描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787511478009
编辑推荐
本书结合编者多年从事人工智能科研与教学的经验，强调内容的先进性、系统性与实用性，每章均配备了理论授课视频、PPT、实践辅导视频、代码与习题等。
内容简介
本书主要聚焦人工智能最新理论与实践，以经典人工神经网络与支持向量机为基础，以深度学习、强化学习与深度强化学习为核心，以深入浅出、循循善诱与娓娓道来的风格，将深奥的人工智能知识进行了清晰的诠释，使读者能够更好地理解和掌握知识难点，适于教与学。为了提高读者学习效果，每章不仅配备理论讲解视频与PPT，而且对重点算法结合应用实例配置了程序辅导视频与代码；另外，每章后均附精心设计的习题。本书结合编者多年从事人工智能科研与教学的经验，强调内容的先进性、系统性与实用性，注重学生分析问题能力与实践创新能力的培养。
目 录
绪论…………………….（1）
第1章经典人工神经网络…………………….（4）
1.1生物神经网络基本机理…………………….（4）
1.1.1生物神经元结构…………………….（4）
1.1.2生物神经元信息的传递与接收…………………….（5）
1.1.3生物神经元信息的整合…………………….（6）
1.1.4生物神经网络…………………….（8）
1.2人工神经元…………………….（8）
1.2.1人工神经元的符号描述…………………….（8）
1.2.2人工神经元的数学模型…………………….（9）
1.2.3人工神经元的激活函数…………………….（10）
1.3单层感知机…………………….（14）
1.3.1单层感知机的表达…………………….（14）
1.3.2单层感知机的训练算法及实例…………………….（17）
1.3.3单层感知机的局限性…………………….（19）
1.4多层感知机…………………….（20）
1.4.1多层感知机的功能…………………….（20）
1.4.2多层感知机的数学表达…………………….（24）
1.4.3多层感知机的网络误差…………………….（25）
1.5BP人工神经网络…………………….（25）
1.5.1误差反传训练算法…………………….（26）
1.5.2梯度下降法…………………….（29）
1.5.3BP人工神经网络设计方法…………………….（30）
1.5.4BP人工神经网络的局限性及改进…………………….（31）
本章小结…………………….（34）
实践1编程环境安装…………………….（35）
实践2利用感知机实现Mnist手写数字分类…………………….（35）
习题…………………….（35）
参考文献…………………….（36）
第2章支持向量机…………………….（37）
2.1支持向量机基本思想…………………….（37）
2.1.1从感知机到支持向量机…………………….（37）
2.1.2SVM解决问题思路…………………….（38）
2.1.3SVM的发展过程…………………….（41）
2.2线性硬可分支持向量机…………………….（41）
2.2.1线性可分与分类间隔…………………….（41）
2.2.2几何间隔…………………….（42）
2.2.3硬间隔SVM与间隔最大化…………………….（43）
2.2.4硬间隔SVM的对偶算法…………………….（44）
2.3线性软可分支持向量机…………………….（48）
2.3.1软间隔SVM与软间隔最大化…………………….（48）
2.3.2软间隔SVM的对偶问题…………………….（49）
2.4非线性支持向量机…………………….（50）
2.4.1非线性模型与升维…………………….（50）
2.4.2非线性SVM的对偶问题…………………….（51）
2.4.3核函数…………………….（51）
2.5SMO算法…………………….（53）
2.5.1SMO主要框架…………………….（54）
2.5.2变量的启发式选择…………………….（58）
本章小结…………………….（59）
实践3利用非线性支持向量机实现IRIS鸢尾花数据分类…………………….（59）
习题…………………….（60）
参考文献…………………….（60）
第3章卷积神经网络…………………….（61）
3.1卷积神经网络思想…………………….（61）
3.1.1卷积神经网络解决问题的思路…………………….（61）
3.1.2卷积神经网络的发展概述…………………….（63）
3.2卷积神经网络结构…………………….（64）
3.2.1输入层…………………….（65）
3.2.2卷积层…………………….（66）
3.2.3池化层…………………….（72）
3.2.4全连接层…………………….（73）
3.3典型结构…………………….（75）
3.3.1LeNet…………………….（75）
3.3.2AlexNet…………………….（75）
3.3.3ZFNet…………………….（78）
3.3.4GoogLeNet…………………….（80）
3.3.5ResNet…………………….（83）
本章小结…………………….（85）
实践4利用卷积神经网络实现Mnist手写数字分类…………………….（85）
习题…………………….（85）
参考文献…………………….（86）
第4章循环神经网络…………………….（87）
4.1经典循环神经网络…………………….（87）
4.1.1经典循环神经网络基本结构…………………….（87）
4.1.2几种典型的循环神经网络…………………….（91）
4.1.3RNN前向传播与反向传播…………………….（97）
4.2长短期记忆神经网络…………………….（101）
4.2.1LSTM门控结构…………………….（102）
4.2.2LSTM遗忘门…………………….（104）
4.2.3LSTM输入门…………………….（104）
4.2.4LSTM输出门…………………….（105）
4.2.5LSTM结构的理解…………………….（106）
本章小结…………………….（108）
实践5利用长短时记忆网络实现股票价格预测…………………….（108）
习题…………………….（109）
参考文献…………………….（110）
第5章Transformer模型…………………….（111）
5.1总体思想与框架结构…………………….（111）
5.2输入信息编码方式…………………….（113）
5.2.1词嵌入矩阵的获取…………………….（114）
5.2.2位置嵌入矩阵的获取…………………….（115）
5.3自注意力机制…………………….（116）
5.3.1自注意力机制的基本思想…………………….（116）
5.3.2自注意力机制的计算步骤…………………….（119）
5.4编码器信息编码机制与整体结构…………………….（121）
5.4.1编码器中的多头注意力机制…………………….（121）
5.4.2编码器中的前馈网络层…………………….（122）
5.4.3编码器中的叠加和归一层…………………….（123）
5.4.4编码器结构总览…………………….（123）
5.5解码器信息编码机制与整体结构…………………….（124）
5.5.1解码器的掩码多头注意力层…………………….（126）
5.5.2解码器的多头注意力层…………………….（128）
5.5.3解码器的前馈网络层与叠加和归一层…………………….（130）
5.5.4解码器的线性层和Softmax层…………………….（131）
5.5.5解码器结构总览…………………….（132）
本章小结…………………….（133）
实践6利用Transformer实现电影评论数据情感分析…………………….（133）
习题…………………….（133）
参考文献…………………….（134）
第6章强化学习…………………….（135）
6.1强化学习基本思想…………………….（135）
6.1.1强化学习的拟人思路…………………….（135）
6.1.2强化学习的典型特征…………………….（136）
6.1.3强化学习的发展思路…………………….（137）
6.2强化学习的概念体系…………………….（137）
6.2.1随机变量与期望…………………….（137）
6.2.2智能体-环境交互…………………….（139）
6.2.3动态特性函数…………………….（143）
6.2.4目标与回报…………………….（145）
6.2.5策略和价值函数…………………….（147）
6.2.6最优策略与最优价值函数…………………….（151）
6.3模型强化学习方法…………………….（153）
6.3.1策略评估…………………….（154）
6.3.2策略改进…………………….（158）
6.3.3策略迭代…………………….（159）
6.3.4价值迭代…………………….（160）
6.3.5广义策略迭代…………………….（161）
6.4无模型强化学习方法…………………….（162）
6.4.1蒙特卡洛强化学习方法…………………….（162）
6.4.2时序差分强化学习方法…………………….（171）
6.5强化学习不同方法的关系…………………….（176）
6.5.1模型与无模型强化学习方法的关系…………………….（176）
6.5.2无模型强化学习方法的统一性…………………….（177）
6.5.3各种方法的维度关系…………………….（178）
本章小结…………………….（179）
实践7利用Q-Learning帮助智能体在简单6格环境中达成目标…………………….（180）
习题…………………….（180）
参考文献…………………….（180）
第7章深度强化学习…………………….（182）
7.1深度强化学习基本思想…………………….（182）
7.1.1强化学习面临的问题…………………….（182）
7.1.2强化学习与深度学习结合…………………….（183）
7.2大型状态空间DQN深度强化学习…………………….（183）
7.2.1DQN深度强化学习基本框架…………………….（184）
7.2.2DQN基本框架结构的学习过程…………………….（185）
7.2.3DQN基本框架结构存在的弊端…………………….（186）
7.2.4DQN基本框架的改进方法…………………….（187）
7.2.5改进版DQN的架构…………………….（189）
7.3随机策略深度强化学习…………………….（190）
7.3.1策略学习基本思路…………………….（190）
7.3.2策略学习的目标函数…………………….（191）
7.3.3策略梯度定理…………………….（192）
7.3.4Reinforce方法…………………….（192）
7.3.5Actor-critic方法…………………….（193）
7.3.6带基线的策略学习方法…………………….（195）
7.3.7带基线的Reinforce方法…………………….（196）
7.3.8Advantage
Actor-critic方法…………………….（196）
7.4连续动作空间深度强化学习…………………….（198）
7.4.1深度确定性策略梯度方法…………………….（198）
7.4.2随机高斯策略方法…………………….（202）
7.5深度强化学习各种方法之间的关联…………………….（204）
7.5.1价值评估是4种方法的共同基础…………………….（204）
7.5.2策略梯度的Actor-critic范式…………………….（204）
7.5.3目标网络的通用性…………………….（205）
7.6近端策略优化算法…………………….（205）
7.6.1传统策略梯度训练面临的问题…………………….（205）
7.6.2TRPO算法的贡献…………………….（206）
7.6.3PPO算法对TRPO算法的改进…………………….（207）
7.6.4PPO算法流程…………………….（207）
本章小结…………………….（210）
实践8利用DQN将着陆器成功降落在月球表面…………………….（211）
实践9利用PPO-Clip算法帮助小车平衡杆系统保持稳定…………………….（211）
习题…………………….（212）
参考文献…………………….（212）
评论
还没有评论。