新書推薦：
《
知命不惧：从芝诺到马可·奥勒留的生活艺术
》
售價：HK$
110.9
《
Zemax光学设计从基础到实践
》
售價：HK$
132.2
《
全球化的黎明：亚洲大航海时代
》
售價：HK$
109.8
《
危局
》
售價：HK$
84.0
《
穿裙子的士：叶嘉莹传
》
售價：HK$
53.8
《
财富方程式
》
售價：HK$
77.3
《
知识社会史（下卷）：从《百科全书》到“在线百科”
》
售價：HK$
99.7
《
我读巴芒：永恒的价值
》
售價：HK$
132.2
|
| 編輯推薦： |
|
本书详细阐述了深度神经网络，知识图谱，图神经网络，生成式人工智能方法和机器学习方法，还介绍了弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法。还介绍了大语言模型中的机器学习方法。
|
| 內容簡介： |
人工智能在人类社会各领域得到广泛应用，已成为社会进步的核心技术。本书全面介绍当前人工智能技术的基础理论和方法，包括深度神经网络、知识图谱、图神经网络、生成式人工智能和机器学习方法5部分内容。重点介绍深度神经网络基本原理、卷积神经网络、循环神经网络、注意力机制和Transformer，介绍知识图谱、图神经网络和生成式人工智能的基本理论与方法，最后简要介绍弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法，还介绍了大语言模型中的机器学习方法。
本书是作者总结近年来的教学和科研成果，结合国内外人工智能技术领域最新成果编写而成的。全书内容体系新颖，具有先进性、系统性和实用性。本书可作为高等学校人工智能技术课程的教材，也可供相关专业的工程技术人员参考。
|
| 目錄：
|
第1章人工智能简介1
1.1人工智能的定义及发展历史1
1.1.1人工智能的定义1
1.1.2人工智能的发展历史1
1.2人工智能方法3
1.3人工智能的应用5
1.4人工智能的未来6
1.4.1近期发展目标6
1.4.2人工智能的未来7
1.5小结7
思考与练习7
第2章神经网络基础8
2.1生物神经元与生物神经网络8
2.1.1生物神经元8
2.1.2生物神经网络9
2.2人工神经元与人工神经网络9
2.2.1人工神经元9
2.2.2激活函数10
2.2.3人工神经网络13
2.3前向神经网络13
2.4反向传播算法14
2.4.1链式法则15
2.4.2梯度下降法15
2.4.3反向传播算法15
2.4.4反向传播算法的改进算法18
2.5处理数据和训练模型的技巧20
2.5.1数据预处理——数据标准化20
2.5.2权重初始化21
2.5.3防止过拟合的常用方法23
2.6小结24
思考与练习24
第3章卷积神经网络25
3.1卷积神经网络的特性25
3.1.1局部连接26
3.1.2权值共享26
3.1.3不变性27
3.2卷积神经网络结构和训练27
3.2.1卷积层27
3.2.2池化层32
3.2.3全连接层33
3.2.4卷积神经网络的训练35
3.3卷积神经网络经典模型36
3.3.1LeNet5网络37
3.3.2AlexNet网络38
3.3.3VGGNet网络41
3.3.4其他几种经典网络的基本结构42
3.4小结48
思考与练习48
第4章循环神经网络49
4.1循环神经网络的基本结构49
4.2循环神经网络的训练方法52
4.2.1标准循环神经网络的前向输出流程52
4.2.2循环神经网络的训练方法——随时间反向传播53
4.2.3循环神经网络训练过程中的梯度消失和梯度爆炸问题及解决方法54
4.3循环神经网络拓展模型56
4.3.1简单循环网络56
4.3.2双向循环网络56
4.3.3长短期记忆网络57
4.3.4门控循环单元网络61
4.4循环神经网络的应用结构62
4.4.1同步的序列到序列结构（N到N）62
4.4.2序列分类结构（N到1）62
4.4.3向量到序列结构（1到N）62
4.4.4异步的序列到序列的模式（N到M）64
4.5小结65
思考与练习65
第5章注意力机制67
5.1软注意力机制的原理及计算过程68
5.2通道注意力和空间注意力70
5.2.1通道注意力70
5.2.2空间注意力73
5.2.3混合注意力73
5.3自注意力机制76
5.3.1自注意力机制的输入方式及特性76
5.3.2自注意力机制与RNN的区别79
5.3.3自注意力机制在视觉领域的应用80
5.4互注意力机制84
5.5小结85
思考与练习85
第6章Transformer86
6.1Transformer的结构和工作原理86
6.1.1Transformer的输入89
6.1.2多头自注意力机制90
6.1.3编码器结构92
6.1.4译码器结构93
6.1.5Transformer的训练95
6.1.6Transformer的特点分析96
6.2Transformer在NLP中的应用96
6.2.1BERT的基本原理和训练方法97
6.2.2GPT的基本原理和训练方法101
6.3Transformer在视觉领域中的应用104
6.3.1视觉Transformer104
6.3.2其他视觉Transformer106
6.3.3受ViT启发解决视觉问题的多层感知机112
6.4小结115
思考与练习115
第7章知识图谱116
7.1知识图谱的起源116
7.1.1知识工程和专家系统116
7.1.2语义网络、语义网、链接数据和知识图谱117
7.1.3知识图谱的定义118
7.2知识图谱的架构119
7.2.1逻辑架构119
7.2.2技术架构120
7.3知识抽取121
7.3.1非结构化数据的知识抽取122
7.3.2结构化数据的知识抽取130
7.3.3半结构化数据的知识抽取130
7.4知识融合134
7.4.1知识融合的基本技术流程136
7.4.2典型知识融合工具137
7.4.3实体链接140
7.4.4知识合并144
7.5知识加工145
7.5.1实体构建145
7.5.2知识推理146
7.5.3质量评估148
7.5.4知识更新148
7.6小结148
思考与练习148
第8章图神经网络149
8.1图论基础与图谱理论149
8.1.1图论基础149
8.1.2图谱理论151
8.2图神经网络基本原理153
8.2.1图神经网络的基本操作153
8.2.2多层GNN155
8.2.3GNN应用场景156
8.3图神经网络分类157
8.4卷积图神经网络158
8.4.1基于图谱理论的ConvGNN159
8.4.2基于空间的ConvGNN160
8.5图注意力网络161
8.6图生成网络163
8.7图时空网络164
8.8小结166
思考与练习166
第9章生成式人工智能模型167
9.1变分自编码器168
9.1.1原理概念168
9.1.2训练方法169
9.1.3应用方法170
9.2生成对抗网络171
9.2.1GAN的基本原理171
9.2.2GAN网络的几种结构172
9.2.3GAN训练中生成与训练集之间的相似评价方法174
9.3流模型177
9.3.1流模型的工作原理177
9.3.2流模型的常见分类方法178
9.3.3常见的流模型转换函数设计179
9.4扩散模型180
9.4.1去噪扩散概率模型DDPM181
9.4.2基于分数匹配的随机微分方程扩散模型183
9.4.3扩散模型的采样生成184
9.5稳定扩散模型186
9.5.1LDM隐式扩散187
9.5.2文本与图像的关联方法——CLIP模型188
9.5.3其他条件下的生成模型189
9.5.4稳定扩散模型的应用190
9.6小结194
思考与练习194
第10章机器学习195
10.1弱监督学习195
10.1.1主动学习196
10.1.2半监督学习197
10.2自监督学习198
10.2.1生成式自监督学习199
10.2.2判别式自监督学习200
10.3迁移学习202
10.4深度强化学习204
10.4.1强化学习系统概述205
10.4.2基于值函数的深度强化学习207
10.4.3基于策略的深度强化学习208
10.4.4基于演员—评论家的深度强化学习209
10.4.5多智能体深度强化学习210
10.5元学习和小（零）样本学习212
10.5.1基于模型的元学习方法213
10.5.2模型无关的元学习方法216
10.6持续学习218
10.6.1持续学习的应用场景和主要挑战219
10.6.2持续学习的主要方法222
10.7大语言模型中的机器学习方法226
10.7.1提示学习和指示学习227
10.7.2上下文学习和思维链提示228
10.7.3基于人类反馈的强化学习233
10.8小结236
思考与练习236
参考文献237
|
| 內容試閱：
|
自1943年第一个人工神经元模型提出以来，人工智能经历了三起两落。2016年，以AlphaGo（阿尔法狗）为标志，人类失守了“围棋”这一被视为最后智力堡垒的棋类游戏。人工智能开始逐步升温，成为政府、产业界、科研机构以及消费市场竞相追逐的对象。在各国人工智能战略和资本市场的推波助澜下，人工智能的企业、产品和服务层出不穷，在研发可以提高生产力和经济效益的各种人工智能应用（所谓的“弱人工智能”）上取得了极大进步。2022年以来，生成式人工智能发展日益强大，OpenAI的DALLE2、Stability AI的Stable Diffusion生成模型和ChatGPT（基于Transformer）横空出世，对人类智力提出了强有力的挑战。Stable Diffusion模型可以根据文字描述直接创作出具有惊人视觉效果的图像，在艺术创业比赛中击败人类艺术家，正在颠覆人类创造艺术的方式。ChatGPT可以根据上下文生成通过图灵测试的文本，编写时妙笔生花，广征博引，恣肆汪洋，令人类写手黯然失色。在日常生活工作中，绝大多数模式化文章都可以用ChatGPT自动生成，其文章质量超过了人类的平均水平。ChatGPT在邮件撰写、视频脚本编写、文本翻译、代码编写等任务上的强大表现不比人类差，埃隆·马斯克声称感受到了AI的“危险”。使其被称为像AlphaGo一样轰动的事件，是人工智能“奇点”（有望超越人类的“强人工智能”）来临的初显。微软联合创始人比尔·盖茨判断，ChatGPT的历史意义重大，不亚于PC或互联网的诞生。尽管我们无法描述人工智能技术在未来几十年会形成什么样的具体形态，但可以确定的是，人工智能技术的发展一定会给人类带来革命性的变化，并且这个变化一定会远超人类过去千年所发生的变化。
2017年7月，国务院正式发布《新一代人工智能发展规划》，将我国人工智能技术与产业的发展上升为国家重大发展战略。2018年4月，为贯彻落实该规划， 印发了《高等学校人工智能创新行动计划》，明确提出了设立人工智能专业、推动人工智能领域一级学科建设、建立人工智能学院以及完善人工智能领域人才培养体系等重要任务。培养人工智能人才已成为科技发展、产业进步的重要任务。
人工智能技术的进步呼唤更多的高层次人工智能人才，人工智能技术的应用也需要更多的人了解和熟悉人工智能的理论与方法。
正是在这样的大背景下，我们编写了本书。不求全面、系统、详尽地讲述有关人工智能技术的各种理论方法，而是追求简单描述当前人工智能应用中常用的基础理论与方法，且通俗易懂。通过本书的学习，希望读者可以了解人工智能技术常见应用的基本原理，设计实现人工智能的简单应用项目。
本书在对人工智能作简单介绍的基础上，重点讲述有关深度神经网络的基本原理、卷积神经网络、循环神经网络、注意力机制和Transformer，介绍知识图谱、图神经网络和生成式人工智能的基本理论与方法，最后简要介绍弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法，还介绍了大语言模型中的机器学习方法。
王科俊主持统筹了本书的编写，王科俊、卢桂萍对全书书稿作了全面的修改和审阅。本书第1章、第2章由王科俊编写，第3章、第4章由张恩编写，第5章、第6章由王科俊、卢桂萍编写，第7章由卢桂萍编写，第8章由张连波编写，第9章由方宇杰编写，第10章由王科俊、张连波和方宇杰编写。
卢桂萍、方宇杰、张连波、杨会战和曹宇制作了本书的PPT。
本书是集体智慧的成果，在此对为本书的编写和出版作出贡献的人员表示衷心的感谢，对本书编写过程中引用和讲述的理论方法及应用成果的提出者和贡献者表示衷心的感谢，没有你们的成果，就没有本书的源泉。
编者王科俊2024年3月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
