0人評分過此書
本书主编为图灵奖得主姚期智院士；编委均为交叉信息研究院教师，具有多年的姚班智班授课与教育教学经验，且均为人工智能相关领域前沿专家；本书内容的选取建立在对大学人工智能教育知识体系的完整梳理，确保与后续的高等教育中人工智能的学习无缝连接；本书每章均配备习题与编程练习，让同学们在练习中加深对知识点、算法与原理的理解。
- 封面页
- 书名页
- 版权页
- 内容简介
- 《人工智能（高中版）》编委会
- 前言
- 目录
-
第0章 数学与编程基础
-
引言
-
0.1 数学基础
-
0.1.1 导数
-
0.1.2 概率论基础
-
0.1.3 矩阵
-
-
0.2 编程基础
-
0.2.1 起步
-
0.2.2 值的类型和算术运算
-
0.2.3 变量、表达式、赋值
-
0.2.4 控制流
-
0.2.5 函数
-
0.2.6 输入输出
-
-
练习题
-
编 程
-
-
第1章 搜索
-
引言
-
1.1 搜索问题的定义
-
1.2 搜索算法基础
-
1.3 盲目搜索
-
1.3.1 深度优先搜索
-
1.3.2 宽度优先搜索
-
-
1.4 启发式搜索
-
1.4.1 贪婪搜索
-
1.4.2 A算法
-
-
1.5 对抗搜索
-
1.5.1 极小极大搜索
-
1.5.2 Alpha-Beta剪枝搜索
-
-
本章总结
-
历史回顾
-
练习题
-
-
第2章 机器学习
-
引言
-
2.1 监督学习的概念
-
2.2 数据集与损失函数
-
2.3 泛化
-
2.4 过拟合与欠拟合
-
2.5 创建数据集
-
2.6 无监督与半监督学习
-
本章总结
-
历史回顾
-
练习题
-
-
第3章 线性回归
-
引言
-
3.1 线性回归
-
3.2 优化方法
-
3.3 二分类问题
-
3.4 多分类问题
-
3.5 岭回归
-
3.6 套索回归
-
本章总结
-
练习题
-
-
第4章 决策树、梯度提升和随机森林
-
引言
-
4.1 决策树
-
4.1.1 例子
-
4.1.2 决策树的定义
-
4.1.3 决策树的训练
-
-
4.2 随机森林
-
4.2.1 随机森林的算法描述
-
4.2.2 关于随机性的探讨
-
-
4.3 梯度提升
-
4.3.1 梯度提升的概念
-
4.3.2 基于决策树子模型的梯度提升算法
-
4.3.3 GBDT中的防过拟合方法
-
4.3.4 GBDT的高效开源实现
-
-
本章总结
-
历史回顾
-
参考文献
-
练习题
-
-
第5章 神经网络
-
引言
-
5.1 深度线性网络
-
5.2 非线性神经网络
-
5.3 反向传播计算导数
-
本章总结
-
历史回顾
-
练习题
-
-
第6章 计算机视觉
-
引言
-
6.1 什么是计算机视觉
-
6.2 图像的形成
-
6.2.1 小孔相机模型
-
6.2.2 数字图像
-
-
6.3 线性滤波器
-
6.4 边缘检测
-
6.5 卷积神经网络
-
本章总结
-
历史回顾
-
参考文献
-
练习题
-
-
第7章 自然语言处理
-
引言
-
7.1 语言模型
-
7.1.1 什么是语言模型
-
7.1.2 n-gram模型
-
7.1.3 n-gram的计算
-
7.1.4 模型评估与困惑度
-
7.1.5 实用技巧
-
7.1.6 实例
-
7.1.7 语言模型的应用
-
-
7.2 字模型与词模型
-
7.2.1 字模型与词模型的比较
-
7.2.2 中文分词
-
7.2.3 中文与英文的差别
-
-
7.3 向量语义
-
7.3.1 语义
-
7.3.2 词向量
-
7.3.3 word2vec
-
7.3.4 可视化示例
-
-
7.4 基于神经网络的自然语言处理
-
7.4.1 基于神经网络的bigram模型
-
7.4.2 训练神经网络
-
7.4.3 基于神经网络的n-gram模型
-
-
本章总结
-
历史回顾
-
练习题
-
-
第8章 马尔可夫决策过程与强化学习
-
引言
-
8.1 马尔可夫链
-
8.1.1 例子
-
8.1.2 马尔可夫链定义
-
-
8.2 马尔可夫决策过程
-
8.2.1 确定性路线规划
-
8.2.2 不确定性路线规划
-
-
8.3 强化学习
-
8.3.1 Q-learning
-
8.3.2 深度强化学习
-
-
本章总结
-
历史回顾
-
参考文献
-
练习题
-
-
附录A 数学基础
-
A.1 导数
-
A.2 概率
-
A.3 矩阵
-
-
附录B 编程基础
-
B.1 整数类型的运算
-
B.2 变量命名规则
-
B.3 关系表达式和逻辑表达式
-
B.4 函数调用中的传值和传引用
-
B.5 复杂类型
-
B.6 一些技巧
-
B.7 编程风格
-
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
EPUB
EPUB
