书籍详情
人工智能算法及其在土壤重金属残留物检测中的运用研究
作者：张聪，刘宇 著
出版社：中国水利水电出版社
出版时间：2021-02-01
ISBN：9787517094371
定价：¥85.00
购买这本书可以去
内容简介
《人工智能算法及其在土壤重金属残留物检测中的运用研究》是人工智能技术在土壤重金属残留物检测方面的专业研究书籍。通过此书，读者能够了解和掌握人工智能技术的基础知识，并能了解人工智能技术在土壤重金属残留物检测中的算法和应用。该书概念讲解清晰、系统性强，是作者多年来从事土壤重金属残留物检测工作并指导研究生开展研究的经验总结，具有较强的实用性，可供高等院校相关专业的高年级本科生、研究生和工程技术人员阅读。
作者简介
暂缺《人工智能算法及其在土壤重金属残留物检测中的运用研究》作者简介
目录
理论篇
第1章 机器学习算法
1．1 机器学习算法概述
1．2 决策树算法
1．2．1 决策树特征选择
1．2．2 决策树生成
1．2．3 决策树剪枝
1．3 聚类算法
1．3．1 相似度矩阵和邻接矩阵
1．3．2 拉普拉斯矩阵
1．3．3 谱聚类中切图方法
1．4 链接分析算法
1．4．1 PageRank算法
1．4．2 HITS算法
1．5 概率密度估计算法
1．5．1 直方图密度估计
1．5．2 核密度估计
1．5．3 K近邻估计法
1．5．4 典型参数估计方法
1．6 EM算法
1．6．1 EM算法理论
1．6．2 高斯混合模型
1．7 概率图模型
1．7．1 贝叶斯网络
1．7．2 马尔科夫网络
1．8 贝叶斯深度学习
1．8．1 前向传播
1．8．2 反向传播
1．9 MCMC
1．9．1 接收-拒绝采样
1．9．2 重要性采样
1．9．3 MCMC
参考文献
第2章 集成学习算法
2．1 集成学习概述
2．2 随机森林算法（RF）
2．3 Boosting算法
2．3．1 加法模型
2．3．2 前向分布算法
2．4 AdaBoost算法
2．5 梯度提升算法（GBDT）
2．5．1 梯度下降提升（Gradient Boosting）
2．5．2 GBDT
2．6 XGBoost算法
2．6．1 XGBoost原理
2．6．2 XGBoost工程实现
2．7 Light GBM算法
2．7．1 Light GBM原理
2．7．2 Light GBM工程实现
2．8 CatBoost算法
2．8．1 CatBoost算法原理
2．8．2 CatBoost高效实现
2．9 NGBoost算法
2．9．1 自然梯度
2．9．2 NGBoost
2．10 本章小结
参考文献
第3章 图神经网络
3．1 图神经网络概述
3．2 GCN算法
3．2．1 理论基础
3．2．2 图卷积神经网络
3．3 图注意力网络（GAT）
3．3．1 Attention理解
3．3．2 Attention权重求取
3．3．3 图注意力网络
3．4 变分图自编码器（VGAE）
3．5 GGN图生成网络
3．6 GSTN图时空网络
3．7 DeepWalk和Node2vec算法
3．7．1 理论基础
3．7．2 DeepWalk
3．7．3 Node2vec
3．8 GraphSage算法
3．9 本章小结
参考文献
第4章 深度生成模型
4．1 深度生成模型概述
4．2 自编码器（AE）
4．3 变分自编码器及相关变体
4．3．1 变分自编码器
4．3．2 条件变分自编码器CVAE
4．4 PixelRNN-CNN
4．5 生成式对抗模型（GAN）
4．5．1 经典GAN模型
4．5．2 条件GAN
4．6 GAN变种模型
4．6．1 WGAN算法
4．6．2 InfoGAN算法
4．6．3 VAE-GAN算法
4．7 Flow模型
4．7．1 数学理论基础
4．7．2 Flow模型
4．8 本章小结
参考文献
第5章 自动机器学习
5．1 AutoML概述
5．2 特征工程
5．2．1 特征清洗
5．2．2 单特征处理
5．2．3 多特征处理
5．3 NAS
5．3．1 搜索空间
5．3．2 搜索策略
5．3．3 性能评估
5．4 Meta Learning
5．4．1 Few-shot Learing
5．4．2 MAML
5．4．3 Reptile
5．5 迁移学习
5．5．1 传统的非深度迁移
5．5．2 深度网络的finetune
5．5．3 深度网络自适应
5．5．4 深度对抗网络的迁移
5．6 超参数调优
5．6．1 贝叶斯优化
5．6．2 网格搜索
5．6．3 随机搜索
5．7 自动模型集成
5．8 本章小结
参考文献
第6章 知识图谱
6．1 知识图谱概述
6．2 知识表示
6．2．1 RDF和RDFS
6．2．2 OWL
6．2．3 向量表示
6．3 知识存储
6．3．1 Neo4j
6．3．2 Jena框架
6．4 知识抽取
6．4．1 结构化数据知识抽取
6．4．2 半结构化数据知识抽取
6．4．3 非结构化数据知识抽取
6．5 知识融合
6．5．1 本体层融合
6．5．2 实体对齐
6．5．3 实体链接
6．6 知识推理
6．6．1 基于逻辑的推理
6．6．2 基于规则的推理
6．6．3 基于表示学习的推理
6．6．4 基于路径排序的推理
6．7 本章小结
参考文献
运用篇
第7章 基于贝叶斯优化-集成学习的重金属污染风险智能评价方法研究
7．1 研究概述
7．2 风险评价与数据特征工程
7．2．1 污染等级评价
7．2．2 数据相关处理
7．3 模型构建与实验分析
7．3．1 基于贝叶斯优化的超参数搜索
7．3．2 集成学习
7．4 本章小结
参考文献
第8章 基于GNNs的农田重金属研究区采样点聚类方法研究
8．1 研究概述
8．2 图结构数据生成
8．3 基于GNNs的采样点聚类方法建模
8．4 实验结果
8．5 本章小结
参考文献
第9章 基于深度强化学习的变异函数模型参数估算研究
9．1 研究概述
9．2 变异函数
9．3 基于深度强化学习的变异函数模型参数估算研究
9．3．1 DECGA遗传算法
9．3．2 基于DQN的DECGA超参数进化策略
9．4 实验结果
9．4．1 变异函数单一模型参数估计
9．4．2 变异函数套合模型参数估计
9．5 本章小结
参考文献
第10章 基于知识图谱的农田重金属知识问答
10．1 背景与意义
10．2 知识图谱构建
10．2．1 数据处理
10．2．2 本体层设计
10．2．3 实体构建与存储
10．3 知识图谱的重金属知识问答
10．3．1 问句理解
10．3．2 答案推理
10．4 本章小结
参考文献
附录A 农田重金属
附录B 数学基础
附录C 学习资源
第1章 机器学习算法
1．1 机器学习算法概述
1．2 决策树算法
1．2．1 决策树特征选择
1．2．2 决策树生成
1．2．3 决策树剪枝
1．3 聚类算法
1．3．1 相似度矩阵和邻接矩阵
1．3．2 拉普拉斯矩阵
1．3．3 谱聚类中切图方法
1．4 链接分析算法
1．4．1 PageRank算法
1．4．2 HITS算法
1．5 概率密度估计算法
1．5．1 直方图密度估计
1．5．2 核密度估计
1．5．3 K近邻估计法
1．5．4 典型参数估计方法
1．6 EM算法
1．6．1 EM算法理论
1．6．2 高斯混合模型
1．7 概率图模型
1．7．1 贝叶斯网络
1．7．2 马尔科夫网络
1．8 贝叶斯深度学习
1．8．1 前向传播
1．8．2 反向传播
1．9 MCMC
1．9．1 接收-拒绝采样
1．9．2 重要性采样
1．9．3 MCMC
参考文献
第2章 集成学习算法
2．1 集成学习概述
2．2 随机森林算法（RF）
2．3 Boosting算法
2．3．1 加法模型
2．3．2 前向分布算法
2．4 AdaBoost算法
2．5 梯度提升算法（GBDT）
2．5．1 梯度下降提升（Gradient Boosting）
2．5．2 GBDT
2．6 XGBoost算法
2．6．1 XGBoost原理
2．6．2 XGBoost工程实现
2．7 Light GBM算法
2．7．1 Light GBM原理
2．7．2 Light GBM工程实现
2．8 CatBoost算法
2．8．1 CatBoost算法原理
2．8．2 CatBoost高效实现
2．9 NGBoost算法
2．9．1 自然梯度
2．9．2 NGBoost
2．10 本章小结
参考文献
第3章 图神经网络
3．1 图神经网络概述
3．2 GCN算法
3．2．1 理论基础
3．2．2 图卷积神经网络
3．3 图注意力网络（GAT）
3．3．1 Attention理解
3．3．2 Attention权重求取
3．3．3 图注意力网络
3．4 变分图自编码器（VGAE）
3．5 GGN图生成网络
3．6 GSTN图时空网络
3．7 DeepWalk和Node2vec算法
3．7．1 理论基础
3．7．2 DeepWalk
3．7．3 Node2vec
3．8 GraphSage算法
3．9 本章小结
参考文献
第4章 深度生成模型
4．1 深度生成模型概述
4．2 自编码器（AE）
4．3 变分自编码器及相关变体
4．3．1 变分自编码器
4．3．2 条件变分自编码器CVAE
4．4 PixelRNN-CNN
4．5 生成式对抗模型（GAN）
4．5．1 经典GAN模型
4．5．2 条件GAN
4．6 GAN变种模型
4．6．1 WGAN算法
4．6．2 InfoGAN算法
4．6．3 VAE-GAN算法
4．7 Flow模型
4．7．1 数学理论基础
4．7．2 Flow模型
4．8 本章小结
参考文献
第5章 自动机器学习
5．1 AutoML概述
5．2 特征工程
5．2．1 特征清洗
5．2．2 单特征处理
5．2．3 多特征处理
5．3 NAS
5．3．1 搜索空间
5．3．2 搜索策略
5．3．3 性能评估
5．4 Meta Learning
5．4．1 Few-shot Learing
5．4．2 MAML
5．4．3 Reptile
5．5 迁移学习
5．5．1 传统的非深度迁移
5．5．2 深度网络的finetune
5．5．3 深度网络自适应
5．5．4 深度对抗网络的迁移
5．6 超参数调优
5．6．1 贝叶斯优化
5．6．2 网格搜索
5．6．3 随机搜索
5．7 自动模型集成
5．8 本章小结
参考文献
第6章 知识图谱
6．1 知识图谱概述
6．2 知识表示
6．2．1 RDF和RDFS
6．2．2 OWL
6．2．3 向量表示
6．3 知识存储
6．3．1 Neo4j
6．3．2 Jena框架
6．4 知识抽取
6．4．1 结构化数据知识抽取
6．4．2 半结构化数据知识抽取
6．4．3 非结构化数据知识抽取
6．5 知识融合
6．5．1 本体层融合
6．5．2 实体对齐
6．5．3 实体链接
6．6 知识推理
6．6．1 基于逻辑的推理
6．6．2 基于规则的推理
6．6．3 基于表示学习的推理
6．6．4 基于路径排序的推理
6．7 本章小结
参考文献
运用篇
第7章 基于贝叶斯优化-集成学习的重金属污染风险智能评价方法研究
7．1 研究概述
7．2 风险评价与数据特征工程
7．2．1 污染等级评价
7．2．2 数据相关处理
7．3 模型构建与实验分析
7．3．1 基于贝叶斯优化的超参数搜索
7．3．2 集成学习
7．4 本章小结
参考文献
第8章 基于GNNs的农田重金属研究区采样点聚类方法研究
8．1 研究概述
8．2 图结构数据生成
8．3 基于GNNs的采样点聚类方法建模
8．4 实验结果
8．5 本章小结
参考文献
第9章 基于深度强化学习的变异函数模型参数估算研究
9．1 研究概述
9．2 变异函数
9．3 基于深度强化学习的变异函数模型参数估算研究
9．3．1 DECGA遗传算法
9．3．2 基于DQN的DECGA超参数进化策略
9．4 实验结果
9．4．1 变异函数单一模型参数估计
9．4．2 变异函数套合模型参数估计
9．5 本章小结
参考文献
第10章 基于知识图谱的农田重金属知识问答
10．1 背景与意义
10．2 知识图谱构建
10．2．1 数据处理
10．2．2 本体层设计
10．2．3 实体构建与存储
10．3 知识图谱的重金属知识问答
10．3．1 问句理解
10．3．2 答案推理
10．4 本章小结
参考文献
附录A 农田重金属
附录B 数学基础
附录C 学习资源
猜您喜欢
