艾博士：深入淺出人工智慧

《艾博士：深入淺出人工智慧》是2023年10月 1日清華大學出版社出版的圖書，作者：馬少平。

基本介紹

• 中文名：艾博士：深入淺出人工智慧
• 作者：馬少平
• 出版時間：2023年10月1日
• 出版社：清華大學出版社
• ISBN：9787302646969
• 定價：89.8 元
• 印次：1-1
• 印刷日期：2023.10.11

內容簡介

本書是一本針對初學者介紹人工智慧基礎知識的書籍。本書採用通俗易懂的語言講解人工智慧的基本概念、發展歷程和主要方法，內容涵蓋人工智慧的核心方法，包括什麼是人工智慧、神經網路（深度學習）是如何實現的、計算機是如何學會下棋的、計算機是如何找到**路徑的、如何用隨機算法求解組合最佳化問題、統計機器學習方法是如何實現分類與聚類的、專家系統是如何實現的等，每種方法都配有例題並給出詳細的求解過程，以幫助讀者理解和掌握算法實質，提高讀者解決實際問題的能力。 此外，本書可以幫助人工智慧的開發人員理解各種算法背後的基本原理。書中的講解方法和示例，有助於相關課程的教師講解相關概念和算法。 總之，這是一本實用性強、通俗易懂的人工智慧入門教材，適合不同背景的讀者學習和使用。

圖書目錄

目錄

第0篇什麼是人工智慧1

0.1人工智慧的誕生1

0.2人工智慧的4個發展時代4

0.2.1初期時代4

0.2.2知識時代6

0.2.3特徵時代8

0.2.4數據時代11

0.3什麼是人工智慧16

0.4圖靈測試與中文屋子問題19

0.4.1圖靈測試19

0.4.2中文屋子問題21

0.5第三代人工智慧23

0.6總結27

第1篇神經網路是如何實現的29

1.1從數字識別談起30

1.2神經元與神經網路35

1.3神經網路是如何訓練的39

1.4卷積神經網路48

1.5梯度消失問題59

1.6過擬合問題69

1.7詞向量74

1.7.1詞的向量表示74

1.7.2神經網路語言模型76

1.7.3word2vec模型82

1.7.4詞向量套用舉例85

1.8循環神經網路88

1.9長短期記憶網路96

1.10深度學習框架104

1.11總結104艾博士： 深入淺出人工智慧目錄第2篇計算機是如何學會下棋的106

2.1能窮舉嗎？107

2.2極小極大模型110

2.3αβ剪枝算法112

2.4蒙特卡洛樹搜尋115

2.5AlphaGo是如何下棋的124

2.6圍棋中的深度強化學習方法132

2.6.1基於策略梯度的強化學習134

2.6.2基於價值評估的強化學習135

2.6.3基於演員評價方法的強化學習137

2.7AlphaGo Zero是如何自學成才的140

2.8總結147

第3篇計算機是如何找到最優路徑的149

3.1路徑搜尋問題150

3.2寬度優先搜尋算法152

3.3迪傑斯特拉算法155

3.4啟發式搜尋157

3.4.1A算法157

3.4.2A算法164

3.4.3定義h函式的一般原則165

3.4.4h函式的評價168

3.4.5A算法存在的不足170

3.4.6單調的h函式172

3.4.7改進的A算法175

3.5深度優先搜尋算法181

3.6疊代加深式搜尋算法185

3.6.1疊代加深式寬度優先搜尋算法186

3.6.2疊代加深式A算法188

3.7動態規劃與Viterbi算法189

3.8拼音輸入法問題191

3.9總結197

第4篇如何用隨機算法求解組合最佳化問題200

4.1組合最佳化問題201

4.2局部搜尋算法203

4.3局部搜尋算法存在的問題211

4.4退火過程及分析216

4.4.1退火現象216

4.4.2退火過程分析217

4.5模擬退火算法224

4.6模擬退火算法的參數選擇229

4.6.1起始溫度t0的選取230

4.6.2溫度的下降方法232

4.6.3每一溫度下的停止準則234

4.6.4算法的終止原則235

4.7模擬退火算法套用舉例238

4.8遺傳算法243

4.9遺傳算法套用舉例253

4.10遺傳算法的實現問題258

4.10.1編碼問題258

4.10.2二進制編碼的交叉操作規則262

4.10.3整數編碼的交叉操作規則264

4.10.4變異規則268

4.10.5適應函式270

4.10.6遺傳算法的停止準則274

4.11用遺傳算法求解旅行商問題276

4.12性能評價問題277

4.13模擬退火算法與遺傳算法的對比279

4.14總結281

第5篇統計機器學習方法是如何實現分類與聚類的283

5.1統計學習方法284

5.2樸素貝葉斯方法289

5.3決策樹297

5.3.1決策樹算法——ID3算法299

5.3.2決策樹算法——C4.5算法313

5.3.3過擬合問題與剪枝320

5.3.4隨機森林算法327

5.4k近鄰方法330

5.5支持向量機333

5.5.1什麼是支持向量機333

5.5.2線性可分支持向量機339

5.5.3線性支持向量機352

5.5.4非線性支持向量機356

5.5.5核函式與核方法359

5.5.6支持向量機用於多分類問題364

5.6k均值聚類算法371

5.7層次聚類算法379

5.8DBSCAN聚類算法381

5.9驗證與測試問題384

5.10特徵抽取問題387

5.11總結392

第6篇專家系統是如何實現的395

6.1什麼是專家系統396

6.2推理方法399

6.3一個簡單的專家系統403

6.4非確定性推理409

6.4.1事實的表示410

6.4.2規則的表示410

6.4.3邏輯運算411

6.4.4規則運算413

6.4.5規則合成415

6.4.6置信度方法的理論根據420

6.5黑板模型423

6.6知識的結構化表示425

6.6.1語義網路425

6.6.2框架429

6.7專家系統工具433

6.8專家系統的套用436

6.9專家系統的局限性437

6.10總結438

附錄ABP算法440

A.1求導數的鏈式法則440

A.2符號約定441

A.3對於輸出層的神經元442

A.4對於隱含層的神經元444

A.5BP算法——隨機梯度下降版446

附錄B序列最小最最佳化（SMO）算法448

B.1SMO算法的基本思想448

B.2SMO算法的詳細計算過程454