书籍详情
人工智能理论与实践
作者：刘树林，张宏利 主编
出版社：中国石化出版社有限公司
出版时间：2025-04-01
ISBN：9787511478009
定价：¥48.00
购买这本书可以去
内容简介
本书主要聚焦人工智能最新理论与实践，以经典人工神经网络与支持向量机为基础，以深度学习、强化学习与深度强化学习为核心，以深入浅出、循循善诱与娓娓道来的风格，将深奥的人工智能知识进行了清晰的诠释，使读者能够更好地理解和掌握知识难点，适于教与学。为了提高读者学习效果，每章不仅配备理论讲解视频与PPT，而且对重点算法结合应用实例配置了程序辅导视频与代码；另外，每章后均附精心设计的习题。本书结合编者多年从事人工智能科研与教学的经验，强调内容的先进性、系统性与实用性，注重学生分析问题能力与实践创新能力的培养。
作者简介
刘树林，上海大学机电工程与自动化学院， 教授、博导；中国机械工业教育协会机械电子工程学科专业教学委员会副主任委员；全国材料与器件科学家智库专家委员会副主任委员。目前主要从事智能机器人、智能故障诊断与人工智能方向的科学研究与教学工作。
目录
绪论.........................（1）
第1章经典人工神经网络.........................（4）
1.1生物神经网络基本机理.........................（4）
1.1.1生物神经元结构.........................（4）
1.1.2生物神经元信息的传递与接收.........................（5）
1.1.3生物神经元信息的整合.........................（6）
1.1.4生物神经网络.........................（8）
1.2人工神经元.........................（8）
1.2.1人工神经元的符号描述.........................（8）
1.2.2人工神经元的数学模型.........................（9）
1.2.3人工神经元的激活函数.........................（10）
1.3单层感知机.........................（14）
1.3.1单层感知机的表达.........................（14）
1.3.2单层感知机的训练算法及实例.........................（17）
1.3.3单层感知机的局限性.........................（19）
1.4多层感知机.........................（20）
1.4.1多层感知机的功能.........................（20）
1.4.2多层感知机的数学表达.........................（24）
1.4.3多层感知机的网络误差.........................（25）
1.5BP人工神经网络.........................（25）
1.5.1误差反传训练算法.........................（26）
1.5.2梯度下降法.........................（29）
1.5.3BP人工神经网络设计方法.........................（30）
1.5.4BP人工神经网络的局限性及改进.........................（31）
本章小结.........................（34）
实践1编程环境安装.........................（35）
实践2利用感知机实现Mnist手写数字分类.........................（35）
习题.........................（35）
参考文献.........................（36）
第2章支持向量机.........................（37）
2.1支持向量机基本思想.........................（37）
2.1.1从感知机到支持向量机.........................（37）
2.1.2SVM解决问题思路.........................（38）
2.1.3SVM的发展过程.........................（41）
2.2线性硬可分支持向量机.........................（41）
2.2.1线性可分与分类间隔.........................（41）
2.2.2几何间隔.........................（42）
2.2.3硬间隔SVM与间隔最大化.........................（43）
2.2.4硬间隔SVM的对偶算法.........................（44）
2.3线性软可分支持向量机.........................（48）
2.3.1软间隔SVM与软间隔最大化.........................（48）
2.3.2软间隔SVM的对偶问题.........................（49）
2.4非线性支持向量机.........................（50）
2.4.1非线性模型与升维.........................（50）
2.4.2非线性SVM的对偶问题.........................（51）
2.4.3核函数.........................（51）
2.5SMO算法.........................（53）
2.5.1SMO主要框架.........................（54）
2.5.2变量的启发式选择.........................（58）
本章小结.........................（59）
实践3利用非线性支持向量机实现IRIS鸢尾花数据分类.........................（59）
习题.........................（60）
参考文献.........................（60）
第3章卷积神经网络.........................（61）
3.1卷积神经网络思想.........................（61）
3.1.1卷积神经网络解决问题的思路.........................（61）
3.1.2卷积神经网络的发展概述.........................（63）
3.2卷积神经网络结构.........................（64）
3.2.1输入层.........................（65）
3.2.2卷积层.........................（66）
3.2.3池化层.........................（72）
3.2.4全连接层.........................（73）
3.3典型结构.........................（75）
3.3.1LeNet.........................（75）
3.3.2AlexNet.........................（75）
3.3.3ZFNet.........................（78）
3.3.4GoogLeNet.........................（80）
3.3.5ResNet.........................（83）
本章小结.........................（85）
实践4利用卷积神经网络实现Mnist手写数字分类.........................（85）
习题.........................（85）
参考文献.........................（86）
第4章循环神经网络.........................（87）
4.1经典循环神经网络.........................（87）
4.1.1经典循环神经网络基本结构.........................（87）
4.1.2几种典型的循环神经网络.........................（91）
4.1.3RNN前向传播与反向传播.........................（97）
4.2长短期记忆神经网络.........................（101）
4.2.1LSTM门控结构.........................（102）
4.2.2LSTM遗忘门.........................（104）
4.2.3LSTM输入门.........................（104）
4.2.4LSTM输出门.........................（105）
4.2.5LSTM结构的理解.........................（106）
本章小结.........................（108）
实践5利用长短时记忆网络实现股票价格预测.........................（108）
习题.........................（109）
参考文献.........................（110）
第5章Transformer模型.........................（111）
5.1总体思想与框架结构.........................（111）
5.2输入信息编码方式.........................（113）
5.2.1词嵌入矩阵的获取.........................（114）
5.2.2位置嵌入矩阵的获取.........................（115）
5.3自注意力机制.........................（116）
5.3.1自注意力机制的基本思想.........................（116）
5.3.2自注意力机制的计算步骤.........................（119）
5.4编码器信息编码机制与整体结构.........................（121）
5.4.1编码器中的多头注意力机制.........................（121）
5.4.2编码器中的前馈网络层.........................（122）
5.4.3编码器中的叠加和归一层.........................（123）
5.4.4编码器结构总览.........................（123）
5.5解码器信息编码机制与整体结构.........................（124）
5.5.1解码器的掩码多头注意力层.........................（126）
5.5.2解码器的多头注意力层.........................（128）
5.5.3解码器的前馈网络层与叠加和归一层.........................（130）
5.5.4解码器的线性层和Softmax层.........................（131）
5.5.5解码器结构总览.........................（132）
本章小结.........................（133）
实践6利用Transformer实现电影评论数据情感分析.........................（133）
习题.........................（133）
参考文献.........................（134）
第6章强化学习.........................（135）
6.1强化学习基本思想.........................（135）
6.1.1强化学习的拟人思路.........................（135）
6.1.2强化学习的典型特征.........................（136）
6.1.3强化学习的发展思路.........................（137）
6.2强化学习的概念体系.........................（137）
6.2.1随机变量与期望.........................（137）
6.2.2智能体-环境交互.........................（139）
6.2.3动态特性函数.........................（143）
6.2.4目标与回报.........................（145）
6.2.5策略和价值函数.........................（147）
6.2.6最优策略与最优价值函数.........................（151）
6.3模型强化学习方法.........................（153）
6.3.1策略评估.........................（154）
6.3.2策略改进.........................（158）
6.3.3策略迭代.........................（159）
6.3.4价值迭代.........................（160）
6.3.5广义策略迭代.........................（161）
6.4无模型强化学习方法.........................（162）
6.4.1蒙特卡洛强化学习方法.........................（162）
6.4.2时序差分强化学习方法.........................（171）
6.5强化学习不同方法的关系.........................（176）
6.5.1模型与无模型强化学习方法的关系.........................（176）
6.5.2无模型强化学习方法的统一性.........................（177）
6.5.3各种方法的维度关系.........................（178）
本章小结.........................（179）
实践7利用Q-Learning帮助智能体在简单6格环境中达成目标.........................（180）
习题.........................（180）
参考文献.........................（180）
第7章深度强化学习.........................（182）
7.1深度强化学习基本思想.........................（182）
7.1.1强化学习面临的问题.........................（182）
7.1.2强化学习与深度学习结合.........................（183）
7.2大型状态空间DQN深度强化学习.........................（183）
7.2.1DQN深度强化学习基本框架.........................（184）
7.2.2DQN基本框架结构的学习过程.........................（185）
7.2.3DQN基本框架结构存在的弊端.........................（186）
7.2.4DQN基本框架的改进方法.........................（187）
7.2.5改进版DQN的架构.........................（189）
7.3随机策略深度强化学习.........................（190）
7.3.1策略学习基本思路.........................（190）
7.3.2策略学习的目标函数.........................（191）
7.3.3策略梯度定理.........................（192）
7.3.4Reinforce方法.........................（192）
7.3.5Actor-critic方法.........................（193）
7.3.6带基线的策略学习方法.........................（195）
7.3.7带基线的Reinforce方法.........................（196）
7.3.8Advantage
Actor-critic方法.........................（196）
7.4连续动作空间深度强化学习.........................（198）
7.4.1深度确定性策略梯度方法.........................（198）
7.4.2随机高斯策略方法.........................（202）
7.5深度强化学习各种方法之间的关联.........................（204）
7.5.1价值评估是4种方法的共同基础.........................（204）
7.5.2策略梯度的Actor-critic范式.........................（204）
7.5.3目标网络的通用性.........................（205）
7.6近端策略优化算法.........................（205）
7.6.1传统策略梯度训练面临的问题.........................（205）
7.6.2TRPO算法的贡献.........................（206）
7.6.3PPO算法对TRPO算法的改进.........................（207）
7.6.4PPO算法流程.........................（207）
本章小结.........................（210）
实践8利用DQN将着陆器成功降落在月球表面.........................（211）
实践9利用PPO-Clip算法帮助小车平衡杆系统保持稳定.........................（211）
习题.........................（212）
参考文献.........................（212）
猜您喜欢
