人工智能和深度學習導論 (美)奧斯瓦爾德·坎佩薩托 9787115584083 【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：人民郵電
物品所在地：中國大陸
原出版社：人民郵電
NT$444
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
| *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：202406*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：人工智能和深度學習導論 ISBN：9787115584083 出版社：人民郵電 著編譯者：(美)奧斯瓦爾德·坎佩薩托 叢書名：國外著名高等院校信息科學與技術優秀教材 頁數：182 所在地：中國大陸 *此為代購商品 書號：1641371 可大量預訂，請先連絡。 內容簡介 本書首先介紹了人工智慧的基礎知識，然後分別介紹了機器學習、深度學習、自然語言處理和強化學習中的重點概念和實踐過程，包含邏輯斯諦回歸、k最近鄰、決策樹、隨機森林、支持向量機、卷積神經網路、循環神經網路、LSTM、自動編碼器等。此外，本書的附錄部分還分別簡單介紹了Keras、TensorFlow、pandas等人工智慧相關的工具。 本書適用於高等院校電子信息類專業的人工智慧導論課程，也適合想要對人工智慧、機器學習和深度學習快速了解和掌握的專業人士閱讀參考。作者簡介 方延風，高級工程師，現在福建省科學技術信息研究所任職，畢業於清華大學，獲得計算機技術工程碩士學位，美國俄勒岡大學訪問學者，曾出版過多本計算機圖書，目前的研究方向是文本數據挖掘、自然語言處理（Natural Language Processing，NLP）、信息檢索技術等。他主要翻譯了第1章及第6∼10章的內容。目錄 第1章 人工智慧導論1 1 什麼是人工智慧 1 2 圖靈測試 1 2 1 圖靈測試的定義 1 2 2 詢問者測試 1 3 啟髮式方法 1 4 知識表示 1 4 1 基於邏輯的解決方案 1 4 2 語義網路 1 5 人工智慧和博弈 1 6 專家系統 1 7 神經計算 1 8 演化計算 1 9 自然語言處理 1 10 生物信息學 1 11 人工智慧的主要部分 1 11 1 機器學習 1 11 2 深度學習 1 11 3 強化學習 1 11 4 機器人學 1 11 5 自然語言處理 1 12 代碼示例 1 13 總結 第2章 機器學習概述 2 1 什麼是機器學習 2 2 機器學習演算法的類型 2 3 特徵工程、特徵選擇和特徵提取 2 4 降維 2 4 1 PCA 2 4 2 協方差矩陣 2 5 使用數據集 2 5 1 訓練數據與測試數據 2 5 2 什麼是交叉驗證 2 6 什麼是正則化 2 6 1 機器學習和特徵縮放 2 6 2 數據歸一化與標準化 2 7 偏差-方差權衡 2 8 模型的度量指標 2 8 1 R2的局限性 2 8 2 混淆矩陣 2 8 3 準確率、精確率、召回率 2 8 4 ROC曲線 2 9 其他有用的統計學術語 2 9 1 F1值是什麼 2 9 2 p值是什麼 2 10 什麼是線性回歸 2 10 1 線性回歸與曲線擬合 2 10 2 什麼時候解是精確值 2 10 3 什麼是多元分析 2 11 其他類型的回歸 2 12 使用平面中的線（可選） 2 13 用NumPy和matplotlib畫散點圖（1） 2 14 用NumPy和matplotlib畫散點圖（2） 2 15 用NumPy和matplotlib畫二次散點圖 2 16 MSE公式 2 16 1 誤差類型列表 2 16 2 非線性最小二乘法 2 17 手動計算MSE 2 18 用np linspace()API近似線性數據 2 19 用np linspace()API計算MSE 2 20 用Keras進行線性回歸 2 21 總結 第3章 機器學習分類器 3 1 什麼是分類 3 1 1 什麼是分類器 3 1 2 常見的分類器 3 1 3 二元分類與多類別分類 3 1 4 多標籤分類 3 2 什麼是線性分類器 3 3 什麼是kNN 3 4 什麼是決策樹 3 5 什麼是隨機森林 3 6 什麼是SVM 3 7 什麼是貝葉斯推理 3 7 1 貝葉斯定理 3 7 2 一些貝葉斯術語 3 7 3 什麼是最大后驗假設 3 7 4 為什麼使用貝葉斯定理 3 8 什麼是樸素貝葉斯分類器 3 9 訓練分類器 3 10 評估分類器 3 11 什麼是激活函數 3 11 1 為什麼需要激活函數 3 11 2 激活函數是如何工作的 3 12 常見的激活函數 3 12 1 Python中的激活函數 3 12 2 Keras中的激活函數 3 13 ReLU和ELU激活函數 3 13 1 ReLU激活函數 3 13 2 ELU激活函數 3 14 Sigmoid、Softmax、Softplus和tanh激活函數的相似性 3 14 1 Sigmoid激活函數 3 14 2 Softmax激活函數 3 14 3 Softplus激活函數 3 14 4 tanh激活函數 3 15 Sigmoid、Softmax和Hardmax激活函數之間的差異 3 16 什麼是邏輯斯諦回歸 3 16 1 設置閾值 3 16 2 邏輯斯諦回歸：重要假設 3 16 3 線性可分數據 3 17 Keras、邏輯斯諦回歸和Iris數據集 3 18 總結 第4章 深度學習概述 4 1 Keras和異或函數XOR 4 2 什麼是深度學習 4 2 1 什麼是超參數 4 2 2 深度學習體系架構 4 2 3 深度學習所能解決的問題 4 2 4 未來的挑戰 4 3 什麼是感知器 4 3 1 感知器函數的定義 4 3 2 感知器的詳細視圖 4 4 人工神經網路剖析 4 4 1 初始化模型的超參數 4 4 2 激活函數 4 4 3 損失函數 4 4 4 優化器 4 4 5 學習率 4 4 6 丟棄率 4 5 什麼是反向誤差傳播 4 6 什麼是多層感知器 4 7 數據點是如何被正確分類的 4 8 CNN的高階視圖 4 8 1 一個極簡的CNN 4 8 2 卷積層 4 8 3 ReLU激活函數 4 8 4 最大池化層 4 9 在MNIST數據集上顯示圖像 4 10 Keras和MNIST數據集 4 11 Keras、CNN和MNIST數據集 4 12 用CNN分析音頻信號 4 13 總結 第5章 深度學習體系架構：RNN和LSTM 5 1 什麼是RNN 5 1 1 RNN剖析 5 1 2 什麼是BPTT 5 2 在Keras中使用RNN 5 3 在Keras中使用RNN和MNIST數據集 5 4 在TensorFlow中使用RNN（可選） 5 5 什麼是LSTM 5 5 1 LSTM剖析 5 5 2 雙向LSTM 5 5 3 LSTM公式 5 5 4 LSTM超參數調優 5 6 在TensorFlow中使用LSTM（可選） 5 7 什麼是GRU 5 8 什麼是自動編碼器 5 8 1 自動編碼器和主成分分析 5 8 2 什麼是可變自動編碼器 5 9 什麼是GAN 5 10 創建GAN 5 11 總結 第6章 自然語言處理和強化學習 6 1 使用NLP 6 1 1 NLP技術 6 1 2 Transformer架構和NLP 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。 |
