鏈接：https://pan.baidu.com/s/1mBFEjJEdUhv1HfDzvCDIrg?pwd=xvy9?

提取碼：xvy9

本書全面講述人工智能算法的理論基礎(chǔ)和案例編程實(shí)現(xiàn)。第1章簡要介紹機(jī)器學(xué)習(xí)的發(fā)展及其應(yīng)用。第2章和第3章主要介紹機(jī)器學(xué)習(xí)經(jīng)典分類算法、聚類算法、集成算法和隨機(jī)森林算法，以及這些算法的具體內(nèi)容、算法原理和案例編程實(shí)現(xiàn)。第4章介紹了深度學(xué)習(xí)的概念、原理、研究現(xiàn)狀，以及典型的神經(jīng)網(wǎng)絡(luò)及其相關(guān)網(wǎng)絡(luò)的案例編程實(shí)現(xiàn)。第5章介紹了強(qiáng)化學(xué)習(xí)的發(fā)展及其相關(guān)算法，包括Q-學(xué)習(xí)算法、蒙特卡洛算法和動態(tài)規(guī)劃算法，以及這些算法的原理和案例編程實(shí)現(xiàn)。第6章介紹了遷移學(xué)習(xí)的發(fā)展及其相關(guān)算法，主要包括TrAdaBoost算法和層次貝葉斯算法，以及這些算法的原理和案例編程實(shí)現(xiàn)。第7章主要介紹了聯(lián)邦學(xué)習(xí)的研究現(xiàn)狀和相關(guān)算法，涉及聯(lián)邦平均算法和縱向聯(lián)邦學(xué)習(xí)算法，以及算法的原理和案例編程實(shí)現(xiàn)。第8章介紹了因果學(xué)習(xí)的研究現(xiàn)狀和典型模型算法，包括結(jié)果因果模型和多變量結(jié)構(gòu)識別算法，還有這些模型和算法的原理以及案例編程實(shí)現(xiàn)。第9章和 0章分別介紹了文本挖掘和圖像處理的研究現(xiàn)狀，以及應(yīng)用于文本和圖像的一些算法，涉及算法的原理介紹和案例編程實(shí)現(xiàn)。 1章介紹了人工智能大模型的發(fā)展及研究現(xiàn)狀，包括Transformer和GPT，以及相關(guān)的改進(jìn)模型，并對其中典型的模型應(yīng)用案例進(jìn)行了分析。本書可作為計(jì)算機(jī)科學(xué)與技術(shù)、智能科學(xué)與技術(shù)、人工智能等專業(yè)高年級本科生和研究生教材，也可供從事或有志于人工智能行業(yè)的研究人員和從業(yè)者參考。

作者簡介

徐立芳，女，副教授，哈爾濱工程大學(xué)機(jī)電工程學(xué)院副教授，2007年畢業(yè)于哈爾濱工程大學(xué)，獲得工學(xué)博士學(xué)位，哈爾濱工業(yè)大學(xué)精密儀器科學(xué)與技術(shù)博士后流動站出站。

目錄

第1章 緒論1
1.1　人類的學(xué)習(xí)與機(jī)器的學(xué)習(xí)2
1.1.1 人類的學(xué)習(xí)2
1.1.2 機(jī)器的學(xué)習(xí)3
1.2　機(jī)器學(xué)習(xí)與機(jī)器智能6
1.2.1 機(jī)器學(xué)習(xí)的概念6
1.2.2 機(jī)器學(xué)習(xí)如何實(shí)現(xiàn)機(jī)器智能7
1.3　機(jī)器學(xué)習(xí)的發(fā)展歷程7
1.4　機(jī)器學(xué)習(xí)的類型9
1.5 機(jī)器學(xué)習(xí)的主要方法10
1.6　機(jī)器學(xué)習(xí)的主要算法13
1.6.1 傳統(tǒng)機(jī)器學(xué)習(xí)算法14
1.6.2 新型機(jī)器學(xué)習(xí)算法15
1.7　機(jī)器學(xué)習(xí)的典型應(yīng)用與發(fā)展趨勢17
1.7.1 機(jī)器學(xué)習(xí)的典型應(yīng)用17
1.7.2 機(jī)器學(xué)習(xí)的發(fā)展趨勢18
1.8　如何閱讀本書19
總結(jié)20
習(xí)題20
第2章 機(jī)器學(xué)習(xí)經(jīng)典分類算法23
2.1　回歸算法24
2.1.1 基本形式24
2.1.2 線性回歸24
2.1.3 邏輯回歸26
2.1.4 線性回歸案例分析27
2.1.5 邏輯回歸案例分析33
2.2　決策樹算法37
2.2.1 樹形決策過程37
2.2.2 訓(xùn)練算法38
2.2.3 案例分析43
2.3　支持向量機(jī)47
2.3.1 線性分類器47
2.3.2 支持向量機(jī)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 預(yù)測算法54
2.4.3 距離定義55
2.4.4 案例分析57
2.5　貝葉斯算法59
2.5.1 貝葉斯決策59
2.5.2 樸素貝葉斯分類器60
2.5.3 正態(tài)貝葉斯分類器62
2.5.4 案例分析64
總結(jié)67
習(xí)題67
第3章 機(jī)器學(xué)習(xí)經(jīng)典聚類及集成與隨機(jī)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算法的改進(jìn)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算法介紹79
3.2.2 AdaBoost算法分類83
3.2.3 案例分析84
3.3　馬爾可夫算法88
3.3.1 馬爾可夫算法介紹88
3.3.2 隱馬爾可夫算法介紹91
3.3.3 案例分析93
3.4　隨機(jī)森林算法96
3.4.1 集成學(xué)習(xí)97
3.4.2 隨機(jī)森林概述98
3.4.3 訓(xùn)練算法98
3.4.4 變量的重要性99
3.4.5 案例分析100
總結(jié)102
習(xí)題103
第4章 深度學(xué)習(xí)105
4.1　深度學(xué)習(xí)及其研究現(xiàn)狀106
4.1.1 深度學(xué)習(xí)概念106
4.1.2 深度學(xué)習(xí)研究現(xiàn)狀106
4.2　人工神經(jīng)網(wǎng)絡(luò)107
4.2.1 全連接神經(jīng)網(wǎng)絡(luò)107
4.2.2 反向傳播算法111
4.2.3 案例分析115
4.3　生成對抗網(wǎng)絡(luò)119
4.3.1 生成對抗網(wǎng)絡(luò)結(jié)構(gòu)119
4.3.2 模型的訓(xùn)練120
4.3.3 GAN的改進(jìn)模型124
4.3.4 案例分析131
4.4　循環(huán)神經(jīng)網(wǎng)絡(luò)135
4.4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述135
4.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)136
4.4.3 循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練138
4.4.4 挑戰(zhàn)與改進(jìn)措施139
4.4.5 案例分析141
總結(jié)144
習(xí)題144
第5章 強(qiáng)化學(xué)習(xí)146
5.1　強(qiáng)化學(xué)習(xí)及其研究現(xiàn)狀147
5.1.1 馬爾可夫模型147
5.1.2 策略148
5.1.3 強(qiáng)化學(xué)習(xí)研究現(xiàn)狀150
5.2　Q-學(xué)習(xí)算法150
5.2.1 Q-學(xué)習(xí)算法的基本原理151
5.2.2 Q-學(xué)習(xí)算法的結(jié)構(gòu)151
5.2.3 采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)Q-學(xué)習(xí)算法153
5.2.4 Q-學(xué)習(xí)算法的改進(jìn)154
5.2.5 Q-學(xué)習(xí)算法的應(yīng)用案例156
5.3　蒙特卡洛算法160
5.3.1 簡單介紹160
5.3.2 經(jīng)驗(yàn)軌跡161
5.3.3 蒙特卡洛算法的數(shù)學(xué)原理164
5.3.4 蒙特卡洛算法的特點(diǎn)165
5.3.5 蒙特卡洛預(yù)測165
5.3.6 蒙特卡洛預(yù)測算法的實(shí)現(xiàn)166
5.4　動態(tài)規(guī)劃算法169
5.4.1 策略評估170
5.4.2 策略改進(jìn)171
5.4.3 策略迭代172
5.4.4 值迭代173
5.4.5 案例分析174
總結(jié)176
習(xí)題177
第6章 遷移學(xué)習(xí)179
6.1　遷移學(xué)習(xí)及其研究現(xiàn)狀179
6.1.1 遷移學(xué)習(xí)概念179
6.1.2 遷移學(xué)習(xí)研究現(xiàn)狀180
6.2　TrAdaBoost算法181
6.2.1 背景181
6.2.2 算法介紹181
6.2.3 算法改進(jìn)184
6.2.4 案例分析186
6.3　層次貝葉斯算法190
6.3.1 背景190
6.3.2 算法介紹191
6.3.3 案例分析194
總結(jié)196
習(xí)題197
第7章 聯(lián)邦學(xué)習(xí)199
7.1　聯(lián)邦學(xué)習(xí)及其研究現(xiàn)狀199
7.1.1 聯(lián)邦學(xué)習(xí)概念199
7.1.2 聯(lián)邦學(xué)習(xí)研究現(xiàn)狀201
7.2　聯(lián)邦平均算法202
7.2.1 聯(lián)邦優(yōu)化203
7.2.2 算法原理205
7.2.3 安全的聯(lián)邦平均算法207
7.2.4 聯(lián)邦平均算法的改進(jìn)207
7.2.5 案例分析209
7.3　縱向聯(lián)邦學(xué)習(xí)算法215
7.3.1 安全聯(lián)邦線性回歸215
7.3.2 安全聯(lián)邦提升樹217
7.3.3 案例分析221
總結(jié)224
習(xí)題224
第8章 因果學(xué)習(xí)227
8.1　因果學(xué)習(xí)及其研究現(xiàn)狀228
8.1.1 因果學(xué)習(xí)概念228
8.1.2 因果學(xué)習(xí)研究現(xiàn)狀229
8.2　結(jié)構(gòu)因果模型229
8.2.1 兩種類型的因果陳述229
8.2.2 SCM的標(biāo)準(zhǔn)表示232
8.2.3 SCM的改進(jìn)型233
8.2.4 案例分析236
8.3　多變量結(jié)構(gòu)識別算法239
8.3.1 基于獨(dú)立的方法240
8.3.2 基于分?jǐn)?shù)的方法242
8.3.3 多變量加性噪聲模型244
8.3.4 案例分析246
總結(jié)248
習(xí)題249
第9章 文本挖掘251
9.1　文本挖掘概念與現(xiàn)狀251
9.1.1 文本挖掘概念251
9.1.2 文本挖掘現(xiàn)狀252
9.2　Word2vec-詞嵌入252
9.2.1 背景介紹253
9.2.2 Word2vec-詞嵌入――基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)單詞表示256
9.2.3 案例分析265
9.3　遞歸神經(jīng)網(wǎng)絡(luò)270
9.3.1 遞歸神經(jīng)網(wǎng)絡(luò)介紹270
9.3.2 遞歸神經(jīng)網(wǎng)絡(luò)分類274
9.3.3 案例分析276
總結(jié)282
習(xí)題283
0章 圖像處理285
10.1　圖像處理概念與現(xiàn)狀285
10.1.1 圖像處理概念285
10.1.2 圖像處理現(xiàn)狀286
10.2　條件圖像到圖像翻譯286
10.2.1 條件圖像到圖像翻譯的概念286
10.2.2 cd-GAN287
10.2.3 DosGAN289
10.2.4 案例分析291
10.3　解糾纏圖像到圖像翻譯295
10.3.1 解糾纏圖像到圖像翻譯的概念295
10.3.2 InterfaceGAN295
10.3.3 SeFa298
10.3.4 案例分析300
總結(jié)304
習(xí)題304
1章 人工智能大模型307
11.1　人工智能大模型概念與現(xiàn)狀307
11.1.1 人工智能大模型概念307
11.1.2 人工智能大模型現(xiàn)狀308
11.2　Transformer308
11.2.1 背景308
11.2.2 模型結(jié)構(gòu)309
12.2.3 為什么使用自注意力312
11.2.4 案例分析313
11.3　GPT317
11.3.1 GPT-1317
11.3.2 GPT-2320
11.3.3 GPT-3323
11.3.4 案例分析326
總結(jié)331
習(xí)題331