人工智能算法 -- 基礎算法 + 受大自然啟發的算法 + 深度學習和神經網路 (套装3册)

Jeffery Heaton 譯 李爾超

  • 出版商: 人民郵電
  • 出版日期: 2021-04-01
  • 定價: $1,307
  • 售價: 8.5$1,111
  • 語言: 簡體中文
  • 頁數: 598
  • 裝訂: 平裝
  • ISBN: 7115005788
  • ISBN-13: 9787115005786
  • 下單後立即進貨 (約4週~6週)

買這商品的人也買了...

相關主題

商品描述

9787115523402 人工智能算法卷1 基礎算法59.00
9787115544315 人工智能算法卷2 受大自然啟發的算法69.00
9787115552310 人工智能算法卷3 深度學習和神經網絡(全彩印刷) 89.90

《人工智能算法卷1 基礎算法》
算法是人工智能技術的核心。本書介紹了人工智能的基礎算法,全書共10 章,涉及維度法、距離度量算法、
K 均值聚類算法、誤差計算、爬山算法、模擬退火算法、Nelder-Mead 算法和線性回歸算法等。
書中所有算法均配以具體的數值計算來進行講解,讀者可以自行嘗試。
每章都配有程序示例,GitHub 上有多種語言版本的示例代碼可供下載。
本書適合作為人工智能入門讀者以及對人工智能算法感興趣的讀者閱讀參考。

《人工智能算法卷2 受大自然啟發的算法》
算法是人工智能技術的核心,大自然是人工智能算法的重要靈感來源。
本書介紹了受到基因、鳥類、螞蟻、細胞和樹影響的算法,這些算法為多種類型的人工智能場景提供了實際解決方法。
全書共10章,涉及種群、交叉和突變、遺傳算法、物種形成、
粒子群優化、蟻群優化、細胞自動機、人工生命和建模等問題。
書中所有算法均配以具體的數值計算來進行講解,
每章都配有程序示例,讀者可以自行嘗試。

《人工智能算法卷3 深度學習和神經網絡(全彩印刷)》
自早期以來,神經網絡就一直是人工智能的支柱。
現在,令人興奮的新技術(例如深度學習和卷積)正在將神經網絡帶入一個全新的方向。
在本書中,我們將演示各種現實世界任務中的神經網絡,例如圖像識別和數據科學。
我們研究了當前的神經網絡技術,包括ReLU 激活、隨機梯度下降、交叉熵、正則化、Dropout 及可視化等。

作者簡介

Jeffery Heaton

既是一位活躍的技術博主、開源貢獻者,也是十多本圖書的作者。
他的專業領域包括數據科學、預測建模、數據挖掘、大數據、商務智能和人工智能等。
他擁有華盛頓大學信息管理學碩士學位,是IEEE的高級會員、Sun認證Java程序員、開源機器學習框架Encog的首席開發人員。

目錄大綱

《人工智能算法卷1 基礎算法》
第1 章AI 入門 1
1.1 與人類大腦的聯繫 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23

第2 章數據歸一化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57

第4 章隨機數生成59
4.1 偽隨機數生成算法的概念60
4.2 隨機數分佈類型61
4.3 輪盤模擬法64
4.4 偽隨機數生成算法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96

第7 章邁向機器學習97
7.1 多項式係數99
7.2 訓練入門101
7.3 徑向基函數網絡103
7.4 本章小結115

第8 章優化訓練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134

第9 章離散優化135
9.1 旅行商問題135
9.2 環形旅行商問題138
9.3 背包問題139
9.4 本章小結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 聯賽選擇9
1.6 如何選擇輪數12
1.7 適應度比例選擇13
1.8 隨機遍歷抽樣15
1.9 本章小結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 為什麼需要精英33
2.6 本章小結34

第3 章遺傳算法35
3.1 離散問題的遺傳算法35
3.2 連續問題的遺傳算法42
3.3 遺傳算法的其他應用45
3.4 本章小結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73

第5 章物種形成75
5.1 物種形成實現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81

第6 章粒子群優化83
6.1 群聚83
6.2 粒子群優化86
6.3 本章小結91

第7 章蟻群優化93
7.1 離散蟻群優化95
7.2 連續蟻群優化103
7.3 本章小結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《生命遊戲》 116
8.3 演化自己的細胞自動機121
理解合併物理學125
8.4 本章小結129

第9 章人工生命130
9.1 里程碑1:繪製植物131
9.2 里程碑2:創建植物生長動畫134
9.3 里程碑3:演化植物140
給植物計分141
9.4 本章小結142

第10 章建模144
10.1 Kaggle 競賽145
10.2 里程碑1:整理數據148
10.3 里程碑2:建立模型152
10.4 里程碑3:提交測試回复156
10.5 本章小結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 深度學習和神經網絡(全彩印刷)》
第1 章神經網絡基礎 1
1.1 神經元和層2
1.2 神經元的類型5
1.3 激活函數10
1.4 修正線性單元(ReLU)13
1.5 神經網絡邏輯19
1.6 本章小結22

第2 章自組織映射23
2.1 自組織映射24
2.2 本章小結33

第3 章Hopfield 網絡和玻爾茲曼機34
3.1 Hopfield 神經網絡34
3.2 Hopfield-Tank 網絡41
3.3 玻爾茲曼機42
3.4 應用玻爾茲曼機45
3.5 本章小結51

第4 章前饋神經網絡53
4.1 前饋神經網絡結構54
4.2 計算輸出56
4.3 初始化權重60
4.4 徑向基函數網絡63
4.5 規範化數據67
4.6 本章小結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 計算輸出節點增量98
6.3 計算剩餘節點增量99
6.4 激活函數的導數100
6.5 應用反向傳播103
6.6 本章小結108

第7 章其他傳播訓練110
7.1 彈性傳播110
7.2 RPROP 參數111
7.3 數據結構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122

第8 章NEAT,CPPN 和HyperNEAT 124
8.1 NEAT 網絡125
8.2 CPPN 網絡134
8.3 HyperNEAT 網絡138
8.4 本章小結142

第9 章深度學習143
9.1 深度學習組件143
9.2 部分標記的數據144
9.3 修正線性單元145
9.4 卷積神經網絡145
9.5 神經元Dropout 146
9.6 GPU 訓練147
9.7 深度學習工具149
9.8 深度信念神經網絡152
9.9 本章小結164

第10 章卷積神經網絡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 數據集的ConvNets 172
10.6 本章小結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195

第13 章時間序列和循環網絡197
13.1 時間序列編碼198
13.2 簡單循環神經網絡204
13.3 本章小結213

第14 章架構神經網絡214
14.1 評估神經網絡215
14.2 訓練參數215
14.3 常規超參數220
14.4 LeNet-5 超參數223
14.5 本章小結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236

第16 章用神經網絡建模237
16.0.1 挑戰賽的經驗241
16.0.2 挑戰賽取勝的方法242
16.0.3 我們在挑戰賽中的方法244
16.1 用深度學習建模245
16.2 本章小結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 示例代碼的內容255
A.5 如何為項目做貢獻257
參考資料259