新書推薦：
《
幻灭与觉醒：1861年的内乱、外交与政局
》
售價：HK$
96.8
《
文明等级论的表与里
》
售價：HK$
85.8
《
《联合国国际货物销售合同公约》适用评释（修订版）
》
售價：HK$
272.8
《
房地产的逻辑
》
售價：HK$
75.9
《
拉贝日记（全新版本。）
》
售價：HK$
96.8
《
情绪脑科学 ：解锁大脑密码，重获情绪自由
》
售價：HK$
53.9
《
超智能与未来：宇宙进化、科技趋势与人类未来
》
售價：HK$
85.8
《
人比AI凶（“中国好书”“文津图书奖”得主万维钢全新力作；当AI无所不能，你靠什么不可替代？答案就在这里！）
》
售價：HK$
86.9
|
| 內容簡介： |
|
本书是一本为相关专业本科生量身定制的入门教材，旨在为学生提供一个全面而深入的人工智能（AI）知识框架，并探讨AI技术在不同领域中的交叉应用。本书不仅介绍了AI的基础理论和技术，还通过案例分析、实践项目等形式，引导学生将理论知识与实际应用相结合，培养他们的创新能力和解决实际问题的能力。
|
| 關於作者： |
|
魏明强 南京航空航天大学教授（破格）、博士生导师、人工智能与交叉应用系系主任、国自然优秀青年基金项目获得者，江苏省计算机学会青年科技奖获得者，及第14届Chinagraph最佳论文一等奖获得者。博士毕业于香港中文大学并获得校最佳博士毕业论文奖（2014）。目前为多个期刊的编委，如ACM TOMM、The Visual Computer (TVC)，以及IEEE TMM和TVC的客座编辑。近年来，围绕大飞机3D扫描与测量、几何深度学习和三维视觉等研究方向，主持国家重点研发计划子课题、国自然优青/面上以及联合主持国自然重点项目等10余项；发表学术论文150余篇，如IEEE TPAMI/TVCG、SIGGRAPH、IJCV、CVPR、ICCV等CCF A类期刊和会议。
|
| 目錄：
|
目 录
前言
第一部分 经典人工智能基础
第 1 章 绪论
1.1 人工智能基本概念
1.1.1 人工智能的定义
1.1.2 人工智能三大级别
1.1.3 人工智能的驱动因素
1.2 人工智能发展简史
1.3 人工智能与大数据技术的关系
1.3.1 大数据推动人工智能发展
1.3.2 人工智能赋能大数据应用
1.3.3 两者协同效应
1.4 人工智能技术路线
1.4.1 计算机视觉
1.4.2 自然语言理解
1.4.3 机器学习
1.4.4 机器人
1.4.5 人工智能技术开发工具
1.5 人工智能与交叉应用
1.5.1 智能医疗
1.5.2 智能安防
1.5.3 智能家居
1.5.4 智能制造
1.5.5 自动驾驶
1.5.6 人工智能
1.6 本书内容安排
1.7 针对不同专业学生的学习建议
1.7.1 文科类专业
1.7.2 理科类专业
1.7.3 工科类专业
1.8 小结
第 2 章 知识表示学习
2.1 知识与知识表示基本概念
2.1.1 知识的概念
2.1.2 知识的特性
2.1.3 知识表示
2.2 一阶谓词逻辑表示法
2.2.1 命题与命题逻辑
2.2.2 谓词
2.2.3 谓词逻辑
2.2.4 谓词公式
2.2.5 谓词公式的性质
2.2.6 一阶谓词逻辑表示法的特点
2.3 产生式表示法
2.3.1 产生式表示法的定义
2.3.2 产生式表示法的基本形式
2.3.3 产生式表示法的优点和局限性
2.4 框架表示法
2.4.1 框架的定义与组成
2.4.2 框架网络
2.4.3 框架表示法的优点及局限性
2.5 语义网络表示法
2.5.1 语义网络的概念
2.5.2 语义网络的基本语义关系
2.5.3 语义网络表示法的优点及局限性
2.6 知识图谱表示法
2.6.1 知识图谱的定义
2.6.2 知识图谱的表示
2.6.3 知识图谱的架构
2.6.4 知识图谱的典型应用
2.7 知识表示方法的选择
2.8 小结
第 3 章 确定性和不确定性推理
3.1 推理基本概念
3.1.1 推理定义
3.1.2 推理类型
3.2 自然演绎推理
3.3 规则演绎系统
3.3.1 规则正向演绎系统
3.3.2 规则逆向演绎系统
3.3.3 规则双向演绎系统
3.4 产生式系统
3.4.1 产生式系统的基本组成
3.4.2 产生式系统的工作方式
3.4.3 产生式系统的推理方向
3.5 可信度方法
3.5.1 不确定性推理中的基本问题
3.5.2 C-F 模型
3.6 模糊推理方法
3.6.1 模糊集合
3.6.2 模糊关系
3.6.3 模糊推理过程
3.7 小结
第 4 章 搜索求解策略
4.1 搜索求解策略概述
4.1.1 搜索的概念
4.1.2 状态空间知识表示
4.1.3 搜索策略
4.2 盲目搜索
4.2.1 广度优先搜索
4.2.2 深度优先搜索
4.3 启发式搜索
4.3.1 最佳优先搜索
4.3.2 A* 算法
4.3.3 群体智能算法
4.4 对抗搜索
4.4.1 对抗搜索概述
4.4.2 极小极大值算法
4.4.3 α . β 剪枝算法
4.4.4 蒙特卡洛树搜索算法
4.5 小结
第二部分 现代人工智能基础
第 5 章 机器学习
5.1 机器学习概述
5.1.1 机器学习的定义
5.1.2 基本术语
5.1.3 机器学习的发展
5.1.4 机器学习的分类
5.2 监督学习
5.2.1 k 近邻算法
5.2.2 决策树
5.2.3 支持向量机
5.3 无监督学习
5.3.1 聚类
5.3.2 自监督学习
5.4 半监督学习
5.4.1 自训练
5.4.2 半监督学习的应用
5.5 强化学习
5.5.1 什么是强化学习
5.5.2 强化学习模型
5.5.3 强化学习应用
5.6 主动学习
5.6.1 主动学习概念与目标
5.6.2 主动学习的分类
5.6.3 主动学习的查询策略
5.6.4 主动学习的应用场景
5.7 Python 机器学习库
5.7.1 NumPy 和 SciPy
5.7.2 Python Imaging Library
（PIL）
5.7.3 Pandas
5.7.4 Matplotlib
5.7.5 scikit-learn
5.8 小结
第 6 章 深度学习
6.1 深度学习的定义与特点
6.1.1 深度学习的基本概念
6.1.2 人工智能、机器学习和深度学习的关系
6.1.3 深度学习与机器学习的区别
6.2 深度学习基本架构
6.2.1 人工神经网络简介
6.2.2 深度神经网络的结构
6.2.3 深度神经网络的工作原理
6.3 深度学习训练与优化
6.3.1 损失函数与优化方法
6.3.2 深度学习模型的训练过程
6.3.3 过拟合与正则化
6.3.4 超参数调整与交叉验证
6.4 常见的深度学习模型
6.4.1 卷积神经网络
6.4.2 循环神经网络
6.4.3 生成对抗网络
6.4.4 自编码器
6.4.5 图神经网络
6.4.6 扩散模型
6.4.7 Transformer
6.5 深度学习框架与工具
6.5.1 TensorFlow
6.5.2 PyTorch
6.5.3 LangChain
6.5.4 Jittor
6.5.5 MindSpore
6.5.6 PaddlePaddle
6.5.7 其他常用工具与库
6.6 小结
第 7 章 自然语言处理
7.1 自然语言处理概述
7.1.1 什么是自然语言处理
7.1.2 主要任务及应用领域
7.2 文本表示
7.2.1 离散表示
7.2.2 分布式表示
7.3 语言模型
7.3.1 传统语言模型
7.3.2 基于神经网络的语言模型
7.4 文本分类与情感分析
7.4.1 文本分类
7.4.2 情感分析
7.5 机器翻译与问答系统
7.5.1 机器翻译
7.5.2 问答系统
7.6 小结
第 8 章 计算机视觉
8.1 计算机视觉概述
8.1.1 计算机视觉的概念
8.1.2 计算机视觉的重要性
8.1.3 计算机视觉的历史背景和发展
8.2 计算机视觉的工作原理
8.2.1 计算机视觉与人类视觉的比较
8.2.2 图像的数字表示
8.2.3 计算机“看”图像的方式
8.3 计算机视觉的核心技术
8.3.1 图像处理基础
8.3.2 特征提取与描述
8.4 计算机视觉的核心任务
8.4.1 图像分类
8.4.2 目标检测
8.4.3 图像分割
8.5 计算机视觉应用
8.5.1 人脸识别
8.5.2 图像复原与超分辨率
8.5.3 图像表面缺陷检测
8.5.4 视频理解与生成
8.5.5 遥感与红外图像处理
8.5.6 医学影像处理
8.6 小结
第 9 章 语音处理
9.1 语音基础知识
9.1.1 语音三要素
9.1.2 语音信号四个重要参数
9.1.3 隐马尔可夫模型
9.1.4 高斯混合模型
9.2 语音识别
9.2.1 语音识别的特征提取
9.2.2 语音识别的声学模型
9.2.3 语音识别的语言模型
9.2.4 语音识别的解码搜索
9.2.5 基于深度学习的端到端的语音识别方法
9.3 语音合成
9.3.1 语音合成的技术流程
9.3.2 语音合成的语言分析
9.3.3 语音合成的声学系统
9.4 语音增强
9.4.1 语音增强与语音预处理的关系
9.4.2 语音增强的听觉问题
9.4.3 语音增强算法
9.4.4 基于深度学习的语音增强新算法
9.5 语音情感识别
9.5.1 描述情绪的情感模型
9.5.2 情感声学的声学特征
9.5.3 语音情感识别系统
9.6 小结
第 10 章 数据挖掘与预测分析
10.1 数据挖掘概述
10.1.1 数据挖掘的概念
10.1.2 数据挖掘的主要流程
10.1.3 数据挖掘的基本任务
10.2 数据预处理
10.2.1 数据清洗
10.2.2 数据集成
10.2.3 数据变换
10.2.4 数据归约
10.3 分类与回归分析
10.3.1 分类
10.3.2 回归分析
10.4 聚类分析
10.4.1 聚类分析概述
10.4.2 聚类分析的应用
10.5 关联规则挖掘
10.5.1 关联规则的基本概念
10.5.2 Apriori 算法
10.6 小结
第三部分 人工智能前沿基础
第 11 章 推荐系统
11.1 推荐系统概述
11.1.1 产生背景与发展历史
11.1.2 主要目标
11.1.3 整体流程
11.2 经典推荐算法
11.2.1 推荐算法分类
11.2.2 基于内容的推荐
11.2.3 基于协同过滤的推荐
11.2.4 混合推荐算法
11.3 基于深度学习的推荐算法
11.3.1 Wide&Deep 模型
11.3.2 DeepFM 模型
11.3.3 神经协同过滤模型
11.3.4 小结
11.4 电商与社交网络应用
11.5 小结
第 12 章 智能计算机图形学
12.1 智能计算机图形学的发展历程
12.2 三维模型表示与生成
12.2.1 三维模型表示
12.2.2 三维模型生成
12.3 三维模型表征学习
12.4 智能三维建模
12.5 智能三维渲染
12.6 航空装备三维测量应用
12.7 小结
第 13 章 大模型技术
13.1 大模型的本质
13.2 大模型的发展历程
13.3 大模型的网络结构
13.3.1 GPT 家族
13.3.2 BERT 家族
13.4 大模型的训练流程
13.4.1 预训练阶段
13.4.2 人类引导：有监督微调阶段
13.4.3 给 AI 模型请个“好老师”：奖励建模阶段
13.4.4 AI 指导 AI：强化学习阶段
13.5 大模型的分类及多维应用
13.5.1 大模型的分类
13.5.2 大模型的多维应用
13.6 小结
第 14 章 智能体与多智能体系统
14.1 智能体
14.1.1 智能体的概念
14.1.2 智能体的特性
14.1.3 智能体的结构
14.1.4 智能体的类型
14.2 多智能体系统
14.2.1 多智能体的概念
14.2.2 多智能体系统的特性
14.2.3 多智能体系统的结构
14.2.4 多智能体系统的分类
14.3 多智能体系统的通信
14.3.1 直接通信
14.3.2 间接通信
14.4 多智能体系统的协作和协同
14.4.1 任务分配
14.4.2 行为协调
14.4.3 冲突避免
14.5 多智能体博弈与决策
14.5.1 纳什均衡策略
14.5.2 进化博弈策略
14.5.3 最大最小策略
14.6 基于大模型的智能体应用
14.6.1 大模型智能体概念及框架
14.6.2 大模型智能体关键技术
14.6.3 斯坦福小镇的案例分析
14.7 小结
......
第15章具身智能 第四部分人工智能交叉应用基础 第16章科学智能 第17章文科智能 第18章人工智能 第19章领域启发式人工智能 第20章人工智能的社会伦理与社会影响 第五部分人工智能初级编程基础 第21章人工智能初级编程 参考文献
|
|
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
