人工智能算法實(shí)例集錦（Python語言）
定 價：48 元
- 作者：強(qiáng)彥
- 出版時間：2022/4/2
- ISBN：9787560662763
- 出 版 社：西安電子科技大學(xué)出版社
- 中圖法分類：TP18
- 頁碼：
- 紙張：
- 版次：1
- 開本：16開
本書是針對有一定Python基礎(chǔ)的讀者而編寫的一本人工智能算法入門書籍。書中將算法原理講解與實(shí)際案例相結(jié)合，通過讓讀者動手編程的方式加深讀者對所學(xué)算法的理解。全書共7章，包括人工智能概述、人工智能算法框架、啟發(fā)式算法、監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、人工智能未來展望等內(nèi)容，其中所有案例代碼均可通過掃描書中二維碼獲得。
本書既可作為高等院校計(jì)算機(jī)、軟件工程、大數(shù)據(jù)等相關(guān)專業(yè)的本科生或研究生教材，也可作為各種人工智能實(shí)踐班的培訓(xùn)教材，同時還可供廣大對人工智能算法感興趣的研究人員和工程技術(shù)人員閱讀參考。
近年來，隨著計(jì)算力的不斷增長、海量數(shù)據(jù)的積累和算法的不斷優(yōu)化，人工智能及相關(guān)產(chǎn)業(yè)發(fā)展迅速。人工智能引領(lǐng)的新一輪科技革命和產(chǎn)業(yè)變革正在深刻地改變著人類的生產(chǎn)生活。
本書非常適合有一定Python基礎(chǔ)的讀者學(xué)習(xí)。讀者可以在短時間內(nèi)了解人工智能的相關(guān)概念以及一系列經(jīng)典算法。書中每一個算法均從以下幾個方面進(jìn)行講解：首先，介紹算法的原理，從數(shù)學(xué)層面對算法進(jìn)行原理推導(dǎo)；其次，通過一個經(jīng)典的案例來應(yīng)用算法，加深讀者對算法原理的印象；最后，詳細(xì)講解算法的實(shí)現(xiàn)步驟。書中算法均使用Python語言和TensorFlow框架實(shí)現(xiàn)。
作為一本人工智能算法的入門級書籍，本書主要對啟發(fā)式算法、監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等算法進(jìn)行了詳細(xì)的講解，適合作為高等院校相關(guān)專業(yè)教材，也可供高等院校、科研院所以及企事業(yè)單位的科技工作者學(xué)習(xí)、參考。
本書在編寫過程中得到了趙涓涓、羅士朝、宋愷、李潤睿、趙林、候佳欣、蔡美齡、宋平、王河喜、朱鈞怡、索遙、徐佳正、黃天甲、王子劍、侯國杰、柴佳麗、高強(qiáng)、原鐳明等相關(guān)項(xiàng)目組成員及專家的大力支持和協(xié)助，在此表示衷心感謝！
書中所有案例代碼可掃描以下二維碼獲得：
由于作者水平有限，書中難免有疏漏之處，敬請讀者不吝指正。
編著者
2021年11月
第1章 人工智能概述 1
1.1 人工智能的定義 1
1.2 人工智能的發(fā)展 2
1.3 人工智能算法簡介 4
本章小結(jié) 5
第2章 人工智能算法框架 6
2.1 Python與人工智能的關(guān)系 6
2.2 常用的Python深度學(xué)習(xí)庫 7
2.3 TensorFlow簡介及安裝 8
2.4 TensorFlow的低級庫 9
2.4.1 TensorFlow核心 9
2.4.2 數(shù)據(jù)流圖或計(jì)算圖 19
2.4.3 TensorBoard 26
2.5 TensorFlow的高級庫 28
2.5.1 TF Estimator 28
2.5.2 TF Slim 29
2.5.3 TF Learn 30
2.5.4 Pretty Tensor 34
2.5.5 Sonnet 34
本章小結(jié) 35
第3章 啟發(fā)式算法 37
3.1 啟發(fā)式算法概述 37
3.2 常用啟發(fā)式算法 38
3.2.1 模擬退火算法 38
3.2.2 遺傳算法 46
3.2.3 蟻群算法 53
3.2.4 人工蜂群算法 65
3.2.5 布谷鳥算法 70
3.2.6 螢火蟲算法 75
本章小結(jié) 79
第4章 監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí) 80
4.1 監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)簡介 80
4.2 監(jiān)督學(xué)習(xí)之分類 80
4.2.1 決策樹算法 80
4.2.2 最鄰近規(guī)則算法 85
4.2.3 樸素貝葉斯算法 88
4.2.4 邏輯回歸算法 91
4.2.5 SVM算法 95
4.2.6 隨機(jī)森林算法 97
4.2.7 AdaBoost算法 102
4.2.8 BP網(wǎng)絡(luò)算法 105
4.3 監(jiān)督學(xué)習(xí)之回歸 109
4.3.1 線性回歸 109
4.3.2 CART回歸 115
4.3.3 嶺回歸 119
4.3.4 套索回歸 122
4.4 無監(jiān)督學(xué)習(xí)之聚類 125
4.4.1 K-means聚類 125
4.4.2 DBSCAN密度聚類 130
4.5 無監(jiān)督學(xué)習(xí)之降維 133
4.5.1 主成分分析算法(PCA) 134
4.5.2 線性判斷分析(LDA) 136
4.5.3 局部線性嵌入(LLE) 139
本章小結(jié) 142
第5章 深度學(xué)習(xí) 143
5.1 深度學(xué)習(xí)簡介 143
5.1.1 深度學(xué)習(xí)的概念 143
5.1.2 深度學(xué)習(xí)的特點(diǎn) 144
5.1.3 深度學(xué)習(xí)的應(yīng)用 144
5.2 卷積神經(jīng)網(wǎng)絡(luò) 145
5.2.1 卷積神經(jīng)網(wǎng)絡(luò)的原理 146
5.2.2 LeNet 152
5.2.3 AlexNet 154
5.2.4 VGG16 156
5.2.5 GoogLeNet 159
5.2.6 ResNet 164
5.2.7 DenseNet 172
5.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 181
5.3.1 RNN 182
5.3.2 GRU 187
5.3.3 LSTM 191
5.4 生成對抗網(wǎng)絡(luò) 201
5.4.1 GAN 201
5.4.2 SGAN 206
5.4.3 CGAN 209
5.4.4 WGAN 212
5.4.5 DCGAN 217
5.4.6 InfoGAN 225
5.4.7 LSGAN 240
本章小結(jié) 246
第6章 強(qiáng)化學(xué)習(xí) 247
6.1 強(qiáng)化學(xué)習(xí)簡介 247
6.1.1 強(qiáng)化學(xué)習(xí)的概念 247
6.1.2 強(qiáng)化學(xué)習(xí)的分類 247
6.2 基于概率的強(qiáng)化學(xué)習(xí)方法 248
6.2.1 基于概率的強(qiáng)化學(xué)習(xí)方法簡介 248
6.2.2 Policy Gradients算法 249
6.3 基于價值的強(qiáng)化學(xué)習(xí)方法 254
6.3.1 基于價值的強(qiáng)化學(xué)習(xí)方法簡介 254
6.3.2 Q-Learning算法 254
6.3.3 Sarsa算法 261
6.3.4 Deep Q Network算法 265
6.4 基于概率和價值的強(qiáng)化學(xué)習(xí)方法 272
6.4.1 基于概率和價值的強(qiáng)化學(xué)習(xí)方法簡介 272
6.4.2 Actor-Critic算法 272
6.4.3 DDPG算法 278
6.4.4 A3C算法 283
本章小結(jié) 288
第7章 人工智能未來展望 289
7.1 算法理論和設(shè)備基礎(chǔ) 289
7.1.1 算法理論 289
7.1.2 設(shè)備基礎(chǔ) 290
7.2 人工智能應(yīng)用 290
本章小結(jié) 291
參考文獻(xiàn) 292
書單推薦
