人工智能 - 城邦阅读花园






	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄第0章緒論第1章數學基礎 1.1導數 1.1.1導數的定義 1.1.2高階導數與偏導數 1.1.3導數與函數極值 1.2概率論基礎 1.2.1事件與概率 1.2.2隨機變數與概率分佈 1.2.3期望、方差與協方差 1.3矩陣基礎習題第2章搜索引言 2.1搜索問題的定義 2.2搜索算法基礎 2.3盲目搜索 2.3.1圖搜索 2.3.2深度優先搜索 2.3.3寬度優先搜索 2.3.4複雜度分析及算法改進 2.4啟發式搜索 2.4.1貪婪搜索 2.4.2A搜索算法 2.4.3A搜索算法的最優性 2.4.4啟發函數的設計 2.4.5雙向搜索 2.5局部搜索 2.5.1爬山法 2.5.2模擬退火 2.5.3遺傳算法 2.6對抗搜索 2.6.1極小極大搜索 2.6.2AlphaBeta剪枝搜索 2.6.3蒙特卡羅樹搜索本章總結歷史回顧習題第3章機器學習引言 3.1監督學習的概念 3.2數據集與損失函數 3.3泛化 3.4過擬合與欠擬合 3.5創建數據集 3.6無監督學習與半監督學習 3.6.1K平均算法 3.6.2譜聚類算法本章總結歷史回顧習題參考文獻第4章線性回歸引言 4.1線性回歸 4.2優化方法 4.3二分類問題 4.4多分類問題 4.5嶺回歸 4.6套索回歸 4.7支援向量機算法本章總結習題第5章決策樹模型引言 5.1決策樹的例子 5.2決策樹的定義 5.3決策樹的訓練算法 5.3.1葉子預測值的計算 5.3.2分割條件的選取 5.3.3決策樹結構的選擇 5.3.4防止過擬合 5.3.5偽代碼 5.3.6缺失值處理 5.3.7離散型特徵處理方法與特徵工程本章總結歷史回顧習題參考文獻第6章集成學習引言 6.1集成學習 6.1.1一個理想化模型 6.1.2引導聚集方法 6.1.3提升算法 6.2隨機森林 6.2.1隨機森林的算法描述 6.2.2關於隨機性的探討 6.3梯度提升 6.3.1梯度提升的概念 6.3.2梯度提升樹 6.3.3GBDT中的防過擬合方法 6.3.4GBDT的高效開源實現本章總結歷史回顧習題參考文獻第7章神經網路初步引言 7.1深度線性網路 7.2非線性神經網路 7.3反向傳播計算導數 7.4優化器 7.5權值初始化 7.5.1Xavier初始化 7.5.2Kaiming初始化 7.6權值衰減 7.7權值共用與卷積 7.8迴圈神經網路本章總結歷史回顧習題第8章電腦視覺引言 8.1什麼是電腦視覺 8.2圖像的形成 8.2.1小孔相機模型 8.2.2數字圖像 8.3線性濾波器 8.4邊緣檢測 8.5立體視覺 8.6卷積神經網路 8.7物體檢測 8.8語義分割本章總結歷史回顧習題參考文獻第9章自然語言處理引言 9.1語言模型 9.1.1為什麼需要語言模型？什麼是語言模型？ 9.1.2ngram模型 9.1.3最大似然估計 9.1.4困惑度 9.1.5實用技巧 9.1.6語言模型的應用 9.1.7字模型與詞模型 9.1.8中文與英文的差別 9.2向量語義 9.2.1語義 9.2.2詞向量 9.2.3Word2vec 9.2.4視覺化示例 9.3基於神經網路的語言模型處理 9.3.1基於神經網路的bigram模型 9.3.2訓練神經網路 9.3.3基於神經網路的ngram模型 9.3.4基於LSTM的語言模型 9.4基於神經網路的機器翻譯 9.4.1Seq2Seq模型 9.4.2生成最佳的輸出語句： Beam Search 9.4.3基於注意力機制的Seq2Seq模型 9.4.4Transformer模型 9.5語言模型預訓練 9.5.1GPT： generative pretrained Transformer 9.5.2BERT: bidirectional encoder representations from Transformers 9.5.3判別式與生成式建模方式的討論本章總結歷史回顧習題第10章瑪律可夫決策過程與強化學習引言 10.1瑪律可夫鏈 10.1.1例子 10.1.2瑪律可夫鏈定義 10.1.3瑪律可夫鏈穩態分佈 10.2瑪律可夫決策過程 10.2.1路線規劃 10.2.2瑪律可夫決策過程的定義 10.3瑪律可夫決策過程的求解算法及分析 10.3.1瑪律可夫決策過程算法 10.3.2算法收斂性分析 10.4強化學習 10.4.1QLearning 10.4.2深度強化學習本章總結歷史回顧參考文獻習題附錄A 數學基礎 A.1導數 A.2概率 A.3矩陣