人工智能算法分析

作者: 徐立芳

出版社: 电子工业出版社

出版时间: 2023-06

版次: 1

ISBN: 9787121456817

定价: 79.80

装帧: 其他

页数: 344页

分类: 教材教辅考试>教材>大学教材>工程技术

5人买过

本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法，以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状，以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法，包括Q-学习算法、蒙特卡洛算法和动态规划算法，以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法，主要包括TrAdaBoost算法和层次贝叶斯算法，以及这些算法的原理和案例编程实现。第7章主要介绍了联邦学习的研究现状和相关算法，涉及联邦平均算法和纵向联邦学习算法，以及算法的原理和案例编程实现。第8章介绍了因果学习的研究现状和典型模型算法，包括结果因果模型和多变量结构识别算法，还有这些模型和算法的原理以及案例编程实现。第9章和第10章分别介绍了文本挖掘和图像处理的研究现状，以及应用于文本和图像的一些算法，涉及算法的原理介绍和案例编程实现。第11章介绍了人工智能大模型的发展及研究现状，包括Transformer和GPT，以及相关的改进模型，并对其中典型的模型应用案例进行了分析。本书可作为计算机科学与技术、智能科学与技术、人工智能等专业高年级本科生和研究生教材，也可供从事或有志于人工智能行业的研究人员和从业者参考。徐立芳，女，副教授，哈尔滨工程大学机电工程学院副教授，2007年毕业于哈尔滨工程大学，获得工学博士学位，哈尔滨工业大学精密仪器科学与技术博士后流动站出站。第1章  绪论1

1.1　人类的学习与机器的学习2

1.1.1  人类的学习2

1.1.2  机器的学习3

1.2　机器学习与机器智能6

1.2.1  机器学习的概念6

1.2.2  机器学习如何实现机器智能7

1.3　机器学习的发展历程7

1.4　机器学习的类型9

1.5  机器学习的主要方法10

1.6　机器学习的主要算法13

1.6.1  传统机器学习算法14

1.6.2  新型机器学习算法15

1.7　机器学习的典型应用与发展趋势17

1.7.1  机器学习的典型应用17

1.7.2  机器学习的发展趋势18

1.8　如何阅读本书19

总结20

习题20

第2章  机器学习经典分类算法23

2.1　回归算法24

2.1.1  基本形式24

2.1.2  线性回归24

2.1.3  逻辑回归26

2.1.4  线性回归案例分析27

2.1.5  逻辑回归案例分析33

2.2　决策树算法37

2.2.1  树形决策过程37

2.2.2  训练算法38

2.2.3  案例分析43

2.3　支持向量机47

2.3.1  线性分类器47

2.3.2  支持向量机原理48

2.3.3  案例分析51

2.4　kNN算法53

2.4.1  基本概念54

2.4.2  预测算法54

2.4.3  距离定义55

2.4.4  案例分析57

2.5　贝叶斯算法59

2.5.1  贝叶斯决策59

2.5.2  朴素贝叶斯分类器60

2.5.3  正态贝叶斯分类器62

2.5.4  案例分析64

总结67

习题67

第3章  机器学习经典聚类及集成与随机森林算法69

3.1　k-means算法70

3.1.1  相似性的度量70

3.1.2  k-means算法原理71

3.1.3  k-means算法的改进73

3.1.4  Mean Shift算法74

3.1.5  案例分析76

3.2　AdaBoost算法79

3.2.1  AdaBoost算法介绍79

3.2.2  AdaBoost算法分类83

3.2.3  案例分析84

3.3　马尔可夫算法88

3.3.1  马尔可夫算法介绍88

3.3.2  隐马尔可夫算法介绍91

3.3.3  案例分析93

3.4　随机森林算法96

3.4.1  集成学习97

3.4.2  随机森林概述98

3.4.3  训练算法98

3.4.4  变量的重要性99

3.4.5  案例分析100

总结102

习题103

第4章  深度学习105

4.1　深度学习及其研究现状106

4.1.1  深度学习概念106

4.1.2  深度学习研究现状106

4.2　人工神经网络107

4.2.1  全连接神经网络107

4.2.2  反向传播算法111

4.2.3  案例分析115

4.3　生成对抗网络119

4.3.1  生成对抗网络结构119

4.3.2  模型的训练120

4.3.3  GAN的改进模型124

4.3.4  案例分析131

4.4　循环神经网络135

4.4.1  循环神经网络概述135

4.4.2  循环神经网络结构136

4.4.3  循环神经网络训练138

4.4.4  挑战与改进措施139

4.4.5  案例分析141

总结144

习题144

第5章  强化学习146

5.1　强化学习及其研究现状147

5.1.1  马尔可夫模型147

5.1.2  策略148

5.1.3  强化学习研究现状150

5.2　Q-学习算法150

5.2.1  Q-学习算法的基本原理151

5.2.2  Q-学习算法的结构151

5.2.3  采用神经网络实现Q-学习算法153

5.2.4  Q-学习算法的改进154

5.2.5  Q-学习算法的应用案例156

5.3　蒙特卡洛算法160

5.3.1  简单介绍160

5.3.2  经验轨迹161

5.3.3  蒙特卡洛算法的数学原理164

5.3.4  蒙特卡洛算法的特点165

5.3.5  蒙特卡洛预测165

5.3.6  蒙特卡洛预测算法的实现166

5.4　动态规划算法169

5.4.1  策略评估170

5.4.2  策略改进171

5.4.3  策略迭代172

5.4.4  值迭代173

5.4.5  案例分析174

总结176

习题177

第6章  迁移学习179

6.1　迁移学习及其研究现状179

6.1.1  迁移学习概念179

6.1.2  迁移学习研究现状180

6.2　TrAdaBoost算法181

6.2.1  背景181

6.2.2  算法介绍181

6.2.3  算法改进184

6.2.4  案例分析186

6.3　层次贝叶斯算法190

6.3.1  背景190

6.3.2  算法介绍191

6.3.3  案例分析194

总结196

习题197

第7章  联邦学习199

7.1　联邦学习及其研究现状199

7.1.1  联邦学习概念199

7.1.2  联邦学习研究现状201

7.2　联邦平均算法202

7.2.1  联邦优化203

7.2.2  算法原理205

7.2.3  安全的联邦平均算法207

7.2.4  联邦平均算法的改进207

7.2.5  案例分析209

7.3　纵向联邦学习算法215

7.3.1  安全联邦线性回归215

7.3.2  安全联邦提升树217

7.3.3  案例分析221

总结224

习题224

第8章  因果学习227

8.1　因果学习及其研究现状228

8.1.1  因果学习概念228

8.1.2  因果学习研究现状229

8.2　结构因果模型229

8.2.1  两种类型的因果陈述229

8.2.2  SCM的标准表示232

8.2.3  SCM的改进型233

8.2.4  案例分析236

8.3　多变量结构识别算法239

8.3.1  基于独立的方法240

8.3.2  基于分数的方法242

8.3.3  多变量加性噪声模型244

8.3.4  案例分析246

总结248

习题249

第9章  文本挖掘251

9.1　文本挖掘概念与现状251

9.1.1  文本挖掘概念251

9.1.2  文本挖掘现状252

9.2　Word2vec-词嵌入252

9.2.1  背景介绍253

9.2.2  Word2vec-词嵌入——基于神经网络学习单词表示256

9.2.3  案例分析265

9.3　递归神经网络270

9.3.1  递归神经网络介绍270

9.3.2  递归神经网络分类274

9.3.3  案例分析276

总结282

习题283

第10章  图像处理285

10.1　图像处理概念与现状285

10.1.1  图像处理概念285

10.1.2  图像处理现状286

10.2　条件图像到图像翻译286

10.2.1  条件图像到图像翻译的概念286

10.2.2  cd-GAN287

10.2.3  DosGAN289

10.2.4  案例分析291

10.3　解纠缠图像到图像翻译295

10.3.1  解纠缠图像到图像翻译的概念295

10.3.2  InterfaceGAN295

10.3.3  SeFa298

10.3.4  案例分析300

总结304

习题304

第11章  人工智能大模型307

11.1　人工智能大模型概念与现状307

11.1.1  人工智能大模型概念307

11.1.2  人工智能大模型现状308

11.2　Transformer308

11.2.1  背景308

11.2.2  模型结构309

12.2.3  为什么使用自注意力312

11.2.4  案例分析313

11.3　GPT317

11.3.1  GPT-1317

11.3.2  GPT-2320

11.3.3  GPT-3323

11.3.4  案例分析326

总结331

习题331
内容简介:
本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法，以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状，以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法，包括Q-学习算法、蒙特卡洛算法和动态规划算法，以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法，主要包括TrAdaBoost算法和层次贝叶斯算法，以及这些算法的原理和案例编程实现。第7章主要介绍了联邦学习的研究现状和相关算法，涉及联邦平均算法和纵向联邦学习算法，以及算法的原理和案例编程实现。第8章介绍了因果学习的研究现状和典型模型算法，包括结果因果模型和多变量结构识别算法，还有这些模型和算法的原理以及案例编程实现。第9章和第10章分别介绍了文本挖掘和图像处理的研究现状，以及应用于文本和图像的一些算法，涉及算法的原理介绍和案例编程实现。第11章介绍了人工智能大模型的发展及研究现状，包括Transformer和GPT，以及相关的改进模型，并对其中典型的模型应用案例进行了分析。本书可作为计算机科学与技术、智能科学与技术、人工智能等专业高年级本科生和研究生教材，也可供从事或有志于人工智能行业的研究人员和从业者参考。
作者简介:
徐立芳，女，副教授，哈尔滨工程大学机电工程学院副教授，2007年毕业于哈尔滨工程大学，获得工学博士学位，哈尔滨工业大学精密仪器科学与技术博士后流动站出站。
目录:
第1章  绪论1

1.1　人类的学习与机器的学习2

1.1.1  人类的学习2

1.1.2  机器的学习3

1.2　机器学习与机器智能6

1.2.1  机器学习的概念6

1.2.2  机器学习如何实现机器智能7

1.3　机器学习的发展历程7

1.4　机器学习的类型9

1.5  机器学习的主要方法10

1.6　机器学习的主要算法13

1.6.1  传统机器学习算法14

1.6.2  新型机器学习算法15

1.7　机器学习的典型应用与发展趋势17

1.7.1  机器学习的典型应用17

1.7.2  机器学习的发展趋势18

1.8　如何阅读本书19

总结20

习题20

第2章  机器学习经典分类算法23

2.1　回归算法24

2.1.1  基本形式24

2.1.2  线性回归24

2.1.3  逻辑回归26

2.1.4  线性回归案例分析27

2.1.5  逻辑回归案例分析33

2.2　决策树算法37

2.2.1  树形决策过程37

2.2.2  训练算法38

2.2.3  案例分析43

2.3　支持向量机47

2.3.1  线性分类器47

2.3.2  支持向量机原理48

2.3.3  案例分析51

2.4　kNN算法53

2.4.1  基本概念54

2.4.2  预测算法54

2.4.3  距离定义55

2.4.4  案例分析57

2.5　贝叶斯算法59

2.5.1  贝叶斯决策59

2.5.2  朴素贝叶斯分类器60

2.5.3  正态贝叶斯分类器62

2.5.4  案例分析64

总结67

习题67

第3章  机器学习经典聚类及集成与随机森林算法69

3.1　k-means算法70

3.1.1  相似性的度量70

3.1.2  k-means算法原理71

3.1.3  k-means算法的改进73

3.1.4  Mean Shift算法74

3.1.5  案例分析76

3.2　AdaBoost算法79

3.2.1  AdaBoost算法介绍79

3.2.2  AdaBoost算法分类83

3.2.3  案例分析84

3.3　马尔可夫算法88

3.3.1  马尔可夫算法介绍88

3.3.2  隐马尔可夫算法介绍91

3.3.3  案例分析93

3.4　随机森林算法96

3.4.1  集成学习97

3.4.2  随机森林概述98

3.4.3  训练算法98

3.4.4  变量的重要性99

3.4.5  案例分析100

总结102

习题103

第4章  深度学习105

4.1　深度学习及其研究现状106

4.1.1  深度学习概念106

4.1.2  深度学习研究现状106

4.2　人工神经网络107

4.2.1  全连接神经网络107

4.2.2  反向传播算法111

4.2.3  案例分析115

4.3　生成对抗网络119

4.3.1  生成对抗网络结构119

4.3.2  模型的训练120

4.3.3  GAN的改进模型124

4.3.4  案例分析131

4.4　循环神经网络135

4.4.1  循环神经网络概述135

4.4.2  循环神经网络结构136

4.4.3  循环神经网络训练138

4.4.4  挑战与改进措施139

4.4.5  案例分析141

总结144

习题144

第5章  强化学习146

5.1　强化学习及其研究现状147

5.1.1  马尔可夫模型147

5.1.2  策略148

5.1.3  强化学习研究现状150

5.2　Q-学习算法150

5.2.1  Q-学习算法的基本原理151

5.2.2  Q-学习算法的结构151

5.2.3  采用神经网络实现Q-学习算法153

5.2.4  Q-学习算法的改进154

5.2.5  Q-学习算法的应用案例156

5.3　蒙特卡洛算法160

5.3.1  简单介绍160

5.3.2  经验轨迹161

5.3.3  蒙特卡洛算法的数学原理164

5.3.4  蒙特卡洛算法的特点165

5.3.5  蒙特卡洛预测165

5.3.6  蒙特卡洛预测算法的实现166

5.4　动态规划算法169

5.4.1  策略评估170

5.4.2  策略改进171

5.4.3  策略迭代172

5.4.4  值迭代173

5.4.5  案例分析174

总结176

习题177

第6章  迁移学习179

6.1　迁移学习及其研究现状179

6.1.1  迁移学习概念179

6.1.2  迁移学习研究现状180

6.2　TrAdaBoost算法181

6.2.1  背景181

6.2.2  算法介绍181

6.2.3  算法改进184

6.2.4  案例分析186

6.3　层次贝叶斯算法190

6.3.1  背景190

6.3.2  算法介绍191

6.3.3  案例分析194

总结196

习题197

第7章  联邦学习199

7.1　联邦学习及其研究现状199

7.1.1  联邦学习概念199

7.1.2  联邦学习研究现状201

7.2　联邦平均算法202

7.2.1  联邦优化203

7.2.2  算法原理205

7.2.3  安全的联邦平均算法207

7.2.4  联邦平均算法的改进207

7.2.5  案例分析209

7.3　纵向联邦学习算法215

7.3.1  安全联邦线性回归215

7.3.2  安全联邦提升树217

7.3.3  案例分析221

总结224

习题224

第8章  因果学习227

8.1　因果学习及其研究现状228

8.1.1  因果学习概念228

8.1.2  因果学习研究现状229

8.2　结构因果模型229

8.2.1  两种类型的因果陈述229

8.2.2  SCM的标准表示232

8.2.3  SCM的改进型233

8.2.4  案例分析236

8.3　多变量结构识别算法239

8.3.1  基于独立的方法240

8.3.2  基于分数的方法242

8.3.3  多变量加性噪声模型244

8.3.4  案例分析246

总结248

习题249

第9章  文本挖掘251

9.1　文本挖掘概念与现状251

9.1.1  文本挖掘概念251

9.1.2  文本挖掘现状252

9.2　Word2vec-词嵌入252

9.2.1  背景介绍253

9.2.2  Word2vec-词嵌入——基于神经网络学习单词表示256

9.2.3  案例分析265

9.3　递归神经网络270

9.3.1  递归神经网络介绍270

9.3.2  递归神经网络分类274

9.3.3  案例分析276

总结282

习题283

第10章  图像处理285

10.1　图像处理概念与现状285

10.1.1  图像处理概念285

10.1.2  图像处理现状286

10.2　条件图像到图像翻译286

10.2.1  条件图像到图像翻译的概念286

10.2.2  cd-GAN287

10.2.3  DosGAN289

10.2.4  案例分析291

10.3　解纠缠图像到图像翻译295

10.3.1  解纠缠图像到图像翻译的概念295

10.3.2  InterfaceGAN295

10.3.3  SeFa298

10.3.4  案例分析300

总结304

习题304

第11章  人工智能大模型307

11.1　人工智能大模型概念与现状307

11.1.1  人工智能大模型概念307

11.1.2  人工智能大模型现状308

11.2　Transformer308

11.2.1  背景308

11.2.2  模型结构309

12.2.3  为什么使用自注意力312

11.2.4  案例分析313

11.3　GPT317

11.3.1  GPT-1317

11.3.2  GPT-2320

11.3.3  GPT-3323

11.3.4  案例分析326

总结331

习题331

查看详情

人工智能算法分析

内容简介:

作者简介:

目录: