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
内容简介
本书的编程语言以MATLAB为主，分别从学习方式和理论知识两个方面来对机器学习（实现人工智能的方法）的算法进行分类介绍。通过阅读本书，读者可以对人工智能的子集——机器学习形成一个系统、全面、完整的认识，并且在今后的研究工作中逐步拓展，*终形成自己的体系。全书共6篇，分别为特征处理算法、分类和聚类算法、神经网络算法、优化算法、基于不同数学思想的算法以及集成算法，每一篇都对该类别中常见算法的思想、流程、核心知识和优缺点等内容进行了详细介绍，并通过实际的案例分析和代码展示，对算法的具体应用进行了完整解析。 本书适用的读者对象包括金融机构的量化投资经理、科研工作者、互联网企业的算法工程师、大中专院校相关专业师生，以及其他对实现人工智能的机器学习技术感兴趣的读者。
章节目录
- 封面
- 前折页
- 书名页
- 版权页
- 前言
- 目录
- 第一篇 特征处理算法
- 第1章 ReliefF特征选择算法
- 1.1 原理介绍
- 1.1.1 算法思想
- 1.1.2 算法流程
- 1.1.3 算法详细介绍
- 1.2 ReliefF特征选择算法优缺点
- 1.3 实例分析
- 1.3.1 数据集介绍
- 1.3.2 函数介绍
- 1.3.3 ReliefF算法在分类问题中的实例分析
- 1.3.4 ReliefF算法在回归问题中的实例分析
- 1.4 房价回归预测问题的特征选择案例代码
- 第2章 Chi-Merge算法
- 2.1 原理介绍
- 2.1.1 算法思想
- 2.1.2 算法流程
- 2.2 Chi-Merge算法的优缺点
- 2.3 实例分析
- 2.3.1 数据集介绍
- 2.3.2 函数介绍
- 2.3.3 结果分析
- 2.4 代码获取
- 第3章 特征规约算法
- 3.1 特征规约算法原理介绍
- 3.1.1 特征规约算法思想
- 3.1.2 特征规约算法流程
- 3.1.3 PCA算法及相关矩阵分解
- 3.2 几种特征规约算法的优缺点
- 3.3 特征规约算法实例分析
- 3.3.1 数据集介绍
- 3.3.2 函数介绍
- 3.3.3 结果分析
- 3.4 代码获取
- 第二篇 分类和聚类算法
- 第4章 KNN算法
- 4.1 原理介绍
- 4.1.1 算法思想
- 4.1.2 算法流程
- 4.2 KNN算法的核心知识
- 4.2.1 距离或相似度的衡量
- 4.2.2 K值的选取
- 4.2.3 K个邻近样本的选取
- 4.3 KNN算法的优缺点
- 4.4 实例分析
- 4.4.1 数据集介绍
- 4.4.2 函数介绍
- 4.4.3 结果分析
- 4.5 代码获取
- 第5章 K-Means算法
- 5.1 原理介绍
- 5.1.1 算法思想
- 5.1.2 算法流程
- 5.1.3 k值的选取
- 5.2 K-Means算法的优点与缺点
- 5.2.1 K-Means算法的优点
- 5.2.2 K-Means算法的缺点
- 5.3 实例分析
- 5.3.1 数据集介绍
- 5.3.2 函数介绍
- 5.3.3 K的选择
- 5.3.4 训练结果分析
- 5.4 代码介绍
- 5.4.1 K-Means训练的函数代码
- 5.4.2 计算距离矩阵的函数代码
- 5.4.3 分析模型的代码
- 5.5 代码获取
- 第6章 高斯混合聚类算法
- 6.1 原理介绍
- 6.1.1 算法思想
- 6.1.2 算法流程
- 6.1.3 EM算法理论与GMM参数推导
- 6.1.4 EM聚类与K-Means聚类的对比
- 6.2 高斯混合聚类算法的优缺点
- 6.3 实例分析
- 6.3.1 数据集介绍
- 6.3.2 函数介绍
- 6.3.3 学习过程
- 6.3.4 样本聚类结果
- 6.4 代码获取
- 第7章 ISODATA算法
- 7.1 原理介绍
- 7.1.1 算法思想
- 7.1.2 算法流程
- 7.2 ISODATA算法的优缺点
- 7.3 实例分析
- 7.3.1 函数介绍
- 7.3.2 数据介绍
- 7.3.3 训练结果
- 7.3.4 其他参数下的聚类结果
- 7.4 代码介绍
- 7.4.1 鸢尾花数据测试代码
- 7.4.2 代码获取
- 第8章 谱聚类算法
- 8.1 原理介绍
- 8.1.1 算法思想
- 8.1.2 谱聚类的切图聚类
- 8.1.3 算法流程
- 8.2 聚类普算法的优缺点
- 8.3 实例分析
- 8.3.1 数据集介绍
- 8.3.2 函数介绍
- 8.3.3 结果分析
- 8.3.4 代码获取
- 第三篇 神经网络算法
- 第9章 BP神经网络与径向基神经网络算法
- 9.1 原理介绍
- 9.1.1 算法思想
- 9.1.2 算法流程
- 9.1.3 BP神经网络与径向基神经网络结构说明
- 9.1.4 误差反向传递（含权值偏置调整）
- 9.1.5 调整输出层的权值偏置矩阵
- 9.1.6 调整隐含层权值偏置矩阵
- 9.1.7 径向基神经网络
- 9.2 BP和径向基神经网络算法的优缺点
- 9.2.1 BP神经网络和径向基神经网络的优点
- 9.2.2 BP神经网络和径向基神经网络的缺点
- 9.3 实例分析
- 9.3.1 数据集介绍
- 9.3.2 BP神经网络使用
- 9.3.3 径向基神经网络的应用
- 9.4 代码获取
- 第10章 Hopfield神经网络算法
- 10.1 原理介绍
- 10.1.1 算法思想
- 10.1.2 算法流程
- 10.1.3 Hopfield神经网络结构
- 10.1.4 离散Hopfield网络能量函数收敛性证明
- 10.2 Hopfield神经网络算法的优点与缺点
- 10.3 正交法权值计算
- 10.4 正交法权值计算的吸引情况说明
- 10.5 实例分析
- 10.6 代码获取
- 第11章 LSTM长短期记忆网络算法
- 11.1 原理介绍
- 11.1.1 算法思想
- 11.1.2 算法流程
- 11.2 LSTM的数学推导和说明
- 11.2.1 数据集符号申明
- 11.2.2 训练过程
- 11.3 激活函数求导说明
- 11.4 补充
- 11.5 LSTM算法的优点与缺点
- 11.6 实例分析
- 11.6.1 数据集介绍
- 11.6.2 函数介绍
- 11.6.3 结果分析
- 11.7 代码获取
- 第四篇 优化算法
- 第12章 网格寻优算法
- 12.1 原理介绍
- 12.1.1 算法思想
- 12.1.2 算法流程
- 12.2 网格寻优算法的优缺点
- 12.3 实例分析
- 12.3.1 函数介绍
- 12.3.2 结果分析
- 12.4 代码获取
- 第13章 模拟退火聚类算法
- 13.1 原理介绍
- 13.1.1 算法思想
- 13.1.2 算法流程
- 13.2 模拟退火算法的优缺点
- 13.3 实例分析
- 13.3.1 数据介绍
- 13.3.2 函数介绍
- 13.3.3 结果分析
- 13.4 代码介绍
- 13.4.1 分析模型的代码
- 13.4.2 模拟退火结合K-Means算法的代码获取
- 第14章 EMD经验模态分解算法
- 14.1 原理介绍
- 14.1.1 算法思想
- 14.1.2 算法流程
- 14.1.3 经验模态分解（EMD）的核心要点
- 14.1.4 经验模态分解的理论基础
- 14.1.5 包络线拟合
- 14.1.6 三次样条插值的应用
- 14.1.7 其他插值方法介绍
- 14.2 EMD经验模态分解算法的优缺点
- 14.3 实例分析
- 14.3.1 数据集介绍
- 14.3.2 函数介绍
- 14.3.3 上证指数EMD分解
- 14.4 代码获取
- 第五篇 基于不同数学思想的算法
- 第15章 粗糙集算法
- 15.1 原理介绍
- 15.1.1 算法思想
- 15.1.2 算法流程
- 15.1.3 基本概念
- 15.2 粗糙集算法的优缺点
- 15.3 实例分析
- 15.3.1 数据集介绍
- 15.3.2 函数介绍
- 15.3.3 训练结果
- 15.3.4 其他说明
- 15.4 代码介绍
- 15.4.1 测试案例代码
- 15.4.2 粗糙集算法涉及的其他代码获取
- 第16章 基于核的Fisher算法
- 16.1 基于核的Fisher算法介绍
- 16.1.1 算法思想
- 16.1.2 基于核的Fisher算法数学推导
- 16.1.3 算法流程
- 16.1.4 基于核的Fisher算法的计算步骤
- 16.2 Fisher核函数算法的优缺点
- 16.3 实例分析
- 16.3.1 函数介绍
- 16.3.2 核函数的选择
- 16.3.3 结果分析
- 16.4 代码介绍
- 16.4.1 测试脚本
- 16.4.2 Fisher核函数的完整代码获取
- 第17章 SVM支持向量机算法
- 17.1 原理介绍
- 17.1.1 算法思想
- 17.1.2 算法流程
- 17.1.3 最优分类超平面问题
- 17.1.4 顺序选取α的SMO算法
- 17.1.5 结合Maximum Gain Method对α选择的优化
- 17.2 SVM算法的优点与缺点
- 17.3 实例分析
- 17.3.1 数据介绍
- 17.3.2 函数介绍
- 17.3.3 训练结果
- 17.4 代码获取
- 第18章 傅里叶级数及变换
- 18.1 原理介绍
- 18.1.1 算法思想
- 18.1.2 算法流程
- 18.1.3 傅里叶变换定理的说明
- 18.1.4 傅里叶级数展开的指数函数形式
- 18.1.5 一些核心问题的解释
- 18.2 傅里叶级数及变换的优缺点
- 18.3 实例分析
- 18.3.1 函数介绍
- 18.3.2 离散傅里叶变换数据降噪实例
- 18.3.3 利用快速傅里叶变换对原数据进行降噪
- 18.4 离散傅里叶变换代码获取
- 第六篇 集成算法
- 第19章 集成算法之AdaBoost
- 19.1 原理介绍
- 19.1.1 算法思想
- 19.1.2 算法流程
- 19.1.3 程序流程
- 19.2 AdaBoost算法的优缺点
- 19.3 实例分析
- 19.3.1 数据集介绍
- 19.3.2 函数介绍
- 19.3.3 结果分析
- 19.4 代码获取
- 第20章 集成算法之Bagging
- 20.1 原理介绍
- 20.1.1 算法思想
- 20.1.2 算法流程
- 20.2 Bagging算法的优缺点
- 20.3 实例分析
- 20.3.1 函数介绍
- 20.3.2 结果分析
- 20.4 代码获取
- 第21章 集成算法之Stacking
- 21.1 原理介绍
- 21.2 Stacking算法的优缺点
- 21.3 Stacking截面数据分类
- 21.3.1 训练程序流程
- 21.3.2 训练函数
- 21.3.3 预测程序流程
- 21.3.4 预测函数
- 21.4 算法实例
- 21.5 Stacking时间序列分类
- 21.5.1 算法流程
- 21.5.2 程序流程
- 21.5.3 预测函数
- 21.6 实例分析
- 21.7 代码获取
- 第22章 集成算法之Gradient Boosting
- 22.1 原理介绍
- 22.1.1 算法思想
- 22.1.2 算法流程
- 22.1.3 采用标签取{0,1}的对数损失函数
- 22.1.4 采用标签取{-1,1}的对数损失函数
- 22.2 Gradient Boosting算法的优缺点
- 22.3 实例分析
- 22.3.1 数据集介绍
- 22.3.2 函数介绍
- 22.3.3 结果分析
- 22.4 代码介绍
- 22.4.1 处理分类问题的测试代码
- 22.4.2 处理回归问题的测试代码
- 22.4.3 集成算法之GB完整代码获取
- 后折页
- 封底
展开全部
人工智能算法大全：基于MATLAB是2021年由机械工业出版社出版,作者李一邨 编著。
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《人工智能算法大全：基于MATLAB》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
本书系统地阐述了人工智能算法的基本原理、实现技术及其应用，基本涵盖了其重要理论和方法，包括了最近发展起来的并被实践证明的新技术、新理论，如机器学习、模式识别、图像处理、神经网络、深度学习、群智能方法等。本书注重结合实际，通过实际问题介绍各种理论和方法，着重介绍各种智能算法的MATLAB实现，具有较强的指导性和实用性。本书可作为计算机、信息处理、自动化和电信等IT相关专业的高年级本科生和研究生学习人
电子书
一本包含全部代码的参考书
零基础学习深度学习
基于NumPy的Python语言实现卷积神经网络
本书用极少的数学知识，深入浅出地介绍了机器学习、卷积神经网络的相关概念以及实践中特别重要的数据预处理。书中没有借助深度学习库，完全使用Python语言基于NumPy库实现了神经网络和卷积神经网络，并给出了全部代码。为了方便读者理解深度学习和更好地使用深度学习库，如TensorFlow，书中特别对误差反向传播算法和神经网络的优化方法进行了深入分析。在此基础上，本书进一步实现了经典的VGG网络和移动端MobileNetV2网络，同时介绍了GoogLeNet、ResNet和SENet。
电子书
《深度学习经典案例解析（基于MATLAB）》分为“基础篇”“应用篇”和“实战篇”。通过17个案例循序渐进地介绍了深度学习网络的构建、训练、应用，以及如何基于MATLAB快速生成可执行的C、C++代码并在硬件上部署实现，内容讲解由浅及深、层层递进。本书所讲解的案例均配有代码实现，并对代码进行了详细注解，读者可通过阅读代码对本书讲解的内容进行更加深入的了解。《深度学习经典案例解析（基于MATLAB）》
电子书
本书内容包括ProcessSimulate概述，夹具、机器人的定义与机构的创建，机器人搬运、机床上下料、机器人焊接、点焊工作站、码垛工作站的模拟仿真。
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
本书分为3部分，分别是综述篇、通用技术篇和行业应用篇。综述篇介绍了现阶段人工智能产品发展情况和人工智能政策环境。通用技术篇精心挑选10个以研发底层技术为核心竞争力的企业的产品，详细介绍了它们的实现思路以及现阶段应用。行业应用篇共有24个案例，主要汇集了人工智能技术与实体经济结合的应用案例，重点关注人工智能技术的应用场景拓展。
电子书
本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。
