濠电姷鏁告慨鐑藉极閸涘﹥鍙忛柣鎴f閺嬩線鏌熼梻瀵割槮缁惧墽绮换娑㈠箣閻戝棛鍔┑鐐村灦閻燂箓宕曢悢鍏肩厪濠电偛鐏濋崝姘舵煟鎼搭喖寮慨濠冩そ瀹曟鎳栭埞鍨沪闂備礁鎼幊蹇曞垝瀹€鍕仼闁绘垼妫勯拑鐔兼煏婢舵稓鐣遍柍褜鍓涢弫濠氬蓟閵娿儮鏀介柛鈩冧緱閳ь剚顨婇弻锛勨偓锝庡亞閵嗘帞绱掓潏銊ユ诞闁糕斁鍋撳銈嗗笒鐎氼剛澹曢崗鍏煎弿婵☆垰鐏濇禍褰掓煕閻愬灚鏆柡宀嬬秮閹晠鎮滃Ο绯曞亾閸愵喗鍋i柍褜鍓熼弫鍐焵椤掆偓瀹撳嫰姊洪崨濠勨槈閺嬵亜霉濠婂嫮鐭掗柡灞诲姂瀵潙螖閳ь剚绂嶆ィ鍐╁€垫繛鍫濈仢閺嬫稑顭胯闁帮綁鐛幋锕€顫呴柣姗嗗亝閺傗偓闂佽鍑界紞鍡樼鐠烘í缂氬┑鐘叉处閳锋垹绱撴担鍏夋(妞ゅ繐瀚烽崵鏇㈡偣閾忚纾柟鐑橆殔缁犳盯鏌eΔ鈧悧鍐箯濞差亝鈷掗柛灞炬皑婢ф稓绱掔€n偄娴鐐寸墵楠炲洭顢橀悩娈垮晭闁诲海鎳撴竟濠囧窗閺嶎厾宓侀柡宥庡幗閻撶喖鏌ㄥ┑鍡樺櫣婵¤尙绮妵鍕敃閿濆洨鐣奸梺鍦嚀鐎氫即骞栬ぐ鎺撳仭闁哄娉曢鍥⒒閸屾艾鈧娆㈠璺虹劦妞ゆ帒鍊告禒婊堟煠濞茶鐏¢柡鍛板煐鐎佃偐鈧稒岣块崢鐐繆閵堝繒鐣虫繛澶嬫礈閼洪亶宕稿Δ浣哄帾闂佹悶鍎崝灞炬叏瀹ュ棭娈介柣鎰綑濞搭喗顨ラ悙宸剶闁诡喗绮撳畷鍗烆潨閸℃﹫绱欓梻鍌氬€搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偞鐗犻、鏇氱秴闁搞儺鍓﹂弫宥夋煟閹邦厽缍戦柍褜鍓濋崺鏍崲濠靛顥堟繛鎴炶壘椤e搫顪冮妶鍐ㄥ姕鐎光偓閹间礁钃熸繛鎴旀噰閳ь剨绠撻獮瀣攽閸モ晙绨┑鐘殿暯閸撴繆銇愰崘顔藉亱闁规崘顕ч拑鐔兼煥閻斿搫孝缂佲偓閸愵喗鐓冮柛婵嗗閳ь剚鎮傚鍐参旈崨顔规嫼婵炴潙鍚嬮悷褏绮旈鈧湁婵犲﹤楠告晶鐗堜繆閸欏濮嶆鐐村笒铻栭柍褜鍓氶崕顐︽煟閻斿摜鐭婇梺甯到椤曪綁骞庨挊澶屽幐闂佸憡鍔︽禍鐐烘晬濠婂牊鐓涘璺猴功婢ф垿鏌涢弬璺ㄐч挊鐔兼煕椤愮姴鍔滈柣鎾寸☉闇夐柨婵嗙墱濞兼劗鈧娲栭惌鍌炲蓟閳╁啯濯撮悷娆忓绾炬娊姊烘潪鎵妽闁圭懓娲顐﹀箻缂佹ɑ娅㈤梺璺ㄥ櫐閹凤拷 [闂傚倸鍊搁崐鎼佸磹閹间礁纾圭€瑰嫭鍣磋ぐ鎺戠倞妞ゆ帊绀侀崜顓烆渻閵堝棗濮х紒鐘冲灴閻涱噣濮€閵堝棛鍘撻柡澶屽仦婢瑰棝宕濆鍡愪簻闁哄倸鐏濋顐ょ磼鏉堛劍宕岀€规洘甯掗~婵嬵敄閽樺澹曢梺鍛婄缚閸庢娊鎯屽▎鎾寸厱闁哄洢鍔岄悘鐘电磼閻欌偓閸ㄥ爼寮婚妸鈺傚亞闁稿本绋戦锟� | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柣鎴eГ閸ゅ嫰鏌ら崫銉︽毄濞寸姵姘ㄧ槐鎾诲磼濞嗘帒鍘$紓渚囧櫘閸ㄨ泛鐣峰┑鍠棃宕橀妸銉т喊闂備礁鎼崯顐︽偋婵犲洤纾瑰┑鐘崇閻撱垺淇婇娆掝劅婵″弶鎮傞弻锝嗘償椤旂厧绫嶅┑顔硷龚濞咃絿鍒掑▎鎾崇閹兼番鍨虹€氭娊姊绘担铏广€婇柡鍛洴瀹曨垶寮堕幋顓炴闂佸綊妫跨粈渚€宕橀埀顒€顪冮妶鍡樺暗闁哥姵鎹囧畷銏ゎ敂閸涱垳鐦堥梺姹囧灲濞佳勭濠婂牊鐓熼煫鍥ㄦ⒒缁犵偟鈧娲樼换鍌烇綖濠靛鍤嬮柣銏ゆ涧楠炴劙姊绘担鍛靛綊寮甸鍕┾偓鍐川椤旂虎娲搁梺璺ㄥ櫐閹凤拷]

    • 机器学习与深度学习(高等学校人工智能专业精品教材)/高级人工智能人才培养丛书
      • 作者:编者:陶玉婷|责编:米俊萍|总主编:刘鹏
      • 出版社:电子工业
      • ISBN:9787121442766
      • 出版日期:2022/10/01
      • 页数:287
    • 售价:35.2
  • 内容大纲

        本书是“高级人工智能人才培养丛书”中的一本,首先介绍了机器学习的相关概念和发展历史,随后在此基础上介绍了深度学习——它本质上是近几年来大数据技术催生的产物。本书共12章,其中,第1~7章为机器学习方面的内容,分别介绍了机器学习的简单模型、贝叶斯学习、决策树、支持向量机、集成学习和聚类;第8~12章为深度学习方面的内容,由感知机与神经网络开始,之后分别介绍了卷积神经网络、循环神经网络、生成对抗网络及强化学习。
        第2~12章均提供了相应的实验案例,不仅配有完整翔实的Python语言代码及相关注释,还给出了实验结果和实验分析,便于初学者上机操作并加强理解。本书注重易学性、系统性和实战性,力求为人工智能及相关专业的学生提供一本基础教材,同时为在其他学科应用人工智能技术的读者提供一本深入浅出的参考书。
        本书适合作为人工智能、计算机科学与技术、自动化控制等相关专业本科生和研究生的教材。此外,高职和专科学校也可以选用本书部分内容开展教学。
  • 作者介绍

  • 目录

    第1章  引言
      1.1  人工智能概述
        1.1.1  人工智能产生的基础条件
        1.1.2  人工智能的发展史
        1.1.3  人工智能的几个重要分支
        1.1.4  人工智能与机器学习和深度学习的关系
      1.2  机器学习概述
        1.2.1  机器学习的定义
        1.2.2  机器学习的主要方法
        1.2.3  机器学习的应用及其相关课程介绍
      1.3  深度学习概述
        1.3.1  深度学习产生的背景
        1.3.2  深度学习的几种常用模型
        1.3.3  深度学习的应用场合
        1.3.4  深度学习开源工具
      习题
      参考文献
    第2章  简单模型
      2.1  KNN算法
        2.1.1  算法原理
        2.1.2  算法步骤
        2.1.3  算法描述
        2.1.4  算法评价
        2.1.5  算法实例
      2.2  线性回归
        2.2.1  算法原理
        2.2.2  模型求解
        2.2.3  算法步骤
        2.2.4  算法描述
        2.2.5  算法评价
        2.2.6  算法实例
      2.3  逻辑回归
        2.3.1  算法原理
        2.3.2  模型求解
        2.3.3  算法步骤
        2.3.4  算法描述
        2.3.5  算法评价
      2.4  实验:逻辑回归算法
        2.4.1  实验目的
        2.4.2  实验要求
        2.4.3  实验原理
        2.4.4  实验步骤
        2.4.5  实验结果
        2.4.6  结果分析
      习题
      参考文献
    第3章  贝叶斯学习
      3.1  贝叶斯方法简述
      3.2  贝叶斯基础理论
        3.2.1  概率基础

        3.2.2  贝叶斯方法
      3.3  朴素贝叶斯
        3.3.1  朴素贝叶斯法介绍
        3.3.2  朴素贝叶斯法实例
        3.3.3  朴素贝叶斯法优缺点
      3.4  贝叶斯网络
        3.4.1  贝叶斯网络介绍
        3.4.2  贝叶斯网络实现
        3.4.3  贝叶斯网络特性及应用
      3.5  实验
        3.5.1  实验目的
        3.5.2  实验要求
      ……
    第4章  决策树
    第5章  支持向量机
    第6章  集成学习
    第7章  聚类
    第8章  感知机与神经网络
    第9章  卷积神经网络
    第10章  循环神经网络
    第11章  生成对抗网络
    第12章  强化学习
    附录A  人工智能实验环境
    附录B  人工智能云平台