人工智能算法分析

定　　价：79.8 元 本教材已被 5 所学校申请过！

丛书名：

• 作者：徐立芳
• 出版时间：2023/6/1
• ISBN：9787121456817
• 出 版 社：电子工业出版社

适用读者:电气工程及其自动化、电子信息、通信与信息系统、计算机科学、物联网工程、人工智能、机器人工程等学科相关的大学本科和研究生。

• 中图法分类：TP183 
• 页码：344
• 版次：01
• 开本：16开
• 字数：564(单位：千字)

内容简介

本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法，以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状，以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法，包括Q-学习算法、蒙特卡洛算法和动态规划算法，以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法，主要包括TrAdaBoost算法和层次贝叶斯算法，以及这些算法的原理和案例编程实现。第7章主要介绍了联邦学习的研究现状和相关算法，涉及联邦平均算法和纵向联邦学习算法，以及算法的原理和案例编程实现。第8章介绍了因果学习的研究现状和典型模型算法，包括结果因果模型和多变量结构识别算法，还有这些模型和算法的原理以及案例编程实现。第9章和第10章分别介绍了文本挖掘和图像处理的研究现状，以及应用于文本和图像的一些算法，涉及算法的原理介绍和案例编程实现。第11章介绍了人工智能大模型的发展及研究现状，包括Transformer和GPT，以及相关的改进模型，并对其中典型的模型应用案例进行了分析。本书可作为计算机科学与技术、智能科学与技术、人工智能等专业高年级本科生和研究生教材，也可供从事或有志于人工智能行业的研究人员和从业者参考。

作者介绍

徐立芳，女，副教授，哈尔滨工程大学机电工程学院副教授，2007年毕业于哈尔滨工程大学，获得工学博士学位，哈尔滨工业大学精密仪器科学与技术博士后流动站出站。

目 录

第1章 绪论 1
1.1　人类的学习与机器的学习 2
1.1.1 人类的学习 2
1.1.2 机器的学习 3
1.2　机器学习与机器智能 6
1.2.1 机器学习的概念 6
1.2.2 机器学习如何实现机器智能 7
1.3　机器学习的发展历程 7
1.4　机器学习的类型 9
1.5 机器学习的主要方法 10
1.6　机器学习的主要算法 13
1.6.1 传统机器学习算法 14
1.6.2 新型机器学习算法 15
1.7　机器学习的典型应用与发展趋势 17
1.7.1 机器学习的典型应用 17
1.7.2 机器学习的发展趋势 18
1.8　如何阅读本书 19
总结 20
习题 20
第2章 机器学习经典分类算法 23
2.1　回归算法 24
2.1.1 基本形式 24
2.1.2 线性回归 24
2.1.3 逻辑回归 26
2.1.4 线性回归案例分析 27
2.1.5 逻辑回归案例分析 33
2.2　决策树算法 37
2.2.1 树形决策过程 37
2.2.2 训练算法 38
2.2.3 案例分析 43
2.3　支持向量机 47
2.3.1 线性分类器 47
2.3.2 支持向量机原理 48
2.3.3 案例分析 51
2.4　kNN算法 53
2.4.1 基本概念 54
2.4.2 预测算法 54
2.4.3 距离定义 55
2.4.4 案例分析 57
2.5　贝叶斯算法 59
2.5.1 贝叶斯决策 59
2.5.2 朴素贝叶斯分类器 60
2.5.3 正态贝叶斯分类器 62
2.5.4 案例分析 64
总结 67
习题 67
第3章 机器学习经典聚类及集成与随机森林算法 69
3.1　k-means算法 70
3.1.1 相似性的度量 70
3.1.2 k-means算法原理 71
3.1.3 k-means算法的改进 73
3.1.4 Mean Shift算法 74
3.1.5 案例分析 76
3.2　AdaBoost算法 79
3.2.1 AdaBoost算法介绍 79
3.2.2 AdaBoost算法分类 83
3.2.3 案例分析 84
3.3　马尔可夫算法 88
3.3.1 马尔可夫算法介绍 88
3.3.2 隐马尔可夫算法介绍 91
3.3.3 案例分析 93
3.4　随机森林算法 96
3.4.1 集成学习 97
3.4.2 随机森林概述 98
3.4.3 训练算法 98
3.4.4 变量的重要性 99
3.4.5 案例分析 100
总结 102
习题 103
第4章 深度学习 105
4.1　深度学习及其研究现状 106
4.1.1 深度学习概念 106
4.1.2 深度学习研究现状 106
4.2　人工神经网络 107
4.2.1 全连接神经网络 107
4.2.2 反向传播算法 111
4.2.3 案例分析 115
4.3　生成对抗网络 119
4.3.1 生成对抗网络结构 119
4.3.2 模型的训练 120
4.3.3 GAN的改进模型 124
4.3.4 案例分析 131
4.4　循环神经网络 135
4.4.1 循环神经网络概述 135
4.4.2 循环神经网络结构 136
4.4.3 循环神经网络训练 138
4.4.4 挑战与改进措施 139
4.4.5 案例分析 141
总结 144
习题 144
第5章 强化学习 146
5.1　强化学习及其研究现状 147
5.1.1 马尔可夫模型 147
5.1.2 策略 148
5.1.3 强化学习研究现状 150
5.2　Q-学习算法 150
5.2.1 Q-学习算法的基本原理 151
5.2.2 Q-学习算法的结构 151
5.2.3 采用神经网络实现Q-学习算法 153
5.2.4 Q-学习算法的改进 154
5.2.5 Q-学习算法的应用案例 156
5.3　蒙特卡洛算法 160
5.3.1 简单介绍 160
5.3.2 经验轨迹 161
5.3.3 蒙特卡洛算法的数学原理 164
5.3.4 蒙特卡洛算法的特点 165
5.3.5 蒙特卡洛预测 165
5.3.6 蒙特卡洛预测算法的实现 166
5.4　动态规划算法 169
5.4.1 策略评估 170
5.4.2 策略改进 171
5.4.3 策略迭代 172
5.4.4 值迭代 173
5.4.5 案例分析 174
总结 176
习题 177
第6章 迁移学习 179
6.1　迁移学习及其研究现状 179
6.1.1 迁移学习概念 179
6.1.2 迁移学习研究现状 180
6.2　TrAdaBoost算法 181
6.2.1 背景 181
6.2.2 算法介绍 181
6.2.3 算法改进 184
6.2.4 案例分析 186
6.3　层次贝叶斯算法 190
6.3.1 背景 190
6.3.2 算法介绍 191
6.3.3 案例分析 194
总结 196
习题 197
第7章 联邦学习 199
7.1　联邦学习及其研究现状 199
7.1.1 联邦学习概念 199
7.1.2 联邦学习研究现状 201
7.2　联邦平均算法 202
7.2.1 联邦优化 203
7.2.2 算法原理 205
7.2.3 安全的联邦平均算法 207
7.2.4 联邦平均算法的改进 207
7.2.5 案例分析 209
7.3　纵向联邦学习算法 215
7.3.1 安全联邦线性回归 215
7.3.2 安全联邦提升树 217
7.3.3 案例分析 221
总结 224
习题 224
第8章 因果学习 227
8.1　因果学习及其研究现状 228
8.1.1 因果学习概念 228
8.1.2 因果学习研究现状 229
8.2　结构因果模型 229
8.2.1 两种类型的因果陈述 229
8.2.2 SCM的标准表示 232
8.2.3 SCM的改进型 233
8.2.4 案例分析 236
8.3　多变量结构识别算法 239
8.3.1 基于独立的方法 240
8.3.2 基于分数的方法 242
8.3.3 多变量加性噪声模型 244
8.3.4 案例分析 246
总结 248
习题 249
第9章 文本挖掘 251
9.1　文本挖掘概念与现状 251
9.1.1 文本挖掘概念 251
9.1.2 文本挖掘现状 252
9.2　Word2vec-词嵌入 252
9.2.1 背景介绍 253
9.2.2 Word2vec-词嵌入——基于神经网络学习单词表示 256
9.2.3 案例分析 265
9.3　递归神经网络 270
9.3.1 递归神经网络介绍 270
9.3.2 递归神经网络分类 274
9.3.3 案例分析 276
总结 282
习题 283
第10章 图像处理 285
10.1　图像处理概念与现状 285
10.1.1 图像处理概念 285
10.1.2 图像处理现状 286
10.2　条件图像到图像翻译 286
10.2.1 条件图像到图像翻译的概念 286
10.2.2 cd-GAN 287
10.2.3 DosGAN 289
10.2.4 案例分析 291
10.3　解纠缠图像到图像翻译 295
10.3.1 解纠缠图像到图像翻译的概念 295
10.3.2 InterfaceGAN 295
10.3.3 SeFa 298
10.3.4 案例分析 300
总结 304
习题 304
第11章 人工智能大模型 307
11.1　人工智能大模型概念与现状 307
11.1.1 人工智能大模型概念 307
11.1.2 人工智能大模型现状 308
11.2　Transformer 308
11.2.1 背景 308
11.2.2 模型结构 309
12.2.3 为什么使用自注意力 312
11.2.4 案例分析 313
11.3　GPT 317
11.3.1 GPT-1 317
11.3.2 GPT-2 320
11.3.3 GPT-3 323
11.3.4 案例分析 326
总结 331
习题 331