人工智能算法实例集锦（Python语言） - 中国高校教材图书网
|
|
|
书名： |
人工智能算法实例集锦（Python语言）
|
| ISBN： | 9787560662763 |
条码： | |
| 作者： |
强彦
相关图书
|
装订： | 0 |
| 印次： | 1-1 |
开本： | 16开 |
| 定价： |
￥48.00
折扣价：￥45.60
折扣：0.95
节省了2.4元
|
字数： |
376千字
|
| 出版社： |
西安电子科技大学出版社 |
页数： |
300页
|
| 发行编号： | 5606 |
每包册数： |
10
|
| 出版日期： |
2022-04-02 |
|
|
| 内容简介： |
本书是针对有一定Python基础的读者而编写的一本人工智能算法入门书籍。书中将算法原理讲解与实际案例相结合，通过让读者动手编程的方式加深读者对所学算法的理解。全书共7章，包括人工智能概述、人工智能算法框架、启发式算法、监督学习与无监督学习、深度学习、强化学习、人工智能未来展望等内容，其中所有案例代码均可通过扫描书中二维码获得。
本书既可作为高等院校计算机、软件工程、大数据等相关专业的本科生或研究生教材，也可作为各种人工智能实践班的培训教材，同时还可供广大对人工智能算法感兴趣的研究人员和工程技术人员阅读参考。
|
| 作者简介： |
|
|
| 章节目录： |
第1章 人工智能概述 1
1.1 人工智能的定义 1
1.2 人工智能的发展 2
1.3 人工智能算法简介 4
本章小结 5
第2章 人工智能算法框架 6
2.1 Python与人工智能的关系 6
2.2 常用的Python深度学习库 7
2.3 TensorFlow简介及安装 8
2.4 TensorFlow的低级库 9
2.4.1 TensorFlow核心 9
2.4.2 数据流图或计算图 19
2.4.3 TensorBoard 26
2.5 TensorFlow的高级库 28
2.5.1 TF Estimator 28
2.5.2 TF Slim 29
2.5.3 TF Learn 30
2.5.4 Pretty Tensor 34
2.5.5 Sonnet 34
本章小结 35
第3章 启发式算法 37
3.1 启发式算法概述 37
3.2 常用启发式算法 38
3.2.1 模拟退火算法 38
3.2.2 遗传算法 46
3.2.3 蚁群算法 53
3.2.4 人工蜂群算法 65
3.2.5 布谷鸟算法 70
3.2.6 萤火虫算法 75
本章小结 79
第4章 监督学习与无监督学习 80
4.1 监督学习与无监督学习简介 80
4.2 监督学习之分类 80
4.2.1 决策树算法 80
4.2.2 最邻近规则算法 85
4.2.3 朴素贝叶斯算法 88
4.2.4 逻辑回归算法 91
4.2.5 SVM算法 95
4.2.6 随机森林算法 97
4.2.7 AdaBoost算法 102
4.2.8 BP网络算法 105
4.3 监督学习之回归 109
4.3.1 线性回归 109
4.3.2 CART回归 115
4.3.3 岭回归 119
4.3.4 套索回归 122
4.4 无监督学习之聚类 125
4.4.1 K-means聚类 125
4.4.2 DBSCAN密度聚类 130
4.5 无监督学习之降维 133
4.5.1 主成分分析算法(PCA) 134
4.5.2 线性判断分析(LDA) 136
4.5.3 局部线性嵌入(LLE) 139
本章小结 142
第5章 深度学习 143
5.1 深度学习简介 143
5.1.1 深度学习的概念 143
5.1.2 深度学习的特点 144
5.1.3 深度学习的应用 144
5.2 卷积神经网络 145
5.2.1 卷积神经网络的原理 146
5.2.2 LeNet 152
5.2.3 AlexNet 154
5.2.4 VGG16 156
5.2.5 GoogLeNet 159
5.2.6 ResNet 164
5.2.7 DenseNet 172
5.3 循环神经网络 181
5.3.1 RNN 182
5.3.2 GRU 187
5.3.3 LSTM 191
5.4 生成对抗网络 201
5.4.1 GAN 201
5.4.2 SGAN 206
5.4.3 CGAN 209
5.4.4 WGAN 212
5.4.5 DCGAN 217
5.4.6 InfoGAN 225
5.4.7 LSGAN 240
本章小结 246
第6章 强化学习 247
6.1 强化学习简介 247
6.1.1 强化学习的概念 247
6.1.2 强化学习的分类 247
6.2 基于概率的强化学习方法 248
6.2.1 基于概率的强化学习方法简介 248
6.2.2 Policy Gradients算法 249
6.3 基于价值的强化学习方法 254
6.3.1 基于价值的强化学习方法简介 254
6.3.2 Q-Learning算法 254
6.3.3 Sarsa算法 261
6.3.4 Deep Q Network算法 265
6.4 基于概率和价值的强化学习方法 272
6.4.1 基于概率和价值的强化学习方法简介 272
6.4.2 Actor-Critic算法 272
6.4.3 DDPG算法 278
6.4.4 A3C算法 283
本章小结 288
第7章 人工智能未来展望 289
7.1 算法理论和设备基础 289
7.1.1 算法理论 289
7.1.2 设备基础 290
7.2 人工智能应用 290
本章小结 291
参考文献 292
|
| 精彩片段： |
|
|
| 书 评： |
|
|
| 其 它： |
|
|
|
