0人評分過此書
人工智慧入門：演算分析×設計習題×章節回顧，不只當「被AI引導的人」，更要成為「掌控AI的人」！未來不遠，跟不上時代腳步，未來一定不會有你！
- 前言
-
第0章 數學與程式設計基礎
-
引言
-
0.1 數學基礎
-
0.1.1 導數
-
0.1.2 機率論基礎
-
0.1.3 矩陣
-
-
0.2 程式設計基礎
-
0.2.1 起步
-
0.2.2 值的類型和算術運算
-
0.2.3 變量、表達式、賦值
-
0.2.4 控制流
-
0.2.5 函數
-
0.2.6 輸入輸出
-
-
練習題
-
程式設計
-
-
第1章 搜尋
-
引言
-
1.1 搜尋問題的定義
-
1.2 搜尋算法基礎
-
1.3 盲目搜尋
-
1.3.1 深度優先搜尋
-
1.3.2 廣度優先搜尋
-
-
1.4 啟發式搜尋
-
1.4.1 貪婪搜尋
-
1.4.2 A*算法
-
-
1.5 對抗搜尋
-
1.5.1 極小極大搜尋
-
1.5.2 Alpha–Beta剪枝搜尋
-
-
本章總結
-
歷史回顧
-
練習題
-
-
第2章 機器學習
-
引言
-
2.1 監督式學習的概念
-
2.2 數據集與損失函數
-
2.3 泛化
-
2.4 過度擬合與低度擬合
-
2.5 創建數據集
-
2.6 無監督與半監督式學習
-
本章總結
-
歷史回顧
-
練習題
-
-
第3章 線性迴歸
-
引言
-
3.1 線性迴歸
-
3.2 優化方法
-
3.3 2分類問題
-
3.4 多分類問題
-
3.5 脊迴歸
-
3.6 Lasso迴歸
-
本章總結
-
練習題
-
-
第4章 決策樹、梯度提升和隨機森林
-
引言
-
4.1 決策樹
-
4.1.1 例子
-
4.1.2 決策樹的定義
-
4.1.3 決策樹的訓練
-
-
4.2 隨機森林
-
4.2.1 隨機森林的算法描述
-
4.2.2 關於隨機性的探討
-
-
4.3 梯度提升
-
4.3.1 梯度提升的概念
-
4.3.2 基於決策樹子模型的梯度提升算法
-
4.3.3 GBDT中的防過度擬合方法
-
4.3.4 GBDT的高效開源實現
-
-
本章總結
-
歷史回顧
-
參考文獻
-
練習題
-
-
第5章 神經網路
-
引言
-
5.1 深度線性網路
-
5.2 非線性神經網路
-
5.3 反向傳播計算導數
-
本章總結
-
歷史回顧
-
練習題
-
-
第6章 電腦視覺
-
引言
-
6.1 什麼是電腦視覺
-
6.2 圖像的形成
-
6.2.1 針孔相機模型
-
6.2.2 數字圖像
-
-
6.3 線性濾波器
-
6.4 邊際檢測
-
6.5 卷積神經網路
-
本章總結
-
歷史回顧
-
參考文獻
-
練習題
-
-
第7章 自然語言處理
-
引言
-
7.1 語言模型
-
7.1.1 什麼是語言模型
-
7.1.2 n–gram模型
-
7.1.3 n–gram的計算
-
7.1.4 模型評估與困惑度
-
7.1.5 實用技巧
-
7.1.6 實例
-
7.1.7 語言模型的應用
-
-
7.2 字模型與詞模型
-
7.2.1 字模型與詞模型的比較
-
7.2.2 中文分詞
-
7.2.3 中文與英文的差別
-
-
7.3 向量語義
-
7.3.1 語義
-
7.3.2 詞向量
-
7.3.3 word2vec
-
7.3.4 可視化示例
-
-
7.4 基於神經網路的自然語言處理
-
7.4.1 基於神經網路的bigram模型
-
7.4.2 訓練神經網路
-
7.4.3 基於神經網路的n–gram模型
-
-
本章總結
-
歷史回顧
-
練習題
-
-
第8章 馬可夫決策過程與強化學習
-
引言
-
8.1 馬可夫鏈
-
8.1.1 例子
-
8.1.2 馬可夫鏈定義
-
-
8.2 馬可夫決策過程
-
8.2.1 確定性路線規劃
-
8.2.2 不確定性路線規劃
-
-
8.3 強化學習
-
8.3.1 Q–learning
-
8.3.2 深度強化學習
-
-
本章總結
-
歷史回顧
-
參考文獻
-
練習題
-
-
附錄A 數學基礎
-
A.1 導數
-
A.2 機率
-
A.3 矩陣
-
-
附錄B 程式設計基礎
-
B.1 整數類型的運算
-
B.2 變量命名規則
-
B.3 關係表達式和邏輯表達式
-
B.4 函數調用中的傳值和傳引用
-
B.5 複雜類型
-
B.6 一些技巧
-
B.7 程式設計風格
-
- 版權頁
- 出版地 ： 臺灣
- 語言 ： 繁體中文
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
EPUB
EPUB
