4.11 机器人学
- 1.4.12 人工生命
- 1.5 本章小结
- 习题
- 第2章 知识工程
- 2.1 概述
- 2.2 知识表示方法
- 2.2.1 经典逻辑表示法
- 2.2.2 产生式表示法
- 2.2.3 层次结构表示法
- 2.2.4 网络结构表示法
- 2.2.5 其他表示法
- 2.3 知识获取与管理
- 2.3.1 知识获取的任务
- 2.3.2 知识获取的方式
- 2.3.3 知识管理
- 2.3.4 本体论
- 2.3.5 知识图谱
- 2.4 基于知识的系统
- 2.4.1 什么是知识系统
- 2.4.2 专家系统
- 2.4.3 问答系统
- 2.4.4 知识系统举例
- 2.5 本章小结
- 习题
- 第3章 确定性推理
- 3.1 概述
- 3.1.1 推理方式与分类
- 3.1.2 推理控制策略
- 3.1.3 知识匹配
- 3.2 自然演绎推理
- 3.3 归结演绎推理
- 3.3.1 归结原理
- 3.3.2 归结策略
- 3.3.3 应用归结原理求解问题
- 3.4 与或形演绎推理
- 3.4.1 与或形正向演绎推理
- 3.4.2 与或形逆向演绎推理
- 3.4.3 与或形双向演绎推理
- 3.5 本章小结
- 习题
- 第4章 不确定性推理
- 4.1 概述
- 4.2 基本概率方法
- 4.3 主观贝叶斯方法
- 4.3.1 不确定性的表示
- 4.3.2 不确定性的传递算法
- 4.3.3 结论不确定性的合成算法
- 4.4 可信度方法
- 4.4.1 基本可信度模型
- 4.4.2 带阈值限度的可信度模型
- 4.4.3 加权的可信度模型
- 4.4.4 前件带不确定性的可信度模型
- 4.5 模糊推理
- 4.5.1 模糊理论
- 4.5.2 简单模糊推理
- 4.5.3 模糊三段论推理
- 4.5.4 多维模糊推理
- 4.5.5 多重模糊推理
- 4.5.6 带有可信度因子的模糊推理
- 4.6 证据理论
- 4.6.1 D-S理论
- 4.6.2 基于证据理论的不确定性推理
- 4.7 粗糙集理论
- 4.7.1 粗糙集理论的基本概念
- 4.7.2 粗糙集在知识发现中的应用
- 4.8 本章小结
- 习题
- 第5章 搜索与优化策略
- 5.1 概述
- 5.1.1 什么是搜索
- 5.1.2 状态空间表示法
- 5.1.3 与或树表示法
- 5.2 状态空间搜索
- 5.2.1 状态空间的一般搜索过程
- 5.2.2 广度优先搜索
- 5.2.3 深度优先搜索
- 5.2.4 有界深度优先搜索
- 5.2.5 启发式搜索
- 5.2.6 A∗算法
- 5.3 与或树搜索
- 5.3.1 与或树的一般搜索过程
- 5.3.2 与或树的广度优先搜索
- 5.3.3 与或树的深度优先搜索
- 5.3.4 与或树的有序搜索
- 5.3.5 博弈树的启发式搜索
- 5.3.6 剪枝技术
- 5.3.7 人机对弈与AlphaGo
- 5.4 智能优化搜索
- 5.4.1 NP问题
- 5.4.2 优化问题
- 5.4.3 遗传算法
- 5.4.4 蚁群算法
- 5.4.5 粒子群算法
- 5.4.6 智能优化搜索应用案例
- 5.5 本章小结
- 习题
- 第6章 机器学习
- 6.1 概述
- 6.1.1 什么是机器学习
- 6.1.2 机器学习方法分类
- 6.1.3 机器学习的基本问题
- 6.1.4 评估学习结果
- 6.2 决策树学习
- 6.2.1 决策树表示法
- 6.2.2 ID3算法
- 6.2.3 决策树学习的常见问题
- 6.2.4 随机森林算法
- 6.2.5 决策树学习应用案例
- 6.3 贝叶斯学习
- 6.3.1 贝叶斯法则
- 6.3.2 朴素贝叶斯方法
- 6.3.3 贝叶斯网络
- 6.3.4 EM算法
- 6.3.5 贝叶斯学习应用案例
- 6.4 统计学习
- 6.4.1 小样本统计学习理论
- 6.4.2 支持向量机
- 6.4.3 核函数
- 6.4.4 支持向量机应用案例
- 6.5 聚类
- 6.5.1 聚类问题
- 6.5.2 分层聚类方法
- 6.5.3 划分聚类方法
- 6.5.4 基于密度的聚类方法
- 6.5.5 基于网格的聚类方法
- 6.5.6 聚类算法应用案例
- 6.6 特征选择与表示学习
- 6.6.1 特征提取与选择
- 6.6.2 常用的特征函数
- 6.6.3 主成分分析
- 6.6.4 表示学习
- 6.6.5 表示学习应用案例
- 6.7 其他学习方法
- 6.7.1 k近邻算法
- 6.7.2 强化学习
- 6.7.3 隐马尔可夫模型
- 6.8 本章小结
- 习题
- 第7章 人工神经网络与深度学习
- 7.1 概述
- 7.1.1 人脑神经系统
- 7.1.2 人工神经网络的研究内容与特点
- 7.1.3 人工神经网络基本形态
- 7.1.4 深度学习
- 7.2 前馈神经网络
- 7.2.1 感知器模型
- 7.2.2 反向传播算法
- 7.2.3 卷积神经网络
- 7.2.4 前馈神经网络应用案例
- 7.3 反馈神经网络
- 7.3.1 循环神经网络
- 7.3.2 长短期记忆网络
- 7.3.3 双向循环神经网络
- 7.3.4 反馈神经网络应用案例
- 7.4 本章小结
- 习题
- 第8章 人工智能的其他领域
- 8.1 模式识别
- 8.1.1 模式识别的基本问题
- 8.1.2 图像识别
- 8.1.3 人脸识别
- 8.2 自然语言处理
- 8.2.1 自然语言处理的基本问题
- 8.2.2 信息检索
- 8.2.3 机器翻译
- 8.2.4 自动问答
- 8.3 多智能体
- 8.3.1 多智能体系统模型
- 8.3.2 多智能体系统的学习与协作
- 8.3.3 多智能体系统的主要研究内容
- 8.3.4 多智能体系统应用案例
- 8.4 本章小结
- 习题
- 参考文献
- 封底
展开全部
人工智能导论（第2版）是2020年由机械工业出版社出版,作者鲍军鹏。
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《人工智能导论（第2版）》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
本书用TensorFlow框架针对现实场景设计深度学习系统，实现有趣的深度学习项目。
电子书
全面探讨AI理论实践，涵盖逻辑、概率、感知等领域，实际应用贯穿微电子、自动驾驶等热门技术。
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。
电子书
本书重点突出强化学习作为机器学习及人工智能领域的一种重要方法，在游戏、自动驾驶、机器人路线规划等领域得到了广泛的应用。
电子书
本书内容涉及摄影学、计算机视觉、深度学习3个领域，系统地介绍了计算机视觉在图像质量和摄影学各个领域的核心算法和应用，包括传统的图像处理算法和深度学习核心算法。本书理论知识体系完备，同时提供大量实例，供读者实战演练。本书融合摄影学和计算机视觉的内容，覆盖面非常广。第1章简单介绍摄影的历史、摄影与图像的基本概念和摄影中的许多基本技巧。从第2章开始，本书对摄影学中图像处理算法的各个重要方向进行介绍，包括
电子书
本书较为全面地论述了机器学习、深度学习、大数据技术与图像处理技术的基本概念、基础原理和基本方法，以农业为应用场景，力求通缩易懂，深入浅出的介绍了与机器学习、深度学习、大数据技术与图像处理技术问题联系密切的内容。全书主要分为4大部分：机器学习、大数据技术和图像处理技术的基础知识；经典的机器学习基本理论和方法，以及深度学习和大数据未来的发展；实践应用；机器学习和人工智能的数学基础与编程基础。
