定 價：￥217.90
| 作 者： | （美）,杰弗瑞·希頓 |
| 出版社： | 人民郵電出版社 |
| 叢編項： | |
| 標 簽： | 暫缺 |
| ISBN： | 9787115005786 | 出版時間： | 2021-04-01 | 包裝： | |
| 開本： | 16開 | 頁數(shù)： | 598 | 字數(shù)： |
《人工智能算法 卷1 基礎(chǔ)算法》
第 1 章 AI 入門 1
1.1 與人類大腦的聯(lián)系 2
1.2 對問題建模 6
1.3 對輸入/ 輸出建模 11
1.4 理解訓練過程 21
1.5 本章小結(jié) 23
第 2 章 數(shù)據(jù)歸一化 25
2.1 計量尺度 25
2.2 觀測值歸一化 29
2.3 其他歸一化方法 38
2.4 本章小結(jié) 45
第3 章 距離度量 47
3.1 理解向量 47
3.2 計算向量距離 49
3.3 光學字符識別 54
3.4 本章小結(jié) 57
第4 章 隨機數(shù)生成 59
4.1 偽隨機數(shù)生成算法的概念 60
4.2 隨機數(shù)分布類型 61
4.3 輪盤模擬法 64
4.4 偽隨機數(shù)生成算法 65
4.5 用蒙特卡洛方法估算PI 值 72
4.6 本章小結(jié) 74
第5 章 K 均值聚類算法 75
5.1 理解訓練集 77
5.2 理解K 均值算法 80
5.3 K 均值算法的初始化 84
5.4 本章小結(jié) 90
第6 章 誤差計算 91
6.1 方差和誤差 92
6.2 均方根誤差 93
6.3 均方誤差 93
6.4 誤差計算方法的比較 94
6.5 本章小結(jié) 96
第7 章 邁向機器學習 97
7.1 多項式系數(shù) 99
7.2 訓練入門 101
7.3 徑向基函數(shù)網(wǎng)絡(luò) 103
7.4 本章小結(jié) 115
第8 章 優(yōu)化訓練 117
8.1 爬山算法 117
8.2 模擬退火算法 121
8.3 Nelder-Mead 算法 128
8.4 Nelder-Mead 算法的終止條件 133
8.5 本章小結(jié) 134
第9 章 離散優(yōu)化 135
9.1 旅行商問題 135
9.2 環(huán)形旅行商問題 138
9.3 背包問題 139
9.4 本章小結(jié) 143
第 10 章 線性回歸 144
10.1 線性回歸 144
10.2 廣義線性模型 152
10.3 本章小結(jié) 155
附錄A 示例代碼使用說明 157
A.1 “讀懂人工智能”系列書簡介 157
A.2 保持更新 157
A.3 獲取示例代碼 158
A.4 示例代碼的內(nèi)容 159
A.5 如何為項目做貢獻 163
參考資料 164
《人工智能算法 卷2 受大自然啟發(fā)的算法》
第 1 章 種群、計分和選擇 1
1.1 理解種群 2
1.2 對種群計分 6
1.3 從種群中選擇 7
1.4 截斷選擇 8
1.5 聯(lián)賽選擇 9
1.6 如何選擇輪數(shù) 12
1.7 適應(yīng)度比例選擇 13
1.8 隨機遍歷抽樣 15
1.9 本章小結(jié) 18
第 2 章 交叉和突變 20
2.1 演化算法 21
2.2 解編碼 22
2.3 交叉 23
2.4 突變 28
2.5 為什么需要精英 33
2.6 本章小結(jié) 34
第 3 章 遺傳算法 35
3.1 離散問題的遺傳算法 35
3.2 連續(xù)問題的遺傳算法 42
3.3 遺傳算法的其他應(yīng)用 45
3.4 本章小結(jié) 49
第 4 章 遺傳編程 50
4.1 程序作為樹 50
4.2 樹突變 67
4.3 樹交叉 68
4.4 擬合公式 70
4.5 本章小結(jié) 73
第 5 章 物種形成 75
5.1 物種形成實現(xiàn) 76
5.2 遺傳算法中的物種 79
5.3 遺傳編程中的物種 79
5.4 使用物種形成 80
5.5 本章小結(jié) 81
第 6 章 粒子群優(yōu)化 83
6.1 群聚 83
6.2 粒子群優(yōu)化 86
6.3 本章小結(jié) 91
第 7 章 蟻群優(yōu)化 93
7.1 離散蟻群優(yōu)化 95
7.2 連續(xù)蟻群優(yōu)化 103
7.3 本章小結(jié) 110
第 8 章 細胞自動機 111
8.1 基本細胞自動機 112
8.2 康威的《生命游戲》 116
8.3 演化自己的細胞自動機 121
理解合并物理學 125
8.4 本章小結(jié) 129
第 9 章 人工生命 130
9.1 里程碑 1：繪制植物 131
9.2 里程碑 2：創(chuàng)建植物生長動畫 134
9.3 里程碑 3：演化植物 140
給植物計分 141
9.4 本章小結(jié) 142
第 10 章 建?！?44
10.1 Kaggle 競賽 145
10.2 里程碑 1：整理數(shù)據(jù) 148
10.3 里程碑 2：建立模型 152
10.4 里程碑 3：提交測試回復(fù) 156
10.5 本章小結(jié) 157
附錄 A 示例代碼使用說明 159
參考資料 166
《人工智能算法 卷3 深度學習和神經(jīng)網(wǎng)絡(luò)（全彩印刷）》
第 1 章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 1
1.1 神經(jīng)元和層 2
1.2 神經(jīng)元的類型 5
1.3 激活函數(shù) 10
1.4 修正線性單元（ReLU）13
1.5 神經(jīng)網(wǎng)絡(luò)邏輯 19
1.6 本章小結(jié) 22
第 2 章 自組織映射 23
2.1 自組織映射 24
2.2 本章小結(jié) 33
第 3 章 Hopfield 網(wǎng)絡(luò)和玻爾茲曼機34
3.1 Hopfield 神經(jīng)網(wǎng)絡(luò) 34
3.2 Hopfield-Tank 網(wǎng)絡(luò) 41
3.3 玻爾茲曼機 42
3.4 應(yīng)用玻爾茲曼機 45
3.5 本章小結(jié) 51
第 4 章 前饋神經(jīng)網(wǎng)絡(luò) 53
4.1 前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 54
4.2 計算輸出 56
4.3 初始化權(quán)重 60
4.4 徑向基函數(shù)網(wǎng)絡(luò) 63
4.5 規(guī)范化數(shù)據(jù) 67
4.6 本章小結(jié) 75
第 5 章 訓練與評估 77
5.1 評估分類 78
5.2 評估回歸 88
5.3 模擬退火訓練 89
5.4 本章小結(jié) 92
第 6 章 反向傳播訓練 93
6.1 理解梯度 93
6.2 計算輸出節(jié)點增量 98
6.3 計算剩余節(jié)點增量 99
6.4 激活函數(shù)的導(dǎo)數(shù) 100
6.5 應(yīng)用反向傳播 103
6.6 本章小結(jié) 108
第 7 章 其他傳播訓練 110
7.1 彈性傳播 110
7.2 RPROP 參數(shù) 111
7.3 數(shù)據(jù)結(jié)構(gòu) 113
7.4 理解 RPROP 114
7.5 Levenberg-Marquardt 算法 116
7.6 Hessian 矩陣的計算 119
7.7 具有多個輸出的 LMA 120
7.8 LMA 過程概述 122
7.9 本章小結(jié) 122
第 8 章 NEAT，CPPN 和 HyperNEAT 124
8.1 NEAT 網(wǎng)絡(luò) 125
8.2 CPPN 網(wǎng)絡(luò) 134
8.3 HyperNEAT 網(wǎng)絡(luò) 138
8.4 本章小結(jié) 142
第 9 章 深度學習 143
9.1 深度學習組件 143
9.2 部分標記的數(shù)據(jù) 144
9.3 修正線性單元 145
9.4 卷積神經(jīng)網(wǎng)絡(luò) 145
9.5 神經(jīng)元 Dropout 146
9.6 GPU 訓練 147
9.7 深度學習工具 149
9.8 深度信念神經(jīng)網(wǎng)絡(luò) 152
9.9 本章小結(jié) 164
第 10 章 卷積神經(jīng)網(wǎng)絡(luò) 165
10.1 LeNET-5 166
10.2 卷積層 168
10.3 最大池層 170
10.4 稠密層 172
10.5 針對 MNIST 數(shù)據(jù)集的 ConvNets 172
10.6 本章小結(jié) 174
第 11 章 剪枝和模型選擇 175
11.1 理解剪枝 176
11.2 剪枝算法 177
11.3 模型選擇 179
11.4 本章小結(jié) 185
第 12 章 Dropout 和正則化 186
12.1 L1 和 L2 正則化 187
12.2 Dropout 層 190
12.3 使用 Dropout 194
12.4 本章小結(jié) 195
第 13 章 時間序列和循環(huán)網(wǎng)絡(luò) 197
13.1 時間序列編碼 198
13.2 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) 204
13.3 本章小結(jié) 213
第 14 章 架構(gòu)神經(jīng)網(wǎng)絡(luò) 214
14.1 評估神經(jīng)網(wǎng)絡(luò) 215
14.2 訓練參數(shù) 215
14.3 常規(guī)超參數(shù) 220
14.4 LeNet-5 超參數(shù) 223
14.5 本章小結(jié) 224
第 15 章 可視化 226
15.1 混淆矩陣 227
15.2 t-SNE 降維 229
15.3 本章小結(jié) 236
第 16 章 用神經(jīng)網(wǎng)絡(luò)建?！?37
16.0.1 挑戰(zhàn)賽的經(jīng)驗 241
16.0.2 挑戰(zhàn)賽取勝的方法 242
16.0.3 我們在挑戰(zhàn)賽中的方法 244
16.1 用深度學習建?！?45
16.2 本章小結(jié) 250
附錄 A 示例代碼使用說明 252
A.1 系列圖書簡介 252
A.2 保持更新 252
A.3 獲取示例代碼 253
A.3.1 下載壓縮文件 253
A.3.2 克隆 Git 倉庫 254
A.4 示例代碼的內(nèi)容 255
A.5 如何為項目做貢獻 257
參考資料 259
鄂公網(wǎng)安備 42010302001612號 