热门关键字:  听力密码  单词密码  新概念美语  巧用听写练听力  零起点

人工智能算法与实践

中国水利水电出版社
    【作 者】主编 梁琨 张翼英 【I S B N 】978-7-5226-0333-9 【责任编辑】周春元 【适用读者群】本专通用 【出版时间】2022-02-28 【开 本】16开 【装帧信息】平装(光膜) 【版 次】第1版第1次印刷 【页 数】232 【千字数】353 【印 张】14.5 【定 价】48 【丛 书】普通高等教育人工智能专业系列教材 【备注信息】
图书详情

    内 容 提 要

    本书以人工智能技术为背景,介绍了人工智能领域内的相关算法,包括机器学习算法和深度学习算法,详细介绍了各个算法的概述、原理以及应用案例。本书分为四大部分:基础知识、监督式学习算法、无监督式学习算法、深度学习算法。本书共17章,第1章介绍人工智能的定义、关键技术、实际应用等相关背景;第2章介绍人工智能算法的实验环境,包括环境安装、可视化库、TensorFlow框架搭建;第3~17章分别介绍线性回归算法、逻辑回归算法、支持向量机、K近邻算法、决策树、朴素贝叶斯算法、集成学习算法、主成分分析算法、K-Means算法、EM算法、BP神经网络、循环神经网络、卷积神经网络、LSTM神经网络、生成对抗网络的算法概述、原理以及应用案例。

    本书适合作为高等院校人工智能专业及计算机相关专业学生的教材和参考书,也适合作为软件开发相关人员进行人工智能技术应用开发的重要参考资料。

    本书提供案例源代码和习题答案,读者可以从中国水利水电出版社网站(www.waterpub.com.cn)或万水书苑网站(www.wsbookshow.com)免费下载。

    内容丰富

    涵盖机器学习算法和深度学习算法,详细讲述算法的原理和应用案例。

    结合实践

    汇集人工智能领域专家和学者的理论研究和应用实践的经验与成果。

    配套代码

    每个应用案例都细致讲解,并有实现代码与之对应,便于理解和掌握。

    前  言

    人工智能技术是引领未来的前沿性、战略性技术。党中央、国务院高度重视新一代人工智能的发展,将其列为国家发展战略,积极推动人工智能发展及应用。目前,人工智能已初步具备大规模实施的条件:首先,物联网及通信技术为海量数据的采集提供了感知和传输手段,使得人工智能变成“有米之炊”;其次,各种计算技术与计算设施的快速发展为算力赋能,使得大规模、多维度、高复杂计算成为可能。“万事俱备,只欠东风”,有利于人工智能发展的条件逐渐成熟,算法的功能和实现成为人工智能必须面对的核心问题之一。随着人工智能向社会各个领域加速渗透,新的算法技术层出不穷,图像识别、机器翻译等智能任务水平趋近人类,这其中的机器学习、深度学习等技术已成为人工智能发展的核心驱动力。

    本书由人工智能相关领域的专家、学者编写,他们结合各自多年的理论研究和应用实践,从人工智能关键技术、算法原理、典型案例等方面按层次逐步展开,对人工智能典型算法进行原理介绍、技术分析和应用模拟。本书分为四大部分:基础知识、监督式学习算法、无监督式学习算法、深度学习算法,共17章。

    第1章阐述了人工智能的发展背景、定义以及关键技术等,并对人工智能技术的相关应用进行了深入分析。

    第2章介绍了人工智能算法的实验环境,对Python环境安装与配置、可视化库以及深度学习算法实验环境TensorFlow框架的搭建进行了详细介绍。

    第3章介绍了线性回归算法,包括线性回归模型、一元线性回归算法、多元线性回归算法,以及梯度下降求解线性回归模型,最后将该算法应用到“波士顿房价预测”案例中。

    第4章介绍了逻辑回归算法,主要介绍了算法的定义和原理,包括算法流程、假设函数、代价函数、梯度下降法以及决策边界,最后将该算法应用到“判断是否为恶性肿瘤”案例中。

    第5章介绍了支持向量机,包括算法的基本概念和原理,并将该算法应用到“手写体数字识别”案例中。

    第6章介绍了K近邻算法,主要介绍了算法的基本概念和原理,包括算法计算步骤、K值的选取、距离函数的确定,最后将该算法应用到“约会网站配对与预测签到位置”案例中。

    第7章介绍了决策树,主要介绍了算法的基本概念、决策树的生成以及决策过程,并引出决策树的原理,最后将该算法应用到“借贷人状态评估”案例中。

    第8章介绍了朴素贝叶斯算法,主要介绍了算法的相关概念、理论基础和原理,包括算法流程、实例分析等,并用朴素贝叶斯算法实现舆情判别。

    第9章介绍了集成学习算法,主要介绍了算法的基本概念和原理,进而引出AdaBoost、Bagging和随机森林算法,最后将该算法应用到“垃圾邮件分类应用”案例中。

    第10章介绍了主成分分析算法,主要介绍了算法相关概念和基本原理,最后运用该算法实现对鸢尾花数据的降维。

    第11章介绍了K-Means算法,主要介绍了算法基本原理、算法流程、算法描述以及核心代码,最后将该算法应用到“鸢尾花聚类分析”案例中。

    第12章介绍了EM算法,首先介绍了最大似然法,提出含有隐变量的参数估计问题,引入EM算法概念;其次对算法的原理推导以及步骤进行说明;再次利用EM算法实现求解高斯混合模型参数,最后将该算法应用于“求解男性身高和女性身高的分布参数”案例中。

    第13章介绍了BP神经网络,主要介绍了神经网络的基础知识、BP神经网络的相关概念以及基本原理,包括正向传播、反向传播等概念,然后通过代码实现一个三层BP神经网络预测模型,最后将该算法应用于“天气温度预测”案例中。

    第14章介绍了循环神经网络,主要介绍了RNN算法的基本概念和网络结构、循环神经网络结构变体,然后应用该算法实现飞机乘客的预测,最后介绍了对循环神经网络进行改进的模型。

    第15章介绍了卷积神经网络,主要介绍了CNN算法的起源与应用、结构特点以及核心概念,然后介绍了构造卷积神经网络的方法,最后应用卷积神经网络对Cifar10数据集进行图像分类。

    第16章介绍了LSTM神经网络,主要介绍了LSTM算法的基本概念与基本原理,并使用LSTM算法实现股票价格预测。

    第17章介绍了生成对抗网络,主要介绍了GAN算法的相关概念、算法原理,包括算法过程、具体操作、目标函数的优化以及GAN算法的改进,然后列举了生成对抗网络在各领域的应用,最后将该算法应用于“拟合二次函数与图片生成”案例中。

    本书由梁琨、张翼英任主编,梁琨负责组织编写,并对全书进行修改和审校;张翼英参与部分章节编写,并对全书进行了审校。

    本书第1章由梁琨、任依梦编写;第2章由梁琨、周保先编写;第3章由梁琨、翟俊武编写;第4章由张翼英、何业慎、李英卓编写;第5章由梁琨、王聪、李晓航编写;第6章由梁琨、任依梦编写;第7章由梁琨、柳依阳编写;第8章由梁琨、王德龙编写;第9、10章由梁琨、张亚男、刘晶晶编写;第11章由梁琨、张楠编写;第12章由张翼英、韩龙哲、王鹏凯编写;第13章由梁琨、尚静编写;第14章由梁琨、罗剑编写;第15章由张翼英、于文平、周保先编写;第16章由张翼英、马彩霞编写;第17章由梁琨、王聪、李苏编写。天津科技大学人工智能学院田宇宸、王炼、李可欣、台耀强、刘瀚中、乔子骜、贾仁杰、叶子、张子豪、刘丰华、焦伟康等同学参与各章算法的代码编辑与调试工作。

    本书编写过程中获得了众多专家的指导和帮助,朱冰鸿、尤平午、刘娟等专家在成稿过程中提出了诸多建设性意见,在此一并致谢。感谢天津开发区沃思电子商务有限公司提供的技术支持,同时,感谢中国水利水电出版社万水分社副社长石永峰的指导与帮助。

    希望本书能够对关心人工智能技术和产业发展的高校师生和爱好者,以及相关各领域的从业人员等读者群都能有所裨益,并为我国人工智能产业发展添砖加瓦。由于编者水平及时间所限,各位编者写作风格各异,书中难免会有局限和诸多不足之处,欢迎广大专家和读者不吝指正。

    编 者

    2021年9月

    第一部分 基础知识
    第1章 人工智能与算法概述 2
    1.1 人工智能 2
    1.1.1 人工智能的概念 2
    1.1.2 人工智能的发展 4
    1.1.3 人工智能的应用 9
    1.2 AI算法简介 16
    1.2.1 算法定义 16
    1.2.2 AI算法定义 16
    1.2.3 AI算法分类 17
    1.3 人工智能与算法的关系 20
    1.4 算法在人工智能中的应用 21
    1.5 本章习题 22
    第2章 AI算法实验环境简介 23
    2.1 Python环境安装与配置 23
    2.2 Python可视化库 23
    2.2.1 可视化库简介 24
    2.2.2 matplotlib的基本元素和常用方法 26
    2.2.3 matplotlib绘图 28
    2.3 深度学习算法实验环境简介 33
    2.4 TensorFlow框架搭建 33
    2.5 本章习题 34
    第二部分 监督式学习算法
    第3章 线性回归算法 36
    3.1 算法概述 36
    3.2 算法原理 37
    3.2.1 线性回归模型 37
    3.2.2 一元线性回归算法 37
    3.2.3 多元线性回归算法 39
    3.2.4 梯度下降求解线性回归模型 40
    3.3 算法案例:波士顿房价预测 44
    3.4 算法总结 47
    3.5 本章习题 48
    第4章 逻辑回归算法 49
    4.1 算法概述 49
    4.1.1 什么是逻辑回归 49
    4.1.2 逻辑回归对比线性回归 50
    4.1.3 算法引入 50
    4.2 算法原理 51
    4.2.1 算法流程 51
    4.2.2 假设函数 51
    4.2.3 代价函数 52
    4.2.4 梯度下降法 53
    4.2.5 决策边界 53
    4.3 算法案例:判断是否为恶性肿瘤 54
    4.4 算法总结 57
    4.5 本章习题 57
    第5章 支持向量机 58
    5.1 算法概述 58
    5.2 算法原理 58
    5.2.1 线性可分支持向量机介绍 58
    5.2.2 拉格朗日乘子法 61
    5.2.3 对偶问题和KKT条件 62
    5.2.4 SMO算法原理 63
    5.2.5 非线性支持向量机 64
    5.2.6 线性支持向量机 65
    5.3 算法案例:手写体数字识别 66
    5.4 算法总结 70
    5.5 本章习题 70
    第6章 K近邻算法 72
    6.1 算法概述 72
    6.2 算法原理 73
    6.2.1 算法计算步骤 73
    6.2.2 K值的选取 73
    6.2.3 确定距离函数 74
    6.3 算法案例:约会网站配对与预测签到位置 75
    6.3.1 约会网站配对案例 75
    6.3.2 预测签到位置案例 81
    6.4 算法总结 82
    6.5 本章习题 83
    第7章 决策树 84
    7.1 算法概述 84
    7.1.1 什么是决策树 84
    7.1.2 如何生成一棵决策树 85
    7.1.3 决策过程 86
    7.2 算法原理 86
    7.2.1 信息增益 87
    7.2.2 信息增益比 90
    7.2.3 基尼(Gini)指数 91
    7.2.4 决策树的生成 91
    7.2.5 决策树的剪枝 92
    7.3 算法案例:借贷人状态评估 92
    7.3.1 利用信息增益选择最优划分属性 93
    7.3.2 递归构建决策树 95
    7.4 算法总结 96
    7.5 本章习题 97
    第8章 朴素贝叶斯算法 98
    8.1 算法概述 98
    8.1.1 算法简介 98
    8.1.2 理论基础 98
    8.2 算法原理 101
    8.2.1 算法流程 101
    8.2.2 实例分析 102
    8.3 算法案例:朴素贝叶斯实现舆情判别 103
    8.3.1 朴素贝叶斯分类器 103
    8.3.2 核心代码及分析 104
    8.4 算法总结 107
    8.4.1 优点 107
    8.4.2 缺点 107
    8.5 本章习题 107
    第9章 集成学习算法 109
    9.1 算法概述 109
    9.2 算法原理 110
    9.2.1 AdaBoost算法 110
    9.2.2 Bagging算法 113
    9.2.3 随机森林算法 114
    9.3 算法案例:垃圾邮件分类应用 115
    9.4 算法总结 118
    9.5 本章习题 119
    第三部分 无监督式学习算法
    第10章 主成分分析算法 121
    10.1 算法概述 121
    10.2 算法原理 122
    10.3 算法案例:数据降维应用 123
    10.4 算法总结 124
    10.5 本章习题 125
    第11章 K-Means算法 126
    11.1 算法概述 126
    11.2 算法原理 127
    11.2.1 算法流程 131
    11.2.2 算法描述 131
    11.2.3 核心代码 132
    11.3 算法案例:鸢尾花聚类分析 134
    11.3.1 鸢尾花卉数据集 134
    11.3.2 聚类结果可视化 134
    11.4 算法总结 135
    11.5 本章习题 135
    第12章 EM算法 136
    12.1 算法概述 136
    12.1.1 最大似然法 136
    12.1.2 含有隐变量的参数估计问题 138
    12.1.3 EM算法的引入 139
    12.2 算法原理 139
    12.2.1 EM-GMM推导 141
    12.2.2 EM算法求解一维高斯混合模型参数 142
    12.3 算法案例:求解男性身高和女性身高的分布
    参数 145
    12.4 算法总结 149
    12.5 本章习题 150
    第四部分 深度学习算法
    第13章 BP神经网络 152
    13.1 算法概述 152
    13.1.1 人工神经网络 152
    13.1.2 BP神经网络 153
    13.2 算法原理 155
    13.2.1 正向传播 155
    13.2.2 反向传播 155
    13.2.3 Sigmoid函数 156
    13.2.4 BP神经网络具体步骤 157
    13.2.5 三层BP神经网络算法实现 158
    13.3 算法案例:天气温度预测 162
    13.3.1 项目描述 162
    13.3.2 代码实现 162
    13.4 算法总结 164
    13.5 本章习题 165
    第14章 循环神经网络 166
    14.1 算法概述 166
    14.2 算法原理 167
    14.2.1 循环神经网络结构 167
    14.2.2 RNN结构变体 168
    14.3 算法案例:数据走势与飞机乘客预测 169
    14.3.1 数据走势预测案例 169
    14.3.2 飞机乘客预测案例 172
    14.4 算法总结 173
    14.4.1 双向RNN 173
    14.4.2 深层双向RNN 174
    14.4.3 金字塔RNN(Pyramidal RNN) 175
    14.5 本章习题 175
    第15章 卷积神经网络 176
    15.1  算法概述 176
    15.1.1 卷积神经网络的起源与应用 176
    15.1.2 卷积神经网络结构特点 177
    15.1.3 卷积神经网络核心概念 178
    15.2 算法原理 180
    15.2.1 选择激活函数 180
    15.2.2 比较损失函数 181
    15.2.3 训练参数调优 183
    15.3 算法案例:对Cifar10数据集图像分类 185
    15.3.1 Cifar10数据集使用 185
    15.3.2 卷积神经网络模型训练 185
    15.3.3 图片模型预测 187
    15.4 算法总结 189
    15.5 本章习题 189
    第16章 LSTM神经网络 191
    16.1 算法概述 191
    16.2 算法原理 193
    16.2.1 细胞状态 193
    16.2.2 遗忘门 194
    16.2.3 输入门 195
    16.2.4 更新门 195
    16.2.5 输出门 195
    16.2.6 BPTT 196
    16.2.7 梯度消失 197
    16.3 算法案例:股票价格预测 198
    16.3.1 LSTM算法构建 198
    16.3.2 LSTM算法描述 199
    16.3.3 LSTM算法实现 199
    16.3.4 基于Keras-TensorFlow框架实现股票
    价格的预测 201
    16.4 算法总结 202
    16.5 本章习题 202
    第17章 生成对抗网络 204
    17.1 算法概述 204
    17.2 算法原理 205
    17.2.1 原理过程 205
    17.2.2 具体操作 206
    17.2.3 目标函数的优化 206
    17.2.4 GAN算法的改进 207
    17.2.5 算法设计与实现 208
    17.2.6 算法的应用 210
    17.3 算法案例:拟合二次函数与图片生成 213
    17.3.1 用GAN实现拟合二次函数 213
    17.3.2 利用GAN创造假的图片 214
    17.4 算法总结 215
    17.5 本章习题 215
    参考文献 217
最新评论共有 0 位网友发表了评论
发表评论
评论内容:不能超过250字,需审核,请自觉遵守互联网相关政策法规。
用户名: 密码:
匿名?
注册