科技 类型
可以朗读 语音朗读
190千字 字数
2024-06-01 发行日期
展开全部

主编推荐语

一本书教你如何运用最热门的AI工具。

内容简介

本书首先介绍了人工智能的基础知识，然后分别介绍了机器学习、深度学习、自然语言处理和强化学习中的重点概念和实践过程，包含逻辑斯谛回归、k最近邻、决策树、随机森林、支持向量机、卷积神经网络、循环神经网络、LSTM、自动编码器等。

此外，本书的附录部分还分别简单介绍了Keras、TensorFlow、pandas等人工智能相关的工具。

目录

  • 版权信息
  • 内容提要
  • 译者序
  • 前言
  • 资源与支持
  • 第1章 人工智能导论
  • 1.1 什么是人工智能
  • 1.2 图灵测试
  • 1.3 启发式方法
  • 1.4 知识表示
  • 1.5 人工智能和博弈
  • 1.6 专家系统
  • 1.7 神经计算
  • 1.8 演化计算
  • 1.9 自然语言处理
  • 1.10 生物信息学
  • 1.11 人工智能的主要部分
  • 1.12 代码示例
  • 1.13 总结
  • 第2章 机器学习概述
  • 2.1 什么是机器学习
  • 2.2 机器学习算法的类型
  • 2.3 特征工程、特征选择和特征提取
  • 2.4 降维
  • 2.5 使用数据集
  • 2.6 什么是正则化
  • 2.7 偏差-方差权衡
  • 2.8 模型的度量指标
  • 2.9 其他有用的统计学术语
  • 2.10 什么是线性回归
  • 2.11 其他类型的回归
  • 2.12 使用平面中的线（可选）
  • 2.13 用NumPy和matplotlib画散点图（1）
  • 2.14 用NumPy和matplotlib画散点图（2）
  • 2.15 用NumPy和matplotlib画二次散点图
  • 2.16 MSE公式
  • 2.17 手动计算MSE
  • 2.18 用np.linspace() API近似线性数据
  • 2.19 用np.linspace() API计算MSE
  • 2.20 用Keras进行线性回归
  • 2.21 总结
  • 第3章 机器学习分类器
  • 3.1 什么是分类
  • 3.2 什么是线性分类器
  • 3.3 什么是kNN
  • 3.4 什么是决策树
  • 3.5 什么是随机森林
  • 3.6 什么是SVM
  • 3.7 什么是贝叶斯推理
  • 3.8 什么是朴素贝叶斯分类器
  • 3.9 训练分类器
  • 3.10 评估分类器
  • 3.11 什么是激活函数
  • 3.12 常见的激活函数
  • 3.13 ReLU和ELU激活函数
  • 3.14 Sigmoid、Softmax、Softplus和tanh激活函数的相似性
  • 3.15 Sigmoid、Softmax和Hardmax激活函数之间的差异
  • 3.16 什么是逻辑斯谛回归
  • 3.17 Keras、逻辑斯谛回归和Iris数据集
  • 3.18 总结
  • 第4章 深度学习概述
  • 4.1 Keras和异或函数XOR
  • 4.2 什么是深度学习
  • 4.3 什么是感知器
  • 4.4 人工神经网络剖析
  • 4.5 什么是反向误差传播
  • 4.6 什么是多层感知器
  • 4.7 数据点是如何被正确分类的
  • 4.8 CNN的高阶视图
  • 4.9 在MNIST数据集上显示图像
  • 4.10 Keras和MNIST数据集
  • 4.11 Keras、CNN和MNIST数据集
  • 4.12 用CNN分析音频信号
  • 4.13 总结
  • 第5章 深度学习体系架构：RNN和LSTM
  • 5.1 什么是RNN
  • 5.2 在Keras中使用RNN
  • 5.3 在Keras中使用RNN和MNIST数据集
  • 5.4 在TensorFlow中使用RNN（可选）
  • 5.5 什么是LSTM
  • 5.6 在TensorFlow中使用LSTM（可选）
  • 5.7 什么是GRU
  • 5.8 什么是自动编码器
  • 5.9 什么是GAN
  • 5.10 创建GAN
  • 5.11 总结
  • 第6章 自然语言处理和强化学习
  • 6.1 使用NLP
  • 6.2 流行的NLP算法
  • 6.3 什么是词嵌入
  • 6.4 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0
  • 6.5 什么是Translatotron
  • 6.6 深度学习和NLP
  • 6.7 NLU与NLG
  • 6.8 什么是强化学习
  • 6.9 从NFA到MDP
  • 6.10 epsilon贪心算法
  • 6.11 贝尔曼方程
  • 6.12 强化学习工具包和框架
  • 6.13 什么是深度强化学习
  • 6.14 总结
  • 附录A Keras简介
  • A.1 什么是Keras
  • A.2 创建基于Keras的模型
  • A.3 Keras和线性回归
  • A.4 Keras、MLP和MNIST数据集
  • A.5 Keras、CNN和cifar10数据集
  • A.6 在Keras中调整图像大小
  • A.7 Keras和提前停止（1）
  • A.8 Keras和提前停止（2）
  • A.9 Keras模型的度量指标
  • A.10 保存和恢复Keras模型
  • A.11 总结
  • 附录B TF 2简介
  • B.1 什么是TF 2
  • B.2 其他基于TF 2的工具包
  • B.3 TF 2即时执行
  • B.4 TF 2张量、数据类型和原始类型
  • B.5 TF 2中的常量
  • B.6 TF 2中的变量
  • B.7 tf.rank() API
  • B.8 tf.shape() API
  • B.9 TF 2中的变量（重新审视）
  • B.10 TF 2中的@tf.function是什么
  • B.11 在TF 2中使用@tf.function
  • B.12 TF 2中的算术运算
  • B.13 TF 2中算术运算的注意事项
  • B.14 TF 2的内置函数
  • B.15 计算TF 2中的三角函数值
  • B.16 计算TF 2中的指数值
  • B.17 在TF 2中使用字符串
  • B.18 在TF 2中使用带有各种张量的运算符
  • B.19 TF 2中的二阶张量（1）
  • B.20 TF 2中的二阶张量（2）
  • B.21 TF 2中两个二阶张量的乘法
  • B.22 将Python数组转换为TF 2张量
  • B.23 微分和TF 2中的tf.GradientTape
  • B.24 tf.GradientTape的示例
  • B.25 谷歌Colaboratory
  • B.26 其他云平台
  • B.27 总结
  • 附录C pandas简介
  • C.1 什么是pandas
  • C.2 带标签的pandas数据帧
  • C.3 pandas数值数据帧
  • C.4 pandas布尔数据帧
  • C.5 pandas数据帧和随机数
  • C.6 组合pandas数据帧（1）
  • C.7 组合pandas数据帧（2）
  • C.8 pandas数据帧的数据处理（1）
  • C.9 pandas数据帧的数据处理（2）
  • C.10 pandas数据帧的数据处理（3）
  • C.11 pandas数据帧和CSV文件
  • C.12 pandas数据帧和Excel电子表格（1）
  • C.13 pandas数据帧和Excel电子表格（2）
  • C.14 读取具有不同分隔符的数据文件
  • C.15 使用sed命令转换数据（可选）
  • C.16 选择、添加和删除数据帧中的列
  • C.17 pandas数据帧和散点图
  • C.18 pandas数据帧和直方图
  • C.19 pandas数据帧和简单统计
  • C.20 pandas数据帧的标准化
  • C.21 pandas数据帧、NumPy函数和大型数据集
  • C.22 使用pandas序列
  • C.23 pandas中有用的单行命令
  • C.24 什么是Jupyter
  • C.25 总结
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    3.0

    全是名次解释，可以作为人工智能的词典

      转发
      评论

    出版方

    人民邮电出版社

    人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。