深入淺出人工智能-原理、技術與應用 李燁 韓慧昌 侯鴻志 潘旺 9787115655394 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202504*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：深入淺出人工智能-原理、技術與應用
ISBN：9787115655394
出版社：人民郵電
著編譯者：李燁 韓慧昌 侯鴻志 潘旺
頁數：206
所在地：中國大陸 *此為代購商品
書號：1724125
可大量預訂，請先連絡。

內容簡介

本書在幫助讀者從零開始學習人工智能，掌握人工智能的原理、技術和應用。 本書共10章，先是人工智能概述，接著深入淺出地講解人工智能的原理和技術，括數據預處理、數據可視化、機器學習基礎、監督學習模型、無監督學習算法、經網絡基礎、訓練深度經網絡等內容，后講解人工智能的應用，括智能對話和知識圖譜。 本書適合想要學習並掌握人工智能技術和應用的零基礎讀者閱讀，還可以作為高等院校人工智能相關課程的教材或輔導書。

作者簡介

李燁，微軟AI亞太區首席應用科學家，CCF高級會員，20多年軟體研發經驗，12年AI產品研發經驗。專業領域：自然語言處理、知識圖譜、智能對話、AI行業賦能。

目錄

第1章 人工智能概述
1 1 人工智能的定義
1 2 人工智能的發展史
1 2 1 「深藍」戰勝人類
1 2 2 AlphaGo
1 3 人工智能的技術原理
1 3 1 機器學習和深度學習
1 3 2 機器學習三要素
1 4 人工智能的應用方向
1 4 1 深度學習應用的四大領域
1 4 2 人工智能的應用場景
1 5 人工智能的影響
1 5 1 人類和機器
1 5 2 人工智能對法律的衝擊
1 6 人工智能崗位概述
第2章 數據預處理
2 1 什麼是數據預處理
2 1 1 數據處理的流程
2 1 2 數據質量
2 1 3 數據預處理的要性
2 2 數據清洗
2 2 1 冗餘值處理
2 2 2 異常處理
2 2 3 缺失值處理
2 3 征工程
2 3 1 征工程的要性
2 3 2 征構造
2 3 3 征篩選
2 3 4 征編碼
2 3 5 數據離散化
2 3 6 數據歸一化和數據標準化
第3章 數據可視化
3 1 數據可視化基礎
3 2 數據可視化原則
3 2 1 讓數據「說話」
3 2 2 尊重事實
3 2 3 適當標註
3 2 4 善用對比
3 2 5 內容重於形式
3 2 6 風格一
3 3 常用的數據可視化圖表
3 3 1 單變數圖表
3 3 2 多變數圖表
3 3 3 複合圖表
3 3 4 高維數據可視化
3 3 5 可視化圖表的選擇
3 4 數據可視化與人工智能
3 4 1 數據分析與模型選擇
3 4 2 模型跟蹤
3 4 3 模型理解
3 5 數據可視化與道德的關係
第4章 機器學習基礎
4 1 機器學習基本概念
4 1 1 機器學習的定義
4 1 2 機器學習和人工智能的關係
4 1 3 監督學習和無監督學習
4 1 4 模型、數據和算法
4 2 認識機器學習的模型及其應用方法
4 2 1 模型概覽
4 2 2 模型的難易度曲線
4 2 3 如何應用模型
4 2 4 怎樣才算學會了一個模型呢
4 2 5 研發新模型
4 3 模型的生命周期
4 3 1 認識模型的生命周期
4 3 2 數據處理段
4 3 3 模型生成段
4 3 4 模型使用段
4 3 5 人工智能模型的局限性
第5章 監督學習模型
5 1 監督學習概述
5 2 線性回歸模型
5 2 1 線性回歸的定義
5 2 2 一元線性回歸
5 2 3 使用梯度下降法求解線性回歸模型
5 3 處理分類問題
5 3 1 分類任務
5 3 2 能否使用線性回歸模型解決分類問題
5 4 邏輯回歸模型
5 4 1 邏輯回歸模型的原理
5 4 2 使用邏輯回歸模型解決多分類問題
5 5 貝葉斯分類器
5 5 1 貝葉斯公式
5 5 2 樸素貝葉斯分類器
5 6 決策樹
5 6 1 ID3算法
5 6 2 C45算法
5 6 3 CART算法
5 6 4 決策樹的剪枝
5 7 KNN算法
第6章 無監督學習算法
6 1 無監督學習概述
6 1 1 監督學習與無監督學習
6 1 2 無監督學習的意義
6 2 聚類
6 2 1 聚類的定義
6 2 2 聚類問題中的相似度與距離
6 2 3 k均值算法
6 2 4 譜聚類
6 3 參數估計
6 3 1 高斯分佈
6 3 2 高斯混合模型
6 4 降維
6 4 1 降維的意義
6 4 2 主成分分析
第7章 經網絡基礎
7 1 認識經網絡
7 1 1 經網絡的定義
7 1 2 訓練經網絡
7 2 經網絡的和推理
7 2 1 經網絡的發明
7 2 2 經網絡的發展歷程
7 2 3 經網絡的推理
7 3 全連接經網絡
7 3 1 全連接經網絡的定義
7 3 2 全連接經網絡的推理
7 3 3 全連接經網絡的訓練
7 4 詳解經網絡的推理和訓練
7 4 1 單經元全連接經網絡
7 4 2 雙層全連接經網絡
7 4 3 梯度消失與梯度炸及其解決方法
7 4 4 深度經網絡與深度學習
7 5 更多類型的經網絡
7 5 1 卷積經網絡
7 5 2 循環經網絡
7 5 3 LSTM網絡
7 5 4 GRU網絡
7 5 5 注意力機制
7 5 6 自注意力機制
7 5 7 Transformer
7 6 的經網絡模型
7 6 1 圖像處理領域的經網絡模型
7 6 2 語音處理領域的經網絡模型
7 6 3 自然語言處理領域的經網絡模型
7 7 深度學習面臨的挑戰
第8章 訓練深度經網絡
8 1 數據預處理
8 1 1 幾種常見的數據預處理方式
8 1 2 數據預處理對模型訓練的影響
8 2 權重初始化
8 2 1 權重初始化對模型訓練的影響
8 2 2 對模型進行初始化的方法
8 3 模型化算法
8 3 1 梯度下降法
8 3 2 動量隨機梯度下降法
8 3 3 AdaGrad和RMSProp算法
8 3 4 Adam算法
8 3 5 不同化算法的對比
8 4 正則化
8 4 1 模型的正則化
8 4 2 L1/L2正則化
8 4 3 Dropout
8 4 4 批標準化
8 4 5 正則化方法的選擇
8 4 6 數據增強
8 5 學習率和提前停止
8 5 1 學習率
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。