人工智能基礎與實踐 楊陽 9787563570836 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：北京郵電大學
物品所在地：中國大陸
原出版社：北京郵電大學
NT$317
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *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，以到貨標的為實際資訊。 印行年月：202402*若逾兩年請先於私訊洽詢存貨情況，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：人工智能基礎與實踐 ISBN：9787563570836 出版社：北京郵電大學 著編譯者：楊陽 叢書名：人工智慧專業教材叢書 頁數：271 所在地：中國大陸 *此為代購商品 書號：1612991 可大量預訂，請先連絡。 內容簡介 本書深入淺出地介紹了人工智慧的基礎理論及其相關編程實踐知識，囊括了傳統的人工智慧基礎知識，機器學習、深度學習乃至強化學習的相關理論和方法。本書首先介紹了人工智慧的基本概念與應用現狀；其次闡述了經典機器學習理論與實踐的相關內容，包含基礎知識、人工智慧的開發工具以及一系列機器學習分類、聚類和回歸等演算法；最後介紹了深度學習的相關理論，包括深度學習的基本概念，卷積神經網路、循環神經網路以及部分強化學習的經典方法。 本書在介紹人工智慧相關理論知識的同時，還介紹了人工智慧涉及的部分數學原理以及編程實例。因此，本書既適合作為零基礎人員入門人工智慧的指導書，也適合作為相關在校學生以及科研、技術人員的參考書。目錄 第1部分 經典機器學習理論基礎與實踐第1章 緒論 1 1 人工智慧概述 1 1 1 人工智慧的基本概念 1 1 2 圖靈測試與人工智慧分類 1 1 3 強人工智慧與弱人工智慧 1 1 4 適合用人工智慧來求解的問題 1 2 人工智慧的發展歷程 1 2 1 20世紀90年代前人工智慧的發展歷程 1 2 2 20世紀90年代後人工智能的發展歷程 1 2 3 人工智慧發展歷程中出現的哲學問題 1 3 人工智慧的應用現狀與未來展望 1 3 1 AI賦能下的產業現狀 1 3 2 中美企業的人工智慧戰略布局 1 3 3 人工智慧的趨勢與展望 第2章 機器學習基礎知識 2 1 基本概念 2 1 1 學習的定義 2 1 2 機器學習的定義 2 1 3 學習類型的劃分 2 1 4 機器學習、深度學習以及強化學習三者的關係和區別 2 2 機器學習中的數據準備 2 2 1 數據清洗與預處理 2 2 2 特徵工程 2 2 3 連續變數的特徵降維與提取 2 2 4 數據描述性統計與繪圖 2 3 機器學習中的模型評估 2 3 1 過擬合和欠擬合 2 3 2 性能度量 2 3 3 交叉驗證 2 3 4 點估計、偏差與方差、標準差 第3章 人工智慧開發工具 3 1 主流AI編程語言—Python 3 1 1 Python概要 3 1 2 Python的優缺點 3 1 3 Python環境搭建 3 1 4 Python編程基礎 3 1 5 機器學習「四劍客」 3 2 深度學習框架 3 2 1 深度學習框架簡介 3 2 2 深度學習框架的主要優勢 3 2 3 PaddlePaddle簡介 3 3 機器學習Python實戰：KNN演算法 3 3 1 KNN演算法 3 3 2 基於KNN演算法的婚戀網站數據分析 第4章 機器學習分類演算法 4 1 分類演算法簡述 4 2 決策樹演算法 4 2 1 信息熵與信息增益 4 2 2 ID3演算法的原理 4 2 3 其他幾種決策樹演算法 4 2 4 決策樹的剪枝 4 2 5 ID演算法Python實戰 4 3 貝葉斯分類演算法 4 3 1 條件概率與貝葉斯定理 4 3 2 樸素貝葉斯分類演算法 4 3 3 半樸素貝葉斯分類 4 3 4 樸素貝葉斯演算法Python實戰 4 4 支持向量機 4 4 1 SVM簡介 4 4 2 線性SVM、函數間隔與幾何間隔 4 4 3 對偶問題 4 4 4 核函數 4 4 5 雜訊數據的鬆弛變數處理 4 4 6 SVM分類器Python實戰 第5章 機器學習聚類演算法 5 1 K-means聚類演算法 5 1 1 聚類的概念 5 1 2 相似度與距離 5 1 3 K-means聚類演算法的核心思想 5 1 4 K-means聚類演算法的應用場景與優缺點 5 1 5 K-means聚類演算法Python實戰 5 2 層次聚類演算法 5 2 1 層次聚類演算法的原理與分類 5 2 2 層次聚類演算法中的距離度量 5 2 3 層次聚類演算法需要注意的問題 5 2 4 層次聚類演算法Python實戰 5 3 模糊聚類演算法 5 3 1 模糊理論 5 3 2 隸屬度概念與傳統硬聚類演算法 5 3 3 模糊C-均值聚類演算法 5 3 4 FCM聚類演算法Python實戰 第6章 機器學習回歸演算法 6 1 線性回歸 6 1 1 線性模型的基本形式 6 1 2 一元線性回歸的參數估計 6 1 3 回歸係數的顯著性檢驗 6 1 4 一元線性回歸的預測 6 1 5 一元線性回歸演算法Python實戰 6 2 邏輯回歸 6 2 1 邏輯回歸模型 6 2 2 邏輯回歸模型中的損失函數 6 2 3 邏輯回歸的梯度下降 第2部分 深度學習理論基礎與實踐 第7章 深度神經網路基礎 7 1 深度學習的基本概念 7 1 1 深度學習的定義 7 1 2 深度學習的發展與範疇 7 2 深度前饋網路 7 2 1 感知機的局限性 7 2 2 多層前饋神經網路 7 2 3 損失函數與梯度 7 2 4 梯度下降與反向傳播演算法 第8章 卷積神經網路 8 1 卷積神經網路的基本概念 8 1 1 卷積神經網路概述 8 1 2 局部連接與權值共享 8 1 3 CNN的基本結構 8 1 4 卷積運算 8 1 5 池化操作 8 1 6 歸一化 8 1 7 參數學習 8 2 典型的卷積神經網路 8 2 1 LeNet 8 2 2 AlexNet 8 2 3 VGGNet 8 2 4 ResNet 第9章 循環神經網路 9 1 循環神經網路的基本概念 9 1 1 神經網路的局限性 9 1 2 RNN的歷史 9 1 3 RNN的結構 9 1 4 RNN的訓練 9 1 5 RNN的變形 9 1 6 深度循環神經網路 9 2 改進的循環神經網路 9 2 1 遞歸神經網路 9 2 2 雙向RNN 9 2 3 長短期記憶網路 9 2 4 門控循環單元 9 2 5 雙向長短期記憶網路 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
