定 價：69 元
叢書名：面向新工科高等院校大數(shù)據(jù)專業(yè)系列教材
- 作者：安俊秀 葉劍 陳宏松 等編著
- 出版時間：2022/7/1
- ISBN：9787111707776
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：TP18
- 頁碼：251
- 紙張：
- 版次：
- 開本：16
本書主要向讀者介紹當代人工智能技術的入門知識，特別是以深度學習為代表的機器學習方法。內(nèi)容包括人工智能的概念、分類和原理，闡述了人工智能的三大流派等。著重介紹了人工智能的相關技術和算法，包括機器學習、深度學習、強化學習、自然語言處理、機器視覺、機器人等。本書從基本原理概念、基礎算法、基本理論應用三個方面對每章內(nèi)容進行詳細介紹，方便讀者對內(nèi)容知識的理解，有較強的知識性和趣味性。
本書可作為高等院校大數(shù)據(jù)專業(yè)和人工智能專業(yè)的核心基礎課程教材，也可以作為計算機相關專業(yè)的專業(yè)課或選修課教材，同時也可以作為從事人工智能與大數(shù)據(jù)技術相關工作的人員的參考用書。
本書由東方國信的圖靈引擎平臺提供在線實驗環(huán)境，地址為https://www. turingtopia.com/aibook/1，書中相應章節(jié)的AI實驗案例可通過該平臺實現(xiàn)。
目錄
出版說明
前言
第1章 人工智能概述1
1.1 人工智能的起源與定義1
1.1.1 人工智能的起源1
1.1.2 人工智能的定義4
1.1.3 人工智能的分類及特征4
1.2 人工智能的流派6
1.2.1 符號主義7
1.2.2 連接主義8
1.2.3 行為主義9
1.3 人工智能的技術構成9
1.3.1 基礎設施10
1.3.2 基礎技術10
1.3.3 AI要素10
1.3.4 AI技術10
1.3.5 AI應用11
1.4 人工智能的進展與發(fā)展趨勢11
1.4.1 知識表示11
1.4.2 知識獲取12
1.4.3 知識應用16
1.5 人工智能的應用領域19
1.5.1 AI在農(nóng)業(yè)方面的應用19
1.5.2 AI在工業(yè)方面的應用20
1.5.3 AI在商業(yè)方面的應用21
1.5.4 AI在醫(yī)療方面的應用21
1.5.5 AI在教育方面的應用22
1.6 本章習題24
第2章 人工智能與大數(shù)據(jù)、云計算25
2.1 大數(shù)據(jù)—AI發(fā)展的能量源25
2.1.1 大數(shù)據(jù)簡介25
2.1.2 大數(shù)據(jù)的特征26
2.1.3 大數(shù)據(jù)技術生態(tài)圈27
2.2 云計算—AI發(fā)展的發(fā)動機28
2.2.1 云計算簡介28
2.2.2 云計算的基礎架構29
2.2.3 云計算的特點30
2.3 人工智能、大數(shù)據(jù)與云計算的
關系31
2.3.1 大數(shù)據(jù)與云計算的關系31
2.3.2 人工智能=云計算+大數(shù)據(jù)32
2.4 本章習題33
第3章 人工智能的技術基礎34
3.1 知識表示和圖譜34
3.1.1 知識與知識表示的概念34
3.1.2 知識表示方法35
3.1.3 知識圖譜的概念37
3.1.4 本體知識表示、萬維網(wǎng)知識表示38
3.2 知識圖譜的現(xiàn)狀及發(fā)展40
3.3 自動推理44
3.4 專家系統(tǒng)45
3.4.1 專家系統(tǒng)的概念及特點45
3.4.2 專家系統(tǒng)的結(jié)構及類型45
3.4.3 專家系統(tǒng)工具與環(huán)境46
3.5 群智能算法46
3.5.1 群智能算法的發(fā)展歷程46
3.5.2 遺傳算法48
3.5.3 粒子群算法49
3.5.4 蟻群算法50
3.6 搜索技術51
3.6.1 搜索的概念51
3.6.2 搜索算法52
3.7 本章習題54
第4章 知識發(fā)現(xiàn)與數(shù)據(jù)挖掘55
4.1 知識發(fā)現(xiàn)概述55
4.1.1 知識發(fā)現(xiàn)的對象56
4.1.2 知識發(fā)現(xiàn)的任務57
4.1.3 知識發(fā)現(xiàn)方法57
4.1.4 知識發(fā)現(xiàn)的應用領域59
4.2 數(shù)據(jù)挖掘概述59
4.2.1 數(shù)據(jù)挖掘技術的產(chǎn)生及定義60
4.2.2 數(shù)據(jù)挖掘的功能60
4.2.3 常用的數(shù)據(jù)挖掘方法61
4.3 大數(shù)據(jù)處理概述65
4.3.1 分布式數(shù)據(jù)基礎設施平臺Hadoop
及其生態(tài)系統(tǒng)66
4.3.2 分布式計算框架Spark及其生態(tài)
系統(tǒng)70
4.3.3 低延遲流式處理大數(shù)據(jù)框架—
Storm77
4.3.4 大數(shù)據(jù)挖掘與分析80
4.4 數(shù)據(jù)挖掘應用實踐82
4.4.1 學生考試成績預測82
4.4.2 基于用戶手機使用行為進行風險
識別85
4.5 本章習題88
第5章 機器學習89
5.1 機器學習簡介89
5.1.1 機器學習的發(fā)展歷程89
5.1.2 機器學習的概念及地位90
5.1.3 機器學習的范疇92
5.2 機器學習的分類93
5.2.1 監(jiān)督學習93
5.2.2 無監(jiān)督學習94
5.2.3 弱監(jiān)督學習94
5.3 經(jīng)典的機器學習算法97
5.3.1 分類算法98
5.3.2 k均值聚類算法104
5.3.3 Apriori關聯(lián)規(guī)則算法106
5.3.4 遷移學習108
5.4 機器學習應用實踐112
5.4.1 使用決策樹模型進行列車空調(diào)
故障預測112
5.4.2 采用多種算法實現(xiàn)校園用戶
識別115
5.5 本章習題120
第6章 深度學習121
6.1 深度學習簡介121
6.1.1 什么是深度學習121
6.1.2 深度學習的前世今生123
6.1.3 深度學習開發(fā)框架125
6.2 卷積神經(jīng)網(wǎng)絡129
6.2.1 卷積神經(jīng)網(wǎng)絡的提出129
6.2.2 卷積神經(jīng)網(wǎng)絡結(jié)構130
6.2.3 經(jīng)典卷積模型132
6.3 循環(huán)神經(jīng)網(wǎng)絡137
6.3.1 RNN基本原理137
6.3.2 RNN的基本結(jié)構138
6.3.3 RNN的高級形式139
6.3.4 RNN的訓練142
6.4 深度學習應用實踐144
6.4.1 用GoogLeNet訓練識別花卉144
6.4.2 圖像著色148
6.4.3 風格遷移148
6.4.4 圖片識別149
6.5 本章習題149
第7章 強化學習150
7.1 強化學習簡介150
7.1.1 什么是強化學習150
7.1.2 強化學習的應用152
7.2 基于值函數(shù)的強化學習方法153
7.2.1 蒙特卡羅法154
7.2.2 時間差分法155
7.2.3 值函數(shù)逼近法156
7.3 基于直接策略搜索的強化學習
方法157
7.3.1 策略梯度法158
7.3.2 置信域策略優(yōu)化法160
7.3.3 確定性策略梯度法160
7.4 DQN算法模型161
7.5 強化學習前沿研究162
7.5.1 逆向強化學習162
7.5.2 深度強化學習163
7.5.3 分層強化學習164
7.5.4 價值迭代網(wǎng)絡164
7.5.5 AlphaGo的原理165
7.6 強化學習應用實踐167
7.7 本章習題169
第8章 自然語言處理170
8.1 自然語言處理概述170
8.1.1 自然語言處理的概念170
8.1.2 自然語言處理的層次171
8.1.3 NLP的判別標準172
8.2 自然語言處理的發(fā)展與應用173
8.2.1 自然語言處理的發(fā)展歷程173
8.2.2 自然語言處理的應用175
8.3 自然語言處理技術分類178
8.3.1 NLP基礎技術178
8.3.2 NLP應用技術180
8.4 語音處理182
8.4.1 語音處理概述183
8.4.2 語音處理發(fā)展狀況183
8.4.3 語音處理的主要分支184
8.4.4 語音處理的其他分支184
8.5 自然語言處理應用實踐185
8.6 本章習題187
第9章 機器視覺188
9.1 圖像表達與性質(zhì)188
9.1.1 圖像表達的若干概念188
9.1.2 圖像數(shù)字化189
9.1.3 數(shù)字圖像性質(zhì)190
9.1.4 彩色圖像191
9.2 圖像預處理193
9.2.1 圖像相關的數(shù)學及物理知識193
9.2.2 圖像分析的數(shù)據(jù)結(jié)構195
9.2.3 像素亮度變換197
9.2.4 幾何變換197
9.2.5 局部預處理197
9.2.6 圖像復原198
9.2.7 圖像分割198
9.3 形狀表示與物體識別200
9.3.1 區(qū)域標識201
9.3.2 基于輪廓的形狀表示與描述201
9.3.3 基于區(qū)域的形狀表示與描述202
9.3.4 識別中的優(yōu)化技術203
9.3.5 模糊系統(tǒng)205
9.3.6 隨機森林206
9.4 圖像理解207
9.4.1 圖像理解控制策略208
9.4.2 尺度不變特征轉(zhuǎn)換208
9.4.3 點分布模型與活動表觀模型210
9.4.4 圖像理解中的模式識別方法210
9.4.5 語義圖像分割和理解212
9.5 3D圖像214
9.5.1 3D視覺的概念214
9.5.2 射影幾何學基礎215
9.5.3 單透視攝像機216
9.5.4 從多視圖重建場景216
9.5.5 雙攝像機和立體感知217
9.5.6 三攝像機和三視張量218
9.5.7 3D視覺的應用218
9.6 機器視覺的應用及面臨的
問題219
9.7 機器視覺應用實踐220
9.8 本章習題222
第10章 機器人223
10.1 機器人簡介223
10.1.1 機器人的發(fā)展歷史223
10.1.2 機器人的分類227
10.1.3 機器人的特點229
10.1.4 機器人的研究領域及相關
技術229
10.2 機器人系統(tǒng)232
10.2.1 機器人系統(tǒng)的組成232
10.2.2 機器人操作系統(tǒng)（ROS）233
10.2.3 機器人的工作空間234
10.2.4 機器人的性能指標235
10.3 機器人的編程模式與編程
語言236
10.3.1 機器人編程語言236
10.3.2 機器人的編程模式238
10.4 機器人的應用與展望239
10.4.1 機器人應用239
10.4.2 機器人的發(fā)展展望244
10.5 本章習題246
附錄 東方國信圖靈引擎平臺使用
說明247
參考文獻251
書單推薦
