书籍详情
人工智能（大学版）
作者：杨清平
出版社：北京航空航天大学出版社
出版时间：2022-09-01
ISBN：9787512438026
定价：¥79.00
购买这本书可以去
内容简介
本书由人工智能的数学基础、编程基础、基础理论和典型算法以及经典案例共4个部分组成。根据目标读者的数学基础安排全书的内容，使读者不仅能够比较系统地学习人工智能的基本技术和经典算法，而且能够在人工智能的技术中学习如何运用数学知识解决实际问题。本书适合对人工智能感兴趣的读者阅读。
作者简介
暂缺《人工智能（大学版）》作者简介
目录
第1部分 认识数学
第1章 微积分基础
1.1 导数
1.2 偏导数
第2章 线性代数
2.1 对线性代数的基本认识
2.2 向量
2.2.1 数轴
2.2.2 向量的定义及其几何意义
2.2.3 向量的运算及其几何意义
2.2.4 向量的内积、长度、夹角
2.3 向量组
2.3.1 向量组的线性相关性
2.3.2 向量组的秩(也就是矩阵的秩)
2.4 线性空间
2.4.1 线性空间的定义
2.4.2 线性空间的基、维数与坐标
2.4.3 线性空间的几何意义
2.4.4 正交向量组
2.4.5 规范正交基
2.4.6 线性变换
2.5 矩阵的基本运算
2.5.1 矩阵的加法和减法
2.5.2 矩阵的数乘
2.5.3 矩阵的点乘
2.5.4 矩阵的转置
2.5.5 矩阵的逆
第3章 概率论
3.1 什么是概率
3.2 概率的性质
3.3 条件概率
3.4 全概率公式
3.5 贝叶斯公式
3.6 概率的计算
3.6.1 第一类方法：求频率
3.6.2 第二类方法：古典概型的概率值的计算
3.6.3 第三类方法：利用概率的性质以及条件概率、全概率公式、贝叶斯公式
3.6.4 第四类方法：其他方法
第4章 优化理论
4.1 最小二乘法
4.2 梯度下降算法
4.3 拉格朗日乘数法
4.4 极大似然估计
4.4.1 似然和概率
4.4.2 极大似然估计，似然函数
4.4.3 极大似然估计量的计算
4.4.4 例子
第2部分 人工智能的编程基础
第5章 Anaconda环境的安装和Python开发环境
5.1 Anaconda环境的安装
5.2 命令行开发环境的使用
5.3 图形化开发环境spyder的使用
5.4 学习编程语言的基本路径
第6章 关键字、标识符、数据和变量
6.1 关键字
6.2 标识符
6.3 数据和变量
11.2 字典的定义
11.3 字典的基本操作
第12章 模块、包和模块的导入
第13章 矩阵运算——Numpy
第14章 数据的图形化显示——Matplotlib
第3部分 人工智能的基础理论和经典算法
第15章 人工智能技术概述
15.1 人工智能的基本概念
15.2 人工智能的发展历程
15.2.1 人工智能的诞生
15.2.2 人工智能的第一次高峰
15.2.3 人工智能第一次低谷
15.2.4 人工智能的崛起
15.2.5 人工智能再次崛起
15.3 人工智能的应用场景
15.3.1 人脸识别
15.3.2 语音技术
15.3.3 机器会思考吗
15.3.4 审美和创造
15.3.5 思想的巨人，行动的矮子
15.3.6 无人驾驶汽车
15.3.7 人工智能在各个行业的应用
15.4 人工智能与机器学习的基本概念和方法
15.5 数据集的表示方法
15.6 数据的特征归一化
15.7 回归的概念和研究方法
15.8 分类问题和分类器
15.9 损失函数和梯度下降
第16章 线性回归算法
16.1 线性回归算法
16.2 非线性问题的求解，过拟合和正则化
16.2.1 非线性问题的求解
第4部分 人工智能的典型案例
第28章 计算机视觉
28.1 围棋子的识别
28.2 几何形状的识别与测量
28.3 人脸检测
第29章 语音识别
29.1 语音识别技术介绍
29.2 使用Speech Recognition进行语音识别
第30章 自然语言处理
30.1 识别性别
30.2 文本情感分析
第31章 深度学习框架——TensorFlow
31.1 TensorFlow简介
31.2 TensorFlow的安装
31.3 TensorFlow的基本概念
31.3.1 数据流图
31.3.2 TensorFlow 2.0的架构
31.3.3 TensorFlow-keras
31.4 用TensorFlow实现分类模型
第32章 卷积神经网络之图像分类
第33章 循环神经网络之文本分类
参考文献
第1章 微积分基础
1.1 导数
1.2 偏导数
第2章 线性代数
2.1 对线性代数的基本认识
2.2 向量
2.2.1 数轴
2.2.2 向量的定义及其几何意义
2.2.3 向量的运算及其几何意义
2.2.4 向量的内积、长度、夹角
2.3 向量组
2.3.1 向量组的线性相关性
2.3.2 向量组的秩(也就是矩阵的秩)
2.4 线性空间
2.4.1 线性空间的定义
2.4.2 线性空间的基、维数与坐标
2.4.3 线性空间的几何意义
2.4.4 正交向量组
2.4.5 规范正交基
2.4.6 线性变换
2.5 矩阵的基本运算
2.5.1 矩阵的加法和减法
2.5.2 矩阵的数乘
2.5.3 矩阵的点乘
2.5.4 矩阵的转置
2.5.5 矩阵的逆
第3章 概率论
3.1 什么是概率
3.2 概率的性质
3.3 条件概率
3.4 全概率公式
3.5 贝叶斯公式
3.6 概率的计算
3.6.1 第一类方法：求频率
3.6.2 第二类方法：古典概型的概率值的计算
3.6.3 第三类方法：利用概率的性质以及条件概率、全概率公式、贝叶斯公式
3.6.4 第四类方法：其他方法
第4章 优化理论
4.1 最小二乘法
4.2 梯度下降算法
4.3 拉格朗日乘数法
4.4 极大似然估计
4.4.1 似然和概率
4.4.2 极大似然估计，似然函数
4.4.3 极大似然估计量的计算
4.4.4 例子
第2部分 人工智能的编程基础
第5章 Anaconda环境的安装和Python开发环境
5.1 Anaconda环境的安装
5.2 命令行开发环境的使用
5.3 图形化开发环境spyder的使用
5.4 学习编程语言的基本路径
第6章 关键字、标识符、数据和变量
6.1 关键字
6.2 标识符
6.3 数据和变量
11.2 字典的定义
11.3 字典的基本操作
第12章 模块、包和模块的导入
第13章 矩阵运算——Numpy
第14章 数据的图形化显示——Matplotlib
第3部分 人工智能的基础理论和经典算法
第15章 人工智能技术概述
15.1 人工智能的基本概念
15.2 人工智能的发展历程
15.2.1 人工智能的诞生
15.2.2 人工智能的第一次高峰
15.2.3 人工智能第一次低谷
15.2.4 人工智能的崛起
15.2.5 人工智能再次崛起
15.3 人工智能的应用场景
15.3.1 人脸识别
15.3.2 语音技术
15.3.3 机器会思考吗
15.3.4 审美和创造
15.3.5 思想的巨人，行动的矮子
15.3.6 无人驾驶汽车
15.3.7 人工智能在各个行业的应用
15.4 人工智能与机器学习的基本概念和方法
15.5 数据集的表示方法
15.6 数据的特征归一化
15.7 回归的概念和研究方法
15.8 分类问题和分类器
15.9 损失函数和梯度下降
第16章 线性回归算法
16.1 线性回归算法
16.2 非线性问题的求解，过拟合和正则化
16.2.1 非线性问题的求解
第4部分 人工智能的典型案例
第28章 计算机视觉
28.1 围棋子的识别
28.2 几何形状的识别与测量
28.3 人脸检测
第29章 语音识别
29.1 语音识别技术介绍
29.2 使用Speech Recognition进行语音识别
第30章 自然语言处理
30.1 识别性别
30.2 文本情感分析
第31章 深度学习框架——TensorFlow
31.1 TensorFlow简介
31.2 TensorFlow的安装
31.3 TensorFlow的基本概念
31.3.1 数据流图
31.3.2 TensorFlow 2.0的架构
31.3.3 TensorFlow-keras
31.4 用TensorFlow实现分类模型
第32章 卷积神经网络之图像分类
第33章 循环神经网络之文本分类
参考文献
猜您喜欢
