《人工智慧與機器學習入門》是2021年機械工業出版社出版的圖書。
基本介紹
- 中文名：人工智慧與機器學習入門
- 作者：[美]RichardE.Neapolitan,[美]姜霞
- 出版時間：2021年
- 出版社：機械工業出版社
- ISBN：9787111686811
內容簡介,圖書目錄,
內容簡介
本書是在原書第1版的基礎上，經過全面的修訂、更新和擴展，保留了相同的可讀性和解決問題的方法，同時介紹了新的素材和*新發展。全書分為5個部分，重點介紹了人工智慧中常見的關鍵的技術。本書第1部分介紹了基於邏輯的方法，第2部分則重點介紹了基於機率的方法，第3部分介紹了新興的湧現智慧型，探討了基於群體智慧型的進化計算及其方法。接下來是*新的發展，第4部分詳細介紹了神經網路和深度學習。本書*後一部分重點介紹了自然語言理解。
圖書目錄
譯者序
原書前言
作者簡介
第1章人工智慧入門1
1.1人工智慧的歷史2
1.1.1什麼是人工智慧2
1.1.2人工智慧的出現3
1.1.3認知科學與人工智慧3
1.1.4人工智慧的邏輯方法4
1.1.5基於知識的系統4
1.1.6人工智慧的機率方法5
1.1.7進化計算和群體智慧型6
1.1.8神經網路與深度學習6
1.1.9創建HAL6
1.2大綱7
第1部分邏 輯 智 能
第2章命題邏輯8
2.1命題邏輯基礎9
2.1.1語法9
2.1.2語義10
2.1.3重言式和邏輯含義13
2.1.4邏輯參數14
2.1.5派生系統17
2.2歸結20
2.2.1範式20
2.2.2歸結的推導21
2.2.3歸結算法24
2.3人工智慧套用25
2.3.1基於知識的系統25
2.3.2wumpus world35
2.4討論和擴展閱讀41
練習41
第3章一階邏輯44
3.1一階邏輯基礎44
3.1.1語法44
3.1.2語義46
3.1.3有效性和邏輯蘊涵49
3.1.4推導系統51
3.1.5一階邏輯的分離規則54
3.2人工智慧套用57
3.2.1重訪wumpus world57
3.2.2計畫57
3.3討論和擴展閱讀60
練習60
第4章特定知識表示63
4.1分類學知識63
4.1.1語義網64
4.1.2人類知識的組織模型65
4.2框架65
4.2.1框架數據結構65
4.2.2使用框架做旅行規劃66
4.3非單調邏輯68
4.3.1界限68
4.3.2默認邏輯69
4.3.3難點70
4.4討論和擴展閱讀70
練習71
第5章學習確定性模型72
5.1監督學習72
5.2回歸72
5.2.1簡單線性回歸73
5.2.2多元線性回歸75
5.2.3過擬合和交叉驗證76
5.3參數估計78
5.3.1簡單線性回歸的參數估計78
5.3.2梯度下降80
5.3.3邏輯回歸和梯度下降82
5.3.4隨機梯度下降82
5.4決策樹的學習83
5.4.1資訊理論85
5.4.2信息增益和ID3算法87
5.4.3過擬合89
練習89
第2部分概 率 智 能
第6章機率論92
6.1機率基本知識94
6.1.1機率空間94
6.1.2條件機率與獨立性96
6.1.3貝葉斯定理98
6.2隨機變數99
6.2.1隨機變數的機率分布99
6.2.2隨機變數的獨立性103
6.3機率的含義106
6.3.1機率的相對頻率法106
6.3.2主觀機率108
6.4套用中的隨機變數110
6.5wumpus world的機率112
練習114
第7章不確定性知識的表示117
7.1貝葉斯網路的直觀介紹118
7.2貝葉斯網路的性質120
7.2.1貝葉斯網路的定義120
7.2.2貝葉斯網路的表示123
7.3貝葉斯網路的因果網路124
7.3.1因果關係124
7.3.2因果關係和馬爾可夫條件125
7.3.3沒有因果關係的馬爾可夫條件128
7.4貝葉斯網路的推理129
7.4.1推理示例129
7.4.2推理算法和包131
7.4.3使用Netica推斷132
7.5具有連續變數的網路133
7.5.1高斯貝葉斯網路133
7.5.2混合網路135
7.6取得機率137
7.6.1多繼承的固有問題137
7.6.2基本noisy OR- gate模型137
7.6.3leaky noisy OR-gate模型138
7.6.4附加模型140
7.7大規模套用:Promedas140
練習142
第8章貝葉斯網路的高級特性144
8.1附帶條件獨立性144
8.1.1附帶條件獨立性實例145
8.1.2d-分離147
8.2忠實性150
8.2.1非忠實機率分布150
8.2.2忠實條件151
8.3馬爾可夫等價152
8.4馬爾可夫毯和邊界155
練習155
第9章決策分析159
9.1決策樹160
9.1.1簡單的例子160
9.1.2求解更複雜的決策樹163
9.2影響圖172
9.2.1用影響圖表示決策問題172
9.2.2求解影響圖177
9.2.3求解影響圖的技術177
9.2.4使用Netica求解影響圖181
9.3風險建模偏好185
9.3.1指數效用函式185
9.3.2評估r186
9.4分析直接風險187
9.4.1使用方差來衡量風險187
9.4.2風險列表188
9.4.3決策的地位190
9.5良好的決策與良好的結果192
9.6敏感性分析193
9.7信息的價值195
9.7.1完備信息的預期值195
9.7.2不完備信息的預期值198
9.8討論和擴展閱讀199
9.8.1學者199
9.8.2商業和金融199
9.8.3資本設備199
9.8.4計算機遊戲200
9.8.5計算機視覺200
9.8.6計算機軟體200
9.8.7醫學200
9.8.8自然語言處理200
9.8.9規劃201
9.8.10心理學201
9.8.11可靠性分析201
9.8.12調度201
9.8.13語音識別201
9.8.14車輛控制與故障診斷201
練習201
第10章學習機率模型參數207
10.1學習單個參數207
10.1.1二項式隨機變數207
10.1.2多項式隨機變數210
10.2在貝葉斯網路中學習參數211
10.2.1學習參數的步驟211
10.2.2等效樣本量212
10.3缺少數據的學習參數214
練習220
第11章學習機率模型結構222
11.1結構學習問題222
11.2基於分數的結構學習223
11.2.1貝葉斯分數223
11.2.2BIC分數229
11.2.3一致的評分準則231
11.2.4DAG評分的數量231
11.2.5使用學習網路進行推理*231
11.2.6缺少數據的學習結構*232
11.2.7近似結構學習238
11.2.8模型平均242
11.2.9近似模型平均*244
11.3基於約束的結構學習246
11.3.1學習一個服從於P的DAG246
11.3.2學習一個可信嵌入P中的DAG251
11.4套用：MENTOR251
11.4.1開發網路251
11.4.2驗證MENTOR253
11.5用於學習的軟體包254
11.6因果學習254
11.6.1因果置信假設254
11.6.2因果嵌入置信假設256
11.6.3套用：大學生保留率問題258
11.7類機率樹261
11.7.1類機率樹理論261
11.7.2目標廣告套用262
11.8討論和擴展閱讀265
11.8.1生物學265
11.8.2商業和金融265
11.8.3因果學習266
11.8.4數據挖掘266
11.8.5醫學266
11.8.6天氣預報266
練習266
第12章無監督學習和強化學習270
12.1無監督學習270
12.1.1聚類270
12.1.2自動發現271
12.2強化學習271
12.2.1多臂強盜算法272
12.2.2動態網路*274
12.3討論和擴展閱讀282
練習283
第3部分涌 現 智 能
第13章進化計算284
13.1遺傳學評論284
13.2遺傳算法286
13.2.1算法286
13.2.2說明性示例287
13.2.3旅行的銷售人員問題289
13.3遺傳編程296
13.3.1說明性示例296
13.3.2人工螞蟻299
13.3.3金融交易套用300
13.4討論和擴展閱讀302
練習303
第14章群體智慧型305
14.1螞蟻系統305
14.1.1真實蟻群305
14.1.2求解TSP人工螞蟻算法306
14.2鳥群308
14.3討論和擴展閱讀310
練習311
第4部分神 經 智 能
第15章神經網路和深度學習312
15.1感知器312
15.1.1學習感知器的權重313
15.1.2感知器和邏輯回歸316
15.2前饋神經網路318
15.2.1XOR建模318
15.2.2兩個隱層示例319
15.2.3前饋神經網路的結構322
15.3激活函式323
15.3.1輸出節點323
15.3.2隱層節點326
15.4套用於圖像識別327
15.5討論和擴展閱讀327
練習328
第5部分語 言 理 解
第16章自然語言理解331
16.1語法解析332
16.1.1遞歸語法解析器334
16.1.2歧義性335
16.1.3動態編程語法解析器337
16.1.4機率語法解析器340
16.1.5獲得PCFG的機率342
16.1.6詞典化的PCFG343
16.2語義解釋344
16.3概念/知識解釋345
16.4信息檢索346
16.4.1信息檢索的套用346
16.4.2信息檢索系統的體系結構347
16.5討論和擴展閱讀348
練習348
參考文獻350
