人工智能(原理与实践)/智能科学与技术丛书 9787111710677
①全新正版，现货速发，7天无理由退换货②天津仓、成都仓、无锡仓、广东仓、武汉仓等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。
￥ 107.07 7.2折 ￥ 149 全新
库存3件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者(美)查鲁·C.阿加沃尔
出版社机械工业出版社
ISBN9787111710677
出版时间2023-01
装帧平装
开本16开
定价149元
货号31658185
上书时间2024-09-12
- 在售商品 暂无
- 平均发货时间 15小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
目 录推荐序一推荐序二译者序前言第1章 人工智能导论 11.1 引言 11.2 两大流派 11.3 通用人工智能 91.4 代理的概念 101.5 人工智能中的演绎推理 121.5.1 实例 131.5.2 演绎推理的经典方法 171.5.3 演绎推理的优势和局限 191.6 人工智能中的归纳学习 191.6.1 学习的类型 201.6.2 无监督学习任务 211.6.3 监督学习任务 231.7 人工智能中的生物进化 241.8 总结 251.9 拓展阅读 261.10 练习 26第2章 搜索状态空间 272.1 引言 272.2 不知情搜索算法 302.2.1 案例研究：八个拼图问题 352.2.2 案例研究：在线迷宫搜索 362.2.3 通过双向搜索提高效率 362.3 知情搜索：佳优先搜索 372.3.1 贪婪佳优先搜索 392.3.2 A*-搜索算法 402.4 具有特定于状态的损失函数的局部搜索 412.4.1 爬山 432.4.2 禁忌搜索 452.4.3 模拟退火 472.5 遗传算法 482.6 约束满足问题 502.6.1 作为约束满足的旅行推销员问题 502.6.2 作为约束满足的图着色 512.6.3 数独作为约束满足 512.6.4 约束满足的搜索算法 522.6.5 利用特定于状态的损失值 532.7 总结 532.8 拓展阅读 532.9 练习 53第3章 多代理搜索 553.1 引言 553.2 不知情搜索：AND-OR搜索树 563.2.1 处理两个以上的代理 593.2.2 处理非确定性环境 593.3 具有特定于状态的损失函数的知情搜索树 603.3.1 启发式变化 633.3.2 适应对抗环境 633.3.3 预存储子树 653.3.4 设计评估函数面临的挑战 663.3.5 极小极大树的缺点 673.4 alpha-beta剪枝 693.5 蒙特卡罗树搜索：归纳视图 713.5.1 对预期结果模型的改进 743.5.2 演绎与归纳：小值和蒙特卡罗树 773.5.3 应用于非确定性和部分可观测游戏 783.6 总结 793.7 拓展阅读 793.8 练习 80第4章 命题逻辑 814.1 引言 814.2 命题逻辑：基础 824.3 命题逻辑定律 864.3.1 蕴涵和等价的有用性质 884.3.2 重言式和可满足性 894.3.3 子句和规范形式 904.4 命题逻辑作为专家系统的先驱 914.5 命题逻辑中表达式的等价性 924.6 知识库中的证明基础 944.7 矛盾证明法 964.8 具有明确子句的有效蕴涵 1004.8.1 正向链接 1004.8.2 反向链接 1024.8.3 比较正向链接和反向链接 1034.9 总结 1034.10 拓展阅读 1044.11 练习 104第5章 一阶逻辑 1065.1 引言 1065.2 一阶逻辑的基础 1085.2.1 量词的使用 1095.2.2 一阶逻辑中的函数 1125.2.3 一阶逻辑如何建立在命题逻辑上 1135.2.4 标准化问题和范围扩展 1155.2.5 否定与量词的相互作用 1165.2.6 置换和斯科伦化 1175.2.7 为什么一阶逻辑更具表现力 1195.3 填充知识库 1205.4 一阶逻辑专家系统示例 1225.5 系统推断程序 1235.5.1 矛盾证明法 1235.5.2 正向链接 1255.5.3 反向链接 1265.6 总结 1265.7 拓展阅读 1275.8 练习 127第6章 机器学习：归纳观点 1296.1 引言 1296.2 线性回归 1316.2.1 随机梯度下降 1326.2.2 基于矩阵的解决方案 1336.2.3 偏差的使用 1346.2.4 为什么正则化很重要 1346.3 小二乘分类 1356.4 支持向量机 1386.5 逻辑回归 1406.5.1 计算梯度 1406.5.2 比较支持向量机和逻辑回归 1406.5.3 逻辑回归作为概率分类器 1426.6 多类设置 1436.6.1 一对其余，一票反对一票 1436.6.2 多项式逻辑回归 1446.7 Na?ve Bayes模型 1456.8 近邻分类器 1476.9 决策树 1486.9.1 决策树构建的训练阶段 1486.9.2 拆分节点 1516.9.3 将决策树推广到随机森林 1526.10 基于规则的分类器 1536.10.1 顺序覆盖算法 1546.10.2 将基于规则的分类器与专家系统中的逻辑规则进行比较 1556.11 分类的评估 1556.11.1 分为训练和测试部分 1576.11.2 绝对准确度测量 1586.11.3 排名措施 1596.12 总结 1626.13 拓展阅读 1636.14 练习 163第7章 神经网络 1647.1 引言 1647.2 计算图简介 1657.2.1 神经网络作为定向计算图 1687.2.2 softmax激活函数 1697.2.3 常见损失函数 1707.2.4 非线性如何增加表达能力 1707.3 有向无环图的优化 1727.3.1 计算图的挑战 1727.3.2 坡度计算的广泛框架 1737.3.3 使用暴力计算节点到节点的导数 1747.3.4 计算节点到节点导数的动态规划 1777.3.5 将节点到节点导数转换为损失到权重导数 1817.3.6 带有向量变量的计算图 1837.4 应用：神经网络中的反向传播 1857.4.1 常用激活函数的导数 1877.4.2 softmax的特殊情况 1877.4.3 以向量为中心的反向传播 1887.4.4 以向量为中心的反向传播示例 1907.5 计算图的一般视图 1927.6 总结 1947.7 拓展阅读 1947.8 练习 194第8章 特定领域的神经架构 1988.1 引言 1988.2 卷积神经网络的基本原理 1988.3 卷积神经网络的基本架构 2008.3.1 填充 2048.3.2 步幅 2058.3.3 典型的设置 2058.3.4 ReLU层 2068.3.5 池化 2068.3.6 完全连接层 2088.3.7 层之间的交错 2088.3.8 分层特性工程 2108.4 卷积架构的案例研究 2118.4.1 AlexNet 2128.4.2 VGG 2148.4.3 ResNet 2168.5 递归神经网络的基本原理 2188.6 递归神经网络的结构 2208.6.1 RNN语言建模实例 2228.6.2 通过时间反向传播 2248.6.3 多层迭代网络 2268.7 长短期记忆 2278.8 特定于领域的架构的应用 2318.8.1 自动图像字幕的应用 2318.8.2 序列到序列学习和机器翻译 2328.9 总结 2338.10 拓展阅读 2348.11 练习 234第9章 无监督学习 2359.1 引言 2359.2 降维和矩阵分解 2369.2.1 对称矩阵分解 2379.2.2 奇异值分解 2379.2.3 非负矩阵分解 2429.2.4 神经网络降维 2469.3 聚类 2509.3.1 基于代表的算法 2509.3.2 自底向上的凝聚方法 2529.3.3 自顶向下的方法 2559.3.4 基于概率模型的算法 2569.3.5 科赫仑自组织映射 2599.3.6 谱聚类 2619.4 为什么无监督学习很重要 2629.4.1 机器学习的特征工程 2629.4.2 特征工程的径向基函数网络 2649.4.3 半监督学习 2659.5 总结 2699.6 拓展阅读 2699.7 练习 269第10章 强化学习 27110.1 引言 27110.2 无状态算法：多臂老虎机 27210.2.1 Na?ve算法 27310.2.2 ?-?贪心算法 27310.2.3 上界方法 27310.3 强化学习框架 27410.4 蒙特卡罗抽样 27610.4.1 蒙特卡罗抽样算法 27610.4.2 用函数近似器进行蒙特卡罗rollout 27810.4.3 连接到蒙特卡罗树搜索 27910.5 自举法与时间差异学习 28010.5.1 Q-学习 28010.5.2 使用函数近似器 28210.5.3 例子：用于电子游戏设置的神经网络细节 28410.5.4 策略上与非策略的方法：SARSA 28410.5.5 建模状态与状态–动作对 28610.6 策略梯度方法 28810.6.1 似然比原则 28910.6.2 将监督学习与策略梯度相结合 29010.6.3 玩家–评委算法 29010.6.4 持续的动作空间 29210.6.5 策略梯度的利与弊 29210.7 重温蒙特卡罗树搜索 29210.8 案例研究 29410.8.1 AlphaGo：围棋的冠军级对弈 29410.8.2 自学习机器人 29710.8.3 自动驾驶汽车 30010.9 强化学习的弱点 30110.10 总结 30210.11 拓展阅读 30210.12 练习 303第11章 概率图模型 30411.1 引言 30411.2 贝叶斯网络 30511.3 机器学习中的基本概率模型 30711.4 玻尔兹曼机 30911.4.1 玻尔兹曼机如何产生数据 31111.4.2 学习玻尔兹曼机的权重 31111.5 受限玻尔兹曼机 31211.5.1 训练RBM 31411.5.2 对比发散算法 31511.5.3 实际问题和即兴 31611.6 受限玻尔兹曼机的应用 31711.6.1 降维与数据重构 31711.6.2 协同过滤的RBM 31911.6.3 条件因子分解：一个简洁的正则化技巧 32111.7 总结 32111.8 拓展阅读 32211.9 练习 322第12章 知识图谱 32312.1 引言 32312.2 知识图谱概述 32612.2.1 例子：词网 33012.2.2 例子：雅虎 33112.2.3 例子：数据库百科全书 33212.2.4 例子：自由基 33212.2.5 例子：维基数据 33312.2.6 例子：基因本体 33312.3 如何构建知识图谱 33412.3.1 知识图谱的一阶逻辑 33512.3.2 从非结构化数据中提取 33612.3.3 处理不完全性 33612.4 知识图谱的应用 33712.4.1 搜索中的知识图谱 33812.4.2 聚类知识图谱 33912.4.3 实体分类 34012.4.4 链接预测和关系分类 34112.4.5 推荐系统 34212.5 总结 34212.6 拓展阅读 34312.7 练习 343第13章 综合推理与学习 34413.1 引言 34413.2 偏差–方差权衡 34813.3 一个泛型演绎–归纳集合 35113.4 迁移学习 35413.4.1 图像数据 35513.4.2 文本数据 35613.4.3 跨域迁移学习 3571.5 终身机器学习 35913.6 神经符号人工智能 36313.7 总结 36613.8 拓展阅读 36613.9 练习 366参考文献 367
内容摘要
本书介绍了经典人工智能（逻辑或演绎推理）和现代人工智能（归纳学习和神经网络）之间的覆盖范围。分别阐述了三类方法：演绎推理方法：这些方法从预先定义的假设开始，并对其进行推理，以得出合乎逻辑的结论。底层方法包括搜索和基于逻辑的方法。这些方法在第1章到第5章中讨论。归纳学习方法：这些方法从例子开始，并使用统计方法来得出假设。示例包括回归建模、支持向量机、神经网络、强化学习、无监督学习和概率图形模型。这些方法在第6章到第11章中讨论。整合推理和学习：第12章和第13章讨论整合推理和学习的技术。例子包括知识图谱和神经符号人工智能的使用。
— 没有更多了 —
以下为对购买帮助不大的评价