科技
类型
可以朗读
语音朗读
181千字
字数
2024-03-01
发行日期
展开全部
主编推荐语
本书对现代人工智能的理论、算法、框架及应用进行了全面、系统的论述。
内容简介
本书剖析了人工智能研究领域的前沿学术成果，涵盖了机器学习、深度学习、强化学习以及联邦学习等诸多方向。读者通过学习本书，能够掌握人工智能的基本知识，并能了解人工智能研究的一些前沿内容，为进一步学习人工智能理论与应用奠定基础。
全书共分为9章，分别为绪论、知识表达、推理方法、智能算法、机器学习、神经网络、深度学习、强化学习、联邦学习。
本书可作为计算机类、自动化类、电气类、电子信息类专业的本科生、研究生学习人工智能课程的参考用书，也可供高等院校的教师、研究机构的研究人员，以及相关法律法规制定者和政府监管部门参考。
目录
- 版权信息
- 前言
- 第1章 绪论
- 1.1 人工智能的基本概念
- 1.1.1 智能的概念
- 1.1.2 智能的特征
- 1.1.3 人工智能
- 1.2 人工智能发展简史
- 1.2.1 孕育
- 1.2.2 形成
- 1.2.3 发展
- 1.3 人工智能的基本原理及方法
- 1.3.1 知识表示
- 1.3.2 机器感知
- 1.3.3 机器思维
- 1.3.4 机器学习
- 1.4 人工智能的主要研究及应用领域
- 1.4.1 自动定理证明
- 1.4.2 博弈
- 1.4.3 模式识别
- 1.4.4 机器视觉
- 1.4.5 自然语言理解
- 1.4.6 智能信息检索
- 1.4.7 数据挖掘
- 1.4.8 专家系统
- 1.4.9 机器人
- 1.4.10 组合优化
- 1.4.11 人工神经网络
- 1.4.12 分布式人工智能与多智能体
- 1.5 小结
- 思考题
- 第2章 知识表达
- 2.1 知识与知识表达的概念
- 2.1.1 知识的概念
- 2.1.2 知识的特征
- 2.1.3 知识的表示
- 2.2 一阶谓词逻辑表示法
- 2.2.1 命题
- 2.2.2 谓词
- 2.2.3 谓词公式
- 2.2.4 谓词公式的性质
- 2.2.5 一阶谓词逻辑知识表示法
- 2.2.6 一阶谓词逻辑表示法的特点
- 2.3 产生式表示法
- 2.3.1 产生式
- 2.3.2 产生式系统
- 2.3.3 产生式系统的例子——动物识别系统
- 2.3.4 产生式表示法的特点
- 2.4 框架表示法
- 2.4.1 框架的一般结构
- 2.4.2 用框架表示知识的例子
- 2.4.3 框架表示法的特点
- 2.5 小结
- 思考题
- 第3章 确定性推理方法
- 3.1 推理的基本概念
- 3.1.1 推理的定义
- 3.1.2 推理方式及其分类
- 3.1.3 推理的方向
- 3.1.4 冲突消解策略
- 3.2 自然演绎推理
- 3.3 谓词公式化为子句集的方法
- 3.4 鲁滨逊归结原理
- 3.5 归结反演
- 3.6 小结
- 思考题
- 第4章 智能算法及其应用
- 4.1 进化算法的产生与发展
- 4.1.1 进化算法的概念
- 4.1.2 进化算法的生物背景
- 4.1.3 进化算法的设计原则
- 4.2 遗传算法
- 4.2.1 遗传算法的基本思想
- 4.2.2 遗传算法的发展历史
- 4.2.3 编码
- 4.2.4 实数编码和浮点数编码
- 4.2.5 群体设定
- 4.2.6 适应度函数
- 4.2.7 选择
- 4.2.8 交叉
- 4.2.9 变异
- 4.2.10 遗传算法的一般步骤
- 4.2.11 遗传算法的特点
- 4.3 遗传算法的改进算法
- 4.3.1 改进算法
- 4.3.2 双种群遗传算法
- 4.3.3 自适应遗传算法
- 4.4 粒子群优化算法
- 4.4.1 粒子群优化算法的基本原理
- 4.4.2 粒子群优化算法的参数分析
- 4.5 蚁群算法
- 4.5.1 基本蚁群算法模型
- 4.5.2 蚁群算法的参数选择
- 4.6 小结
- 思考题
- 第5章 机器学习
- 5.1 机器学习简介
- 5.1.1 专业术语
- 5.1.2 分类
- 5.2 特征工程
- 5.2.1 目的与基本流程
- 5.2.2 数据获取
- 5.2.3 特征处理
- 5.2.4 特征选择
- 5.2.5 特征提取和数据降维
- 5.3 模型评估
- 5.3.1 评估方法
- 5.3.2 调参与最终模型
- 5.3.3 性能度量
- 5.3.4 比较检验
- 5.3.5 偏差与方差
- 5.4 有监督学习
- 5.4.1 线性回归
- 5.4.2 线性对数几率回归
- 5.4.3 贝叶斯分类
- 5.4.4 决策树
- 5.4.5 支持向量机
- 5.5 无监督学习
- 5.5.1 基本模型
- 5.5.2 K均值
- 5.5.3 高斯混合聚类
- 5.5.4 密度聚类
- 5.5.5 层次聚类
- 5.6 小结
- 思考题
- 第6章 神经网络
- 6.1 神经元和神经网络
- 6.1.1 生物神经元和人工神经元
- 6.1.2 神经网络简介
- 6.2 线性神经网络和全连接神经网络
- 6.2.1 线性神经网络
- 6.2.2 全连接神经网络
- 6.3 BP神经网络
- 6.3.1 标准BP神经网络算法和流程
- 6.3.2 标准BP神经网络分析和改进
- 6.4 卷积神经网络
- 6.4.1 卷积的基本知识
- 6.4.2 卷积神经网络的产生动机
- 6.4.3 卷积神经网络的结构
- 6.5 循环神经网络
- 6.5.1 导师驱动过程
- 6.5.2 计算循环神经网络的梯度
- 6.5.3 双向循环神经网络
- 6.6 生成对抗神经网络
- 6.7 小结
- 思考题
- 第7章 深度学习
- 7.1 深度学习的概念
- 7.1.1 深度学习的简介
- 7.1.2 深度学习的特点
- 7.1.3 深度学习的发展
- 7.2 深度卷积神经网络
- 7.2.1 深度卷积神经网络的简介
- 7.2.2 深度卷积神经网络的结构
- 7.3 深度残差网络
- 7.3.1 深度残差网络的简介
- 7.3.2 深度残差网络的结构
- 7.4 深度循环神经网络
- 7.4.1 深度循环神经网络的简介
- 7.4.2 深度循环神经网络的结构
- 7.5 门控循环单元
- 7.5.1 门控循环单元的简介
- 7.5.2 门控循环单元的结构
- 7.6 长短期记忆网络
- 7.6.1 长短期记忆网络的简介
- 7.6.2 长短期记忆网络的结构
- 7.7 注意力机制
- 7.7.1 注意力机制的简介
- 7.7.2 注意力机制的原理
- 7.7.3 注意力机制的种类
- 7.8 小结
- 思考题
- 第8章 强化学习
- 8.1 强化学习的概念
- 8.1.1 序贯决策问题
- 8.1.2 强化学习
- 8.2 马尔可夫过程
- 8.2.1 随机过程与马尔可夫性质
- 8.2.2 马尔可夫过程
- 8.2.3 马尔可夫奖励过程
- 8.2.4 马尔可夫决策过程
- 8.2.5 最优策略
- 8.2.6 策略迭代
- 8.3 基于价值的强化学习
- 8.3.1 时序差分算法
- 8.3.2 SARSA算法
- 8.3.3 Q-Learning算法
- 8.3.4 On-policy算法与Off-policy算法
- 8.4 基于策略的强化学习
- 8.4.1 策略梯度
- 8.4.2 REINFORCE算法
- 8.4.3 值函数近似
- 8.4.4 Actor-Critic算法
- 8.5 深度强化学习
- 8.5.1 深度Q网络
- 8.5.2 信任区域策略优化算法
- 8.5.3 近端策略优化算法
- 8.5.4 深度确定性策略梯度算法
- 8.6 模仿强化学习
- 8.6.1 行为克隆
- 8.6.2 逆向强化学习
- 8.6.3 生成式对抗模仿学习
- 8.7 集成强化学习
- 8.7.1 Bootstrapped DQN
- 8.7.2 SUNRISE
- 8.8 总结
- 思考题
- 第9章 联邦学习
- 9.1 联邦学习的概念
- 9.1.1 人工智能面临的挑战
- 9.1.2 联邦学习的定义
- 9.1.3 联邦学习的分类
- 9.2 隐私保护技术
- 9.2.1 联邦学习面临的隐私泄露风险
- 9.2.2 差分隐私
- 9.2.3 安全多方计算
- 9.3 激励机制
- 9.3.1 联邦学习中引入激励机制的必要性
- 9.3.2 基于数据质量评估
- 9.3.3 基于模型参数评估
- 9.3.4 基于沙普利值评估
- 9.4 横向联邦学习
- 9.4.1 横向联邦学习的定义
- 9.4.2 横向联邦学习架构
- 9.4.3 联邦平均算法
- 9.5 纵向联邦学习
- 9.5.1 纵向联邦学习的定义
- 9.5.2 纵向联邦学习架构
- 9.5.3 FedBCD算法
- 9.6 联邦迁移学习
- 9.6.1 联邦迁移学习的定义
- 9.6.2 联邦迁移学习的分类
- 9.6.3 联邦迁移学习框架
- 9.7 小结
- 思考题
展开全部
评分及书评
评分不足
1个评分
出版方
机械工业出版社
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
