久久久久久久久亚洲综合精品,1377人文艺术表演的点赞次数

本書介紹人工智能的基礎(chǔ)理論、技術(shù)及應(yīng)用。全書共9章,主要內(nèi)容包括人工智能概述、知識(shí)表示與知識(shí)圖譜、搜索策略、機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、典型卷積神經(jīng)網(wǎng)絡(luò)、智能圖像處理、機(jī)器學(xué)習(xí)開發(fā)框架、機(jī)器學(xué)習(xí)項(xiàng)目剖析。本書強(qiáng)調(diào)理論聯(lián)系實(shí)際，既深入淺出地介紹了人工智能領(lǐng)域的基礎(chǔ)知識(shí)和實(shí)用技術(shù)，又詳細(xì)介紹了兩個(gè)機(jī)器學(xué)習(xí)開發(fā)框架： PyTorch和百度公司研發(fā)的PaddlePaddle（飛槳），并帶領(lǐng)讀者逐步剖析在飛槳平臺(tái)上實(shí)現(xiàn)的項(xiàng)目案例。案例的代碼清晰，易于理解，讀者可快速提高采用機(jī)器學(xué)習(xí)方法解決實(shí)際問題的實(shí)踐能力。本書可作為高等學(xué)校本科生學(xué)習(xí)人工智能基礎(chǔ)課程或通識(shí)課程的入門教材，也可供對(duì)人工智能技術(shù)感興趣的廣大讀者閱讀。

自從1956年人工智能(artificial intelligence，AI) 正式誕生以來，發(fā)展經(jīng)歷了三起兩落，最終迎來了如今日新月異、高速發(fā)展的智能時(shí)期。人工智能已經(jīng)成為計(jì)算機(jī)技術(shù)以及許多高新技術(shù)產(chǎn)品的核心技術(shù), 幾乎在所有領(lǐng)域都具有非常廣泛的應(yīng)用，并已逐漸融入我們生活的方方面面。人工智能作為新一輪科技革命和產(chǎn)業(yè)變革的核心力量，在智能交通、智能家居、智能醫(yī)療等民生領(lǐng)域產(chǎn)生了積極的影響。因此，企業(yè)對(duì)人工智能專業(yè)人才具有極大需求。我國于2017年發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，將新一代人工智能放在國家戰(zhàn)略層面部署，旨在構(gòu)筑人工智能先發(fā)優(yōu)勢(shì)，把握新一輪科技革命戰(zhàn)略主動(dòng)，使我國成為世界主要人工智能創(chuàng)新中心。為滿足社會(huì)需求，響應(yīng)政府號(hào)召，解決中國人工智能人才儲(chǔ)備較弱的問題，中國高校紛紛開設(shè)了人工智能專業(yè)或課程方向，旨在培養(yǎng)中國人工智能產(chǎn)業(yè)的應(yīng)用型人才，為推動(dòng)傳統(tǒng)產(chǎn)業(yè)升級(jí)換代建設(shè)人才蓄水池。
作為計(jì)算機(jī)科學(xué)的一個(gè)分支，人工智能是研究開發(fā)能夠模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。它研究人類智能活動(dòng)的規(guī)律，研究如何應(yīng)用計(jì)算機(jī)的軟硬件制造出智能的機(jī)器或系統(tǒng)，使之具有智能的行為，來模擬人類的某些智能活動(dòng)。人工智能是一門交叉學(xué)科，涉及學(xué)科包括認(rèn)知科學(xué)、神經(jīng)生理學(xué)、哲學(xué)、數(shù)學(xué)、心理學(xué)、控制論、計(jì)算機(jī)科學(xué)、信息論、仿生學(xué)與社會(huì)結(jié)構(gòu)學(xué)等，內(nèi)容十分廣泛。
本書作者從2019年開始為軟件工程專業(yè)的本科生開設(shè)人工智能基礎(chǔ)課程。在教學(xué)實(shí)踐中，深感需要編著一本包含基礎(chǔ)內(nèi)容、理論聯(lián)系實(shí)踐、適于講授、可讀性好、易于理解的人工智能入門級(jí)教材，因此，我們與百度公司的飛槳教材編寫組聯(lián)合編著了此教材。
本書共9章。第1章介紹人工智能的萌芽與誕生、定義、發(fā)展簡(jiǎn)史、研究流派、研究的基本內(nèi)容以及主要研究領(lǐng)域；第2章介紹知識(shí)的基本概念、知識(shí)表示的方法、產(chǎn)生式規(guī)則表示法、狀態(tài)空間表示法以及知識(shí)圖譜；第3章介紹圖搜索策略，包括盲目的圖搜索策略、啟發(fā)式圖搜索策略和局部搜索算法；第4章介紹傳統(tǒng)機(jī)器學(xué)習(xí)方法，包括機(jī)器學(xué)習(xí)概述以及監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)與弱監(jiān)督學(xué)習(xí)三種學(xué)習(xí)范式的基本概念和方法；第5章介紹人工神經(jīng)網(wǎng)絡(luò)，包括人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程、感知機(jī)與神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法、卷積神經(jīng)網(wǎng)絡(luò)；第 6章詳細(xì)剖析了幾種典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及原理；第7章介紹智能圖像處理的基礎(chǔ)知識(shí)和方法，包括用于完成圖像分類、圖像目標(biāo)檢測(cè)、圖像分割任務(wù)的傳統(tǒng)圖像處理技術(shù)和基于深度學(xué)習(xí)的圖像處理技術(shù)；第8章介紹機(jī)器學(xué)習(xí)開發(fā)框架，包括主流的PyTorch和百度公司自主研發(fā)的PaddlePaddle（飛槳）；第9章介紹百度的實(shí)踐教學(xué)案例，分別剖析了波士頓房?jī)r(jià)預(yù)測(cè)、鳶尾花分類、手寫體數(shù)字識(shí)別、動(dòng)物圖像分類、寵物圖像分割、昆蟲目標(biāo)檢測(cè)項(xiàng)目的實(shí)現(xiàn)代碼。
本書為高等學(xué)校人工智能基礎(chǔ)課程或通識(shí)課程而全新設(shè)計(jì)和編寫，適用于32學(xué)時(shí)或48學(xué)時(shí)。教師使用本書教學(xué)時(shí)，可按照學(xué)習(xí)進(jìn)度與需求適當(dāng)取舍全書內(nèi)容。
本書由王方石、李翔宇、楊煜清和百度公司飛槳教材編寫組共同編寫。第1～3章和第6章由王方石編寫，第4章與第5章由王方石與李翔宇編寫，第7章由楊煜清與王方石編寫，第8章與第9章由楊煜清編寫，百度公司飛槳教材編寫組提供了第8章和第9章的案例資料，并進(jìn)行了修改。全書由王方石統(tǒng)稿。在編寫過程中，作者參閱了百度公司的教學(xué)科研成果，也吸取了國內(nèi)外教材的精髓，對(duì)這些作者的貢獻(xiàn)表示由衷的感謝。本書在出版過程中得到了清華大學(xué)出版社張玥編輯的大力支持，在此表示誠摯的感謝。
由于作者水平有限，書中難免有不妥和疏漏之處，懇請(qǐng)各位讀者批評(píng)指正。

作者2023年5月于北京

第1章人工智能概述1
1.1人工智能的萌芽與誕生2
1.1.1人工智能的萌芽2
1.1.2圖靈測(cè)試與中文屋實(shí)驗(yàn)2
1.1.3人工智能的誕生 3
1.2人工智能的定義 4
1.3人工智能發(fā)展簡(jiǎn)史5
1.3.1人工智能的黃金期（20世紀(jì)50年代中期60年代中期）5
1.3.2人工智能的第一個(gè)寒冬期（20世紀(jì)60年代后期70年代初）7
1.3.3人工智能的繁榮期（20世紀(jì)70年代中期80年代后期）8
1.3.4人工智能的第二個(gè)寒冬期（20世紀(jì)80年代末90年代中期）9
1.3.5人工智能的復(fù)蘇期（1997年2011年）11
1.3.6人工智能的蓬勃發(fā)展期（2012年至今）12
1.4人工智能的研究流派13
1.5人工智能研究的基本內(nèi)容15
1.6人工智能的主要研究領(lǐng)域16
1.7本章小結(jié)19
習(xí)題 119
第2章知識(shí)表示與知識(shí)圖譜21
2.1知識(shí)的基本概念21
2.1.1知識(shí)的定義21
2.1.2知識(shí)的特性22
2.1.3知識(shí)的分類22
2.2知識(shí)表示的方法23
2.3產(chǎn)生式規(guī)則表示法24
2.3.1產(chǎn)生式25
2.3.2產(chǎn)生式系統(tǒng)27
2.3.3產(chǎn)生式表示法的特點(diǎn)28
2.4狀態(tài)空間表示法29
2.5知識(shí)圖譜33
2.5.1知識(shí)圖譜的定義33
2.5.2知識(shí)圖譜的表示34
2.5.3知識(shí)圖譜的發(fā)展簡(jiǎn)史35
2.5.4典型的知識(shí)圖譜39
2.5.5知識(shí)圖譜的應(yīng)用43
2.6本章小結(jié)44
習(xí)題245
第3章搜索策略46
3.1圖搜索策略46
3.2盲目的圖搜索策略48
3.2.1深度優(yōu)先搜索48
3.2.2寬度優(yōu)先搜索50
3.3啟發(fā)式圖搜索策略52
3.3.1A搜索53
3.3.2A搜索54
3.4局部搜索算法57
3.4.1爬山法58
3.4.2模擬退火法60
3.4.3遺傳算法62
3.5本章小結(jié)69
習(xí)題370
第4章機(jī)器學(xué)習(xí)72
4.1機(jī)器學(xué)習(xí)概述72
4.1.1機(jī)器學(xué)習(xí)的定義72
4.1.2機(jī)器學(xué)習(xí)的基本術(shù)語73
4.1.3機(jī)器學(xué)習(xí)的三個(gè)視角76
4.2監(jiān)督學(xué)習(xí)78
4.2.1監(jiān)督學(xué)習(xí)的步驟78
4.2.2監(jiān)督學(xué)習(xí)的主要任務(wù)79
4.2.3監(jiān)督學(xué)習(xí)的典型算法81
4.3無監(jiān)督學(xué)習(xí)84
4.3.1無監(jiān)督學(xué)習(xí)的基本原理84
4.3.2無監(jiān)督學(xué)習(xí)的主要任務(wù)85
4.3.3無監(jiān)督學(xué)習(xí)的典型算法88
4.4弱監(jiān)督學(xué)習(xí)90
4.4.1不完全監(jiān)督學(xué)習(xí)91
4.4.2不確切監(jiān)督學(xué)習(xí)95
4.4.3不準(zhǔn)確監(jiān)督學(xué)習(xí)96
4.5本章小結(jié)97
習(xí)題 497
第5章人工神經(jīng)網(wǎng)絡(luò)99
5.1人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程99
5.2感知機(jī)與神經(jīng)網(wǎng)絡(luò)101
5.2.1生物神經(jīng)元結(jié)構(gòu)101
5.2.2神經(jīng)元數(shù)學(xué)模型MP模型102
5.2.3感知機(jī)103
5.2.4多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)104
5.3BP神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法106
5.3.1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)106
5.3.2BP學(xué)習(xí)算法107
5.4卷積神經(jīng)網(wǎng)絡(luò)113
5.4.1卷積神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)113
5.4.2卷積運(yùn)算116
5.4.3激活函數(shù)121
5.4.4池化運(yùn)算122
5.5本章小結(jié)123
習(xí)題 5124
第6章典型卷積神經(jīng)網(wǎng)絡(luò)125
6.1LeNet125
6.1.1LeNet模型的發(fā)展歷程125
6.1.2LeNet5模型的結(jié)構(gòu)126
6.2AlexNet128
6.2.1AlexNet模型的結(jié)構(gòu)128
6.2.2AlexNet模型的創(chuàng)新性130
6.3VGGNet132
6.3.1VGGNet模型的結(jié)構(gòu)132
6.3.2VGGNet模型的優(yōu)勢(shì)134
6.4GoogLeNet/Inception135
6.4.1GoogLeNet模型的研究思路135
6.4.2GoogLeNet模型結(jié)構(gòu)的總體說明136
6.4.3GoogLeNet模型結(jié)構(gòu)解析139
6.4.4GoogLeNet模型的特點(diǎn)141
6.5ResNet142
6.5.1ResNet模型的研究動(dòng)機(jī)142
6.5.2ResNet模型的結(jié)構(gòu)143
6.6DenseNet145
6.7本章小結(jié)149
習(xí)題 6150
第7章智能圖像處理151
7.1數(shù)字圖像處理概述151
7.1.1數(shù)字圖像處理的基本概念151
7.1.2數(shù)字圖像處理的主要任務(wù)153
7.2傳統(tǒng)的圖像處理技術(shù)157
7.2.1圖像分類158
7.2.2圖像目標(biāo)檢測(cè)161
7.2.3圖像分割164
7.3基于深度學(xué)習(xí)的圖像處理技術(shù)166
7.3.1基于深度學(xué)習(xí)的圖像分類166
7.3.2基于深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)168
7.3.3基于深度學(xué)習(xí)的圖像分割173
7.4本章小結(jié)175
習(xí)題 7176
第8章機(jī)器學(xué)習(xí)開發(fā)框架177
8.1機(jī)器學(xué)習(xí)開發(fā)框架簡(jiǎn)介177
8.2機(jī)器學(xué)習(xí)庫Scikitlearn178
8.2.1Scikitlearn代碼設(shè)計(jì)179
8.2.2Scikitlearn數(shù)據(jù)表示及數(shù)據(jù)集構(gòu)建180
8.2.3Scikitlearn模型訓(xùn)練182
8.2.4Scikitlearn模型預(yù)測(cè)183
8.2.5Scikitlearn模型評(píng)估與超參數(shù)選擇184
8.3深度學(xué)習(xí)框架PyTorch185
8.3.1深度學(xué)習(xí)框架中的自動(dòng)求導(dǎo)185
8.3.2PyTorch框架結(jié)構(gòu) 187
8.3.3PyTorch中的張量188
8.3.4PyTorch數(shù)據(jù)集構(gòu)建190
8.3.5PyTorch模型訓(xùn)練192
8.3.6PyTorch模型預(yù)測(cè)與評(píng)估198
8.3.7PyTorch模型超參數(shù)選擇199
8.3.8PyTorch中的自動(dòng)求導(dǎo)機(jī)制203
8.4深度學(xué)習(xí)框架飛槳207
8.4.1飛槳框架概述207
8.4.2飛槳的張量表示209
8.4.3飛槳的自動(dòng)微分機(jī)制 210
8.4.4飛槳數(shù)據(jù)集構(gòu)建212
8.4.5飛槳的模型開發(fā)213
8.5本章小結(jié)215
習(xí)題 8215
第9章機(jī)器學(xué)習(xí)項(xiàng)目剖析217
9.1機(jī)器學(xué)習(xí)應(yīng)用項(xiàng)目的開發(fā)流程217
9.2波士頓房?jī)r(jià)預(yù)測(cè)線性回歸模型218
9.2.1數(shù)據(jù)集構(gòu)建218
9.2.2模型構(gòu)建與設(shè)置219
9.2.3模型訓(xùn)練與測(cè)試220
9.3鳶尾花分類SVM模型220
9.3.1數(shù)據(jù)集構(gòu)建220
9.3.2模型構(gòu)建與設(shè)置222
9.3.3模型訓(xùn)練與測(cè)試222
9.4手寫體數(shù)字識(shí)別多層神經(jīng)網(wǎng)絡(luò)模型223
9.4.1數(shù)據(jù)集構(gòu)建223
9.4.2模型構(gòu)建與設(shè)置224
9.4.3模型訓(xùn)練與測(cè)試226
9.5動(dòng)物圖像分類VGG模型227
9.5.1數(shù)據(jù)集構(gòu)建227
9.5.2模型構(gòu)建與設(shè)置229
9.5.3模型訓(xùn)練與測(cè)試232
9.6寵物圖像分割UNet模型234
9.6.1數(shù)據(jù)集構(gòu)建234
9.6.2模型構(gòu)建與設(shè)置236
9.6.3模型訓(xùn)練與測(cè)試240
9.7昆蟲目標(biāo)檢測(cè)YOLOv3模型242
9.7.1數(shù)據(jù)集構(gòu)建242
9.7.2模型構(gòu)建與設(shè)置243
9.7.3模型訓(xùn)練與測(cè)試245
9.8本章小結(jié)246
習(xí)題 9246
參考文獻(xiàn)247

你還可能感興趣

我要評(píng)論