新書推薦：
《
魏特琳日记（重新修订，震撼上市）
》
售價：HK$
96.8
《
国宝中的国宝：195件禁止出国展览文物
》
售價：HK$
305.8
《
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
|
| 編輯推薦： |
|
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
|
| 內容簡介： |
|
本书从机器学习的基本概念出发，逐步深入讲解经典机器学习方法、深度学习、卷积神经网络、循环神经网络以及大模型技术，及它们在智慧交通中的应用，包括车辆追尾预警、交通事故严重程度判断、自动驾驶技术等丰富的案例。本书主要内容有绪论、回归分析、逻辑回归、K近邻算法、决策树、支持向量机、集成学习、贝叶斯分析、聚类分析、深度学习基础及交通标志分类实践项目、卷积神经网络理论及斑马线检测项目、循环神经网络及实践、大模型技术原理及交通领域智能体应用。本书适合作为智慧交通、智能车辆、自动控制等专业人工智能课程的入门教材。本书内容丰富，叙述清晰且循序渐进，采用新形态构建形式。本书配有项目代码讲解视频、部分习题参考答案等，读者可扫描书中的二维码进行观看；本书提供了部分教学案例和实践项目的源代码，读者可扫描内封上的二维码进行下载。本书还配有PPT课件、教学大纲等，免费赠送给采用本书作为教材的教师（可登录www.cmpedu.com注册下载）。首次使用二维码的方法请见封底有关说明。
|
| 目錄：
|
|
第1章绪论111智慧交通概述1111智慧交通基本概念及特征1112智慧交通简要发展历程212机器学习概述6121机器学习的基本概念6122机器学习的典型算法713机器学习在智慧交通中的典型应用8131机器学习在交通事件检测中的应用9132机器学习在交通状态预测中的应用10133机器学习在交通管理与控制中的应用10134机器学习在自动驾驶技术中的应用11135交通领域大模型的应用12习题13第2章回归分析1421回归分析的起源与基本概念1422一元线性回归15221一元线性回归的基本概念15222损失函数的定义15223参数优化方法18224回归模型评估指标19225一元线性回归实践——电动汽车续驶里程预测2023多元线性回归24231多元线性回归的基本概念24232多元线性回归的梯度下降法求解24233多元线性回归实践——电动汽车续驶里程预测2524多项式回归26241多项式回归的基本概念26242多项式回归的实践——电动汽车续驶里程预测2625过拟合与正则化27251过拟合27252正则化28253增加正则项的实践案例32习题35第3章逻辑回归3731二分类与伯努利分布3732逻辑函数3833逻辑回归的损失函数39331从0/1损失到交叉熵损失40332逻辑回归损失函数的正则化4034逻辑回归的参数优化方法4035分类的评估工具与指标42351混淆矩阵42352精确率、召回率、综合评价指标42353微平均、宏平均、加权平均4336Scikitlearn中的逻辑回归方法45361Scikitlearn中的逻辑回归分类器45362LogisticRegression45363LogisticRegressionCV47364SGDClassifier4837逻辑回归实践案例48371汽车追尾事故预测48372交通事故严重程度判断51习题54第4章K近邻算法5541KNN的核心思想5542距离度量方式5643KNN实践案例58431KNN实践案例——汽车追尾事故预测58432KNN实践案例——交通事故严重程度判断59习题61第5章决策树6351决策树概述6352决策树特征选择策略与典型算法64521特征选择衡量准则64522ID3算法65523C45算法68524CART算法6953决策树剪枝71531预剪枝71532后剪枝7254回归决策树7355Sklearn库中的决策树方法7556决策树实践案例77561汽车安全行驶决策树分类预测77562汽车防追尾决策树分类预测79563回归决策树实例82习题82第6章支持向量机8461支持向量机概述8462线性可分支持向量机85621基本原理85622线性可分支持向量机实践案例8863近似线性可分支持向量机9064线性不可分支持向量机91641核函数91642线性不可分支持向量机实践案例9265支持向量机的优缺点9266Sklearn中的支持向量机方法9367支持向量机实践案例——交通事故严重程度判断93习题96第7章集成学习9771偏差和方差97711偏差和方差的图示97712偏差和方差的数学定义98713偏差和方差的实例演示99714偏差和方差的权衡10172Bagging算法102721Bagging算法理论102722Sklearn中的Bagging方法103723Bagging实践案例104724随机森林算法理论105725Sklearn中的随机森林方法105726随机森林实践案例——电动汽车续驶里程预测107727随机森林实践案例——交通事故严重程度判断109728随机森林的超参数优化11173Boosting算法113731AdaBoost算法114732梯度提升决策树算法115733XGBoost算法117734LightGBM算法121735Boosting实践案例——电动汽车续驶里程预测12374Stacking算法126741Stacking算法理论126742Stacking算法实践案例127习题128第8章贝叶斯分析13081贝叶斯定理13082朴素贝叶斯131821朴素贝叶斯原理131822高斯朴素贝叶斯132823伯努利朴素贝叶斯132824多项式朴素贝叶斯133825朴素贝叶斯实践案例13383基于贝叶斯的超参数优化方法及实践134831基于bayes_opt的电动汽车续驶里程预测超参数优化134832基于hyperopt的电动汽车续驶里程预测超参数优化136833基于optuna的电动汽车续驶里程预测超参数优化139习题140第9章聚类分析14291聚类分析的分类14292距离或相似度143921闵氏距离143922马氏距离144923相关系数144924夹角余弦14493评估指标145931轮廓系数145932CalinskiHarabasz指数145933DaviesBouldin指数14694Kmeans聚类146941Kmeans基本原理146942Kmeans实践案例——停车场车辆聚类分析148943Kmeans实践案例——共享单车聚类分析15095DBSCAN聚类152951DBSCAN基本原理152952DBSCAN实践案例——共享单车聚类分析153953DBSCAN实践案例——球形数据聚类分析15496层次聚类法156961层次聚类法基本原理156962层次聚类法实践案例——共享单车聚类分析157习题158第10章深度学习基础及交通标志分类实践项目160101神经网络1601011神经网络基本概念1601012单层感知机1611013多层感知机1641014综合实践项目——交通事故的严重程度判断164102深度学习理论基础1641021信号前向传播1651022激活函数1661023损失函数1681024参数优化方法1691025误差反向传播1711026计算图177103深度学习框架1791031TensorFlow1791032PyTorch1791033PaddlePaddle180104MLP实践项目——交通标志分类识别181习题183第11章卷积神经网络理论及斑马线检测项目185111全连接神经网络的局限性分析185112卷积神经网络理论基础1861121卷积神经网络基本结构与主要特征1861122卷积层1881123池化层193113典型的卷积神经网络模型1931131LeNet51931132AlexNet1951133VGGNet1961134GoogLeNet1981135ResNet201114卷积神经网络实践项目——斑马线检测203习题204第12章循环神经网络及实践206121自然语言处理及相关技术2061211NLP的发展历程2061212词向量技术207122循环神经网络209123LSTM和GRU2101231LSTM2101232GRU213124深度循环神经网络2141241堆叠循环神经网络2151242深度双向循环神经网络215125序列到序列模型217126循环神经网络实践项目2191261使用Gensim库进行词向量生成2191262基于LSTM的文本情感分析2201263基于循环神经网络的车辆轨迹预测220习题220第13章大模型技术原理及交通领域智能体应用223131大模型技术概述2231311深度学习的新纪元与挑战2231312大模型研究进展概述2241313大模型发展中的伦理考量225132大模型的定义和分类2261321大模型的定义2261322大模型的分类226133典型的大模型架构原理2281331Transformer模型原理2281332生成对抗网络原理2291333生成扩散模型原理231134大模型常见应用方式2321341提示词工程2321342检索增强生成2331343大模型微调技术2341344大模型全调技术2351345大模型智能体236135交通领域大模型智能体技术路径与应用实践2371351基于百度AppBuilder零代码平台的智能体提示词工程实践2371352自动驾驶决策智能体构建243习题248参考文献250
|
| 內容試閱：
|
|
在当今信息化、智能化快速发展的时代，机器学习作为人工智能领域的核心技术，正深刻改变着各行各业的发展格局，其中智慧交通领域尤为显著。本书不仅系统介绍了机器学习的基础理论、经典和前沿方法，还深入探讨了这些方法在智慧交通领域的具体应用，旨在为读者提供一个全面、深入且实用的学习平台。本书主要特色如下。1理论与实践并重，强化应用导向本书从机器学习的基础理论出发，逐步深入到各类经典算法的原理与实现，同时紧密结合智慧交通领域的案例分析和实践项目，帮助读者理解并掌握机器学习在智慧交通领域的应用，提高解决实际问题的能力。2算法全面且前沿，紧跟技术动态本书涵盖了从基础的线性回归、逻辑回归、KNN、支持向量机、决策树、聚类算法，到复杂的集成学习、贝叶斯分析，再到深度学习、卷积神经网络、循环神经网络以及大模型等前沿技术，形状了一个完整且系统的机器学习知识体系。同时，本书还密切关注技术动态、介绍了新的研究成果和技术趋势，如大模型在自动驾驶中的应用等，使读者能够保持对行业动态的关注，为未来的学习和工作打下坚实的基础。3注重工程实践，提升项目能力本书通过多个实践项目和案例，如电动汽车续驶里程预测、汽车追尾事故预测、交通事故严重程度评判、斑马线检测及车辆轨迹预测等，引导读者将所学知识应用于实际问题的解决中。这些实践项目不仅有助于加深读者对算法的理解，还能提升实践能力，为未来的职业发展奠定坚实的基础。本书由北京航空航天大学徐国艳担任主编，崔志勇、周帆担任副主编，参加编写的还有百度AI技术生态部刘聪琳、北京航空航天大学陈海兵。北京航空航天大学研究生刘明达、张璐璐、魏轩帮助整理了实践项目代码等工作。本书的编写参阅了大量教材、文件、网站资料等有关文献，并将部分参考书目列于参考文献中，由于篇幅有限，还有一些参考书目未能一一列出，在此谨向相关作者表示谢忱和歉意。由于编者水平有限，书中不足之处在所难免，诚望广大读者不吝赐教，提出宝贵意见。编者
|
|
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
