人工智慧原理、技術及套用

《人工智慧原理、技術及套用》是2022年機械工業出版社出版的圖書。

基本介紹

  • 中文名:人工智慧原理、技術及套用
  • 出版時間:2022年7月1日
  • 出版社:機械工業出版社
  • ISBN:9787111707776
內容簡介,圖書目錄,

內容簡介

本書主要向讀者介紹當代人工智慧技術的入門知識,特別是以深度學習為代表的機器學習方法。內容包括人工智慧的概念、分類和原理,闡述了人工智慧的三大流派等。著重介紹了人工智慧的相關技術和算法,包括機器學習、深度學習、強化學習、自然語言處理、機器視覺、機器人等。本書從基本原理概念、基礎算法、基本理論套用三個方面對每章內容進行詳細介紹,方便讀者對內容知識的理解,有較強的知識性和趣味性。
本書可作為高等院校大數據專業和人工智慧專業的核心基礎課程教材,也可以作為計算機相關專業的專業課或選修課教材,同時也可以作為從事人工智慧與大數據技術相關工作的人員的參考用書。

圖書目錄

出版說明
前言
第1章 人工智慧概述1
1.1 人工智慧的起源與定義1
1.1.1 人工智慧的起源1
1.1.2 人工智慧的定義4
1.1.3 人工智慧的分類及特徵4
1.2 人工智慧的流派6
1.2.1 符號主義7
1.2.2 連線主義8
1.2.3 行為主義9
1.3 人工智慧的技術構成9
1.3.1 基礎設施10
1.3.2 基礎技術10
1.3.3 AI要素10
1.3.4 AI技術10
1.3.5 AI套用11
1.4 人工智慧的進展與發展趨勢11
1.4.1 知識表示11
1.4.2 知識獲取12
1.4.3 知識套用16
1.5 人工智慧的套用領域19
1.5.1 AI在農業方面的套用19
1.5.2 AI在工業方面的套用20
1.5.3 AI在商業方面的套用21
1.5.4 AI在醫療方面的套用21
1.5.5 AI在教育方面的套用22
1.6 本章習題24
第2章 人工智慧與大數據、雲計算25
2.1 大數據—AI發展的能量源25
2.1.1 大數據簡介25
2.1.2 大數據的特徵26
2.1.3 大數據技術生態圈27
2.2 雲計算—AI發展的發動機28
2.2.1 雲計算簡介28
2.2.2 雲計算的基礎架構29
2.2.3 雲計算的特點30
2.3 人工智慧、大數據與雲計算的
關係31
2.3.1 大數據與雲計算的關係31
2.3.2 人工智慧=雲計算+大數據32
2.4 本章習題33
第3章 人工智慧的技術基礎34
3.1 知識表示和圖譜34
3.1.1 知識與知識表示的概念34
3.1.2 知識表示方法35
3.1.3 知識圖譜的概念37
3.1.4 本體知識表示、全球資訊網知識表示38
3.2 知識圖譜的現狀及發展40
3.3 自動推理44
3.4 專家系統45
3.4.1 專家系統的概念及特點45
3.4.2 專家系統的結構及類型45
3.4.3 專家系統工具與環境46
3.5 群智慧型算法46
3.5.1 群智慧型算法的發展歷程46
3.5.2 遺傳算法48
3.5.3 粒子群算法49
3.5.4 蟻群算法50
3.6 搜尋技術51
3.6.1 搜尋的概念51
3.6.2 搜尋算法52
3.7 本章習題54
第4章 知識發現與數據挖掘55
4.1 知識發現概述55
4.1.1 知識發現的對象56
4.1.2 知識發現的任務57
4.1.3 知識發現方法57
4.1.4 知識發現的套用領域59
4.2 數據挖掘概述59
4.2.1 數據挖掘技術的產生及定義60
4.2.2 數據挖掘的功能60
4.2.3 常用的數據挖掘方法61
4.3 大數據處理概述65
4.3.1 分散式數據基礎設施平台Hadoop
及其生態系統66
4.3.2 分散式計算框架Spark及其生態
系統70
4.3.3 低延遲流式處理大數據框架—
Storm77
4.3.4 大數據挖掘與分析80
4.4 數據挖掘套用實踐82
4.4.1 學生考試成績預測82
4.4.2 基於用戶手機使用行為進行風險
識別85
4.5 本章習題88
第5章 機器學習89
5.1 機器學習簡介89
5.1.1 機器學習的發展歷程89
5.1.2 機器學習的概念及地位90
5.1.3 機器學習的範疇92
5.2 機器學習的分類93
5.2.1 監督學習93
5.2.2 無監督學習94
5.2.3 弱監督學習94
5.3 經典的機器學習算法97
5.3.1 分類算法98
5.3.2 k均值聚類算法104
5.3.3 Apriori關聯規則算法106
5.3.4 遷移學習108
5.4 機器學習套用實踐112
5.4.1 使用決策樹模型進行列車空調
故障預測112
5.4.2 採用多種算法實現校園用戶
識別115
5.5 本章習題120
第6章 深度學習121
6.1 深度學習簡介121
6.1.1 什麼是深度學習121
6.1.2 深度學習的前世今生123
6.1.3 深度學習開發框架125
6.2 卷積神經網路129
6.2.1 卷積神經網路的提出129
6.2.2 卷積神經網路結構130
6.2.3 經典卷積模型132
6.3 循環神經網路137
6.3.1 RNN基本原理137
6.3.2 RNN的基本結構138
6.3.3 RNN的高級形式139
6.3.4 RNN的訓練142
6.4 深度學習套用實踐144
6.4.1 用GoogLeNet訓練識別花卉144
6.4.2 圖像著色148
6.4.3 風格遷移148
6.4.4 圖片識別149
6.5 本章習題149
第7章 強化學習150
7.1 強化學習簡介150
7.1.1 什麼是強化學習150
7.1.2 強化學習的套用152
7.2 基於值函式的強化學習方法153
7.2.1 蒙特卡羅法154
7.2.2 時間差分法155
7.2.3 值函式逼近法156
7.3 基於直接策略搜尋的強化學習
方法157
7.3.1 策略梯度法158
7.3.2 置信域策略最佳化法160
7.3.3 確定性策略梯度法160
7.4 DQN算法模型161
7.5 強化學習前沿研究162
7.5.1 逆向強化學習162
7.5.2 深度強化學習163
7.5.3 分層強化學習164
7.5.4 價值疊代網路164
7.5.5 AlphaGo的原理165
7.6 強化學習套用實踐167
7.7 本章習題169
第8章 自然語言處理170
8.1 自然語言處理概述170
8.1.1 自然語言處理的概念170
8.1.2 自然語言處理的層次171
8.1.3 NLP的判別標準172
8.2 自然語言處理的發展與套用173
8.2.1 自然語言處理的發展歷程173
8.2.2 自然語言處理的套用175
8.3 自然語言處理技術分類178
8.3.1 NLP基礎技術178
8.3.2 NLP套用技術180
8.4 語音處理182
8.4.1 語音處理概述183
8.4.2 語音處理髮展狀況183
8.4.3 語音處理的主要分支184
8.4.4 語音處理的其他分支184
8.5 自然語言處理套用實踐185
8.6 本章習題187
第9章 機器視覺188
9.1 圖像表達與性質188
9.1.1 圖像表達的若干概念

相關詞條

熱門詞條

聯絡我們