• 人工智能和深度学导论 人工智能 (美)奥斯瓦尔德·坎佩萨托 新华正版
21年品牌 40万+商家 超1.5亿件商品

人工智能和深度学导论 人工智能 (美)奥斯瓦尔德·坎佩萨托 新华正版

48.15 6.9折 69.8 全新

库存31件

河北保定
认证卖家担保交易快速发货售后保障

作者(美)奥斯瓦尔德·坎佩萨托

出版社人民邮电出版社

ISBN9787115584083

出版时间2024-06

版次1

装帧平装

开本16

页数200页

字数282千字

定价69.8元

货号xhwx_1203275768

上书时间2024-05-30

浩子书屋

八年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
正版特价新书
商品描述
主编:

ai全景导览,构建知识全景:

实践为王,不仅讲解理论,更通过kera代码示例,让你亲手实践机器学和深度学的每一个步骤;

工具与理论并重,kera、tenorflow、panda,一本书教你如何运用热门的ai工具,结合理论深度解析;

技术与应用结合,不仅学如何构建模型,更教你如何分析和优化,实现从理论到应用的无缝对接;

跨台学体验,所有代码示例均以python脚本形式提供,无论你使用何种开发环境,都能轻松上手。

目录:

章  人工智能导论1
1.1  什么是人工智能1
1.2  图灵测试3
1.2.1  图灵测试的定义3
1.2.2  询问者测试4
1.3  启发式方法4
1.4  知识表示5
1.4.1  基于逻辑的解决方案5
1.4.2  语义网络6
1.5  人工智能和博弈6
1.6  专家系统7
1.7  神经计算8
1.8  演化计算8
1.9  自然语言处理9
1.10  生物信息学10
1.11  人工智能的主要部分11
1.11.1  机器学11
1.11.2  深度学11
1.11.3  强化学12
1.11.4  机器人学12
1.11.5  自然语言处理12
1.12  代码示例13
1.13  结13
第 2章  机器学概述14
2.1  什么是机器学14
2.2  机器学算法的类型16
2.3  特征工程、特征选择和特征提取18
2.4  降维19
2.4.1  pca19
2.4.2  协方差矩阵20
2.5  使用数据集20
2.5.1  训练数据与测试数据20
2.5.2  什么是交验证20
2.6  什么是正则化21
2.6.1  机器学和特征缩放21
2.6.2  数据归一化与标准化21
2.7  偏差-方差权衡21
2.8  模型的度量指标22
2.8.1  r2的局限22
2.8.2  混淆矩阵22
2.8.3  准确率、准确率、召回率22
2.8.4  roc曲线23
2.9  其他有用的统计学术语23
2.9.1  f1值是什么24
2.9.2  p值是什么24
2.10  什么是线回归24
2.10.1  线回归与曲线拟合25
2.10.2  什么时候解是准确值25
2.10.3  什么是多元分析25
2.11  其他类型的回归26
2.12  使用面中的线(可选)26
2.13  用numpy和matplotlib画散点图(1)28
2.14  用numpy和matplotlib画散点图(2)30
2.15  用numpy和matplotlib画二次散点图30
2.16  mse公式31
2.16.1  误差类型列表32
2.16.2  非线小二乘法32
2.17  手动计算mse32
2.18  用np.linspace() api近似线数据34
2.19  用np.linspace() api计算mse34
2.20  用keras进行线回归36
2.21  结38
第3章  机器学分类器40
3.1  什么是分类40
3.1.1  什么是分类器40
3.1.2  常见的分类器41
3.1.3  二元分类与多类别分类41
3.1.4  多标签分类42
3.2  什么是线分类器42
3.3  什么是knn42
3.4  什么是决策树43
3.5  什么是森林46
3.6  什么是svm46
3.7  什么是贝叶斯推理47
3.7.1  贝叶斯定理47
3.7.2  一些贝叶斯术语48
3.7.3  什么是优选后验设48
3.7.4  为什么使用贝叶斯定理48
3.8  什么是朴素贝叶斯分类器48
3.9  训练分类器49
3.10  评估分类器49
3.11  什么是激活函数50
3.11.1  为什么需要激活函数51
3.11.2  激活函数是如何工作的51
3.12  常见的激活函数51
3.12.1  python中的激活函数52
3.12.2  keras中的激活函数53
3.13  relu和elu激活函数53
3.13.1  relu激活函数53
3.13.2  elu激活函数54
3.14  sigmoid、softmax、softplus和tanh激活函数的相似54
3.14.1  sigmoid激活函数54
3.14.2  softmax激活函数54
3.14.3  softplus激活函数54
3.14.4  tanh激活函数54
3.15  sigmoid、softmax和hardmax激活函数之间的差异55
3.16  什么是逻辑斯谛回归55
3.16.1  设置阈值55
3.16.2  逻辑斯谛回归:重要设56
3.16.3  线可分数据56
3.17  keras、逻辑斯谛回归和iris数据集56
3.18  结58
第4章  深度学概述59
4.1  keras和异或函数xor59
4.2  什么是深度学61
4.2.1  什么是超参数62
4.2.2  深度学体系架构62
4.2.3  深度学所能解决的问题63
4.2.4  未来的挑战63
4.3  什么是感知器63
4.3.1  感知器函数的定义64
4.3.2  感知器的详细视图64
4.4  人工神经网络剖析65
4.4.1  初始化模型的超参数66
4.4.2  激活函数66
4.4.3  损失函数66
4.4.4  优化器66
4.4.5  学率67
4.4.6  丢弃率67
4.5  什么是反向误差传播67
4.6  什么是多层感知器67
4.7  数据点是如何被正确分类的68
4.8  n的高阶视图69
4.8.1  一个极简的n70
4.8.2  卷积层70
4.8.3  relu激活函数70
4.8.4  优选池化层70
4.9  在mnist数据集上显示图像71
4.10  keras和mnist数据集72
4.11  keras、n和mnist数据集73
4.12  用n分析音频信号75
4.13  结76
第5章  深度学体系架构:rnn和       lstm77
5.1  什么是rnn77
5.1.1  rnn剖析78
5.1.2  什么是bptt78
5.2  在keras中使用rnn79
5.3  在keras中使用rnn和mnist数据集80
5.4  在tensorflow中使用rnn(可选)81
5.5  什么是lstm83
5.5.1  lstm剖析83
5.5.2  双向lstm84
5.5.3  lstm公式84
5.5.4  lstm超参数调优85
5.6  在tensorflow中使用lstm(可选)85
5.7  什么是gru87
5.8  什么是自动87
5.8.1  自动和主成分分析88
5.8.2  什么是可变自动89
5.9  什么是gan89
5.10  创建gan90
5.11  结92
第6章  自然语言处理和强化学93
6.1  使用nlp93
6.1.1  nlp技术94
6.1.2  transformer架构和nlp94
6.1.3  transformer-xl架构95
6.1.4  reformer架构95
6.1.5  nlp和深度学95
6.1.6  nlp中的数据预处理任务95
6.2  流行的nlp算法95
6.2.1  什么是n-gram96
6.2.2  什么是skip-gram96
6.2.3  什么是词袋96
6.2.4  什么是词频97
6.2.5  什么是反文档频率97
6.2.6  什么是tf-idf98
6.3  什么是词嵌入98
6.4  elmo、ulmfit、openai、bert和ernie 2.098
6.5  什么是translatotron99
6.6  深度学和nlp100
6.7  nlu与nlg100
6.8  什么是强化学101
6.8.1  强化学的应用101
6.8.2  nlp与强化学102
6.8.3  强化学中的价值、策略和模型102
6.9  从nfa到mdp103
6.9.1  什么是nfa103
6.9.2  什么是马尔可夫链103
6.9.3  马尔可夫决策过程104
6.10  eilon贪心算法104
6.11  贝尔曼方程105
6.12  强化学工具包和框架106
6.13  什么是深度强化学107
6.14  结108
附录a  keras简介109
a.1  什么是keras109
a.1.1  在tf 2中使用keras命名空间109
a.1.2  使用tf.keras.layers命名空间110
a.1.3  使用tf.keras.activations命名空间110
a.1.4  使用tf.keras.datasets命名空间111
a.1.5  使用tf.keras.experimental命名空间111
a.1.6  使用tf.keras中的其他命名空间112
a.1.7  tf 2 keras与“独立”keras112
a.2  创建基于keras的模型112
a.3  keras和线回归114
a.4  keras、mlp和mnist数据集115
a.5  keras、n和cifar10数据集117
a.6  在keras中调整图像大小119
a.7  keras和提前停止(1)120
a.8  keras和提前停止(2)121
a.9  keras模型的度量指标123
a.10  保存和恢复keras模型123
a.11  结125
附录b  tf 2简介126
b.1  什么是tf 2126
b.1.1  tf 2用例127
b.1.2  tf 2架构128
b.1.3  tf 2安装128
b.1.4  tf 2和python的repl129
b.2  其他基于tf 2的工具包129
b.3  tf 2即时执行130
b.4  tf 2张量、数据类型和原始类型130
b.4.1  tf 2数据类型130
b.4.2  tf 2原始类型131
b.5  tf 2中的常量131
b.6  tf 2中的变量132
b.7  tf.rank() api133
b.8  tf.shape() api134
b.9  tf 2中的变量(重新审视)135
b.10  tf 2中的@tf.function是什么136
b.10.1  @tf.function如何工作136
b.10.2  tf 2中@tf.function的注意事项137
b.10.3  tf.print()函数和标准错误138
b.11  在tf 2中使用@tf.function138
b.11.1  一个未使用@tf.function 的例子138
b.11.2  一个使用@tf.function 的例子139
b.11.3  使用@tf.function重载函数的例子139
b.11.4  tf 2中的autograph是什么140
b.12  tf 2中的算术运算141
b.13  tf 2中算术运算的 注意事项141
b.14  tf 2的内置函数142
b.15  计算tf 2中的三角 函数值143
b.16  计算tf 2中的指数值144
b.17  在tf 2中使用字符串144
b.18  在tf 2中使用带有各种张量的运算符145
b.19  tf 2中的二阶张量(1)146
b.20  tf 2中的二阶张量(2)147
b.21  tf 2中两个二阶张量的 乘法148
b.22  将python数组转换为tf 2 张量148
b.23  微分和tf 2中的 tf.gradienttape149
b.24  tf.gradienttape的示例150
b.24.1  使用tf.gradienttape 的watch()方法150
b.24.2  将嵌套的循环用于tf.gradienttape151
b.24.3  其他涉及tf.gradienttape的tf 2张量运算151
b.24.4  持久的梯度磁带152
b.25  谷歌colaboratory153
b.26  其他云台154
b.27  结154
附录c  pandas简介155
c.1  什么是pandas155
c.1.1  pandas数据帧155
c.1.2  数据帧和数据清洗任务156
c.2  带标签的pandas数据帧156
c.3  pandas数值数据帧157
c.4  pandas布尔数据帧158
c.5  pandas数据帧和数159
c.6  组合pandas数据帧(1)160
c.7  组合pandas数据帧(2)161
c.8  pandas数据帧的数据处理(1)161
c.9  pandas数据帧的数据处理(2)162
c.10  pandas数据帧的数据处理(3)163
c.11  pandas数据帧和csv文件164
c.12  pandas数据帧和excel电子表格(1)167
c.13  pandas数据帧和excel电子表格(2)167
c.14  读取具有不同分隔符的数据文件168
c.15  使用sed命令转换数据(可选)169
c.16  选择、添加和删除数据帧 中的列171
c.17  pandas数据帧和散点图172
c.18  pandas数据帧和直方图173
c.19  pandas数据帧和简单统计175
c.20  pandas数据帧的标准化175
c.21  pandas数据帧、numpy函数 和大型数据集177
c.22  使用pandas序列177
c.22.1  数据来自ndarray178
c.22.2  来自pandas序列的 pandas数据帧178
c.23  pandas中有用的单行命令179
c.24  什么是jupyter181
c.24.1  jupyter特181
c.24.2  从命令行启动jupyter181
c.24.3  jupyterlab182
c.24.4  开发jupyterlab扩展182
c.25  结182

内容简介:

本书首先介绍了人工智能的基础知识,然后分别介绍了机器学、深度学、自然语言处理和强化学中的重点概念和实践过程,包含逻辑斯谛回归、k近邻、决策树、森林、支持向量机、卷积神经网络、循环神经网络、ltm、自动等。此外,本书的附录部分还分别简单介绍了kera、tenorflow、panda等人工智能相关的工具。
本书适用于高等院校电子信息类专业的人工智能导论课程,也适合想要对人工智能、机器学和深度学快速了解和掌握的专业人士阅读参。

作者简介:

owald campeato是加州大学圣克拉拉分校的兼职教师,专门研究深度学、java、nlp、android和tenorflow。他是超过二十五本书的作者/合著者,包括tenorflow 2 pocket primer、python 3 for machine learning和data cience fundamental pocket prime

—  没有更多了  —

以下为对购买帮助不大的评价

正版特价新书
此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP