新書推薦：
《
狄仁杰与武则天 武周革命与平民官僚的崛起 钤印版 汗青堂丛书163
》
售價：HK$
96.8
《
自恋主义文化
》
售價：HK$
85.8
《
我是异类，你是怪物
》
售價：HK$
64.9
《
深夜的恋人们
》
售價：HK$
71.5
《
治未病常用中医外治法辑要
》
售價：HK$
96.8
《
西方哲学史：插图典藏版
》
售價：HK$
198.0
《
流血的仕途：李斯与秦帝国（全二册2026版）
》
售價：HK$
117.5
《
大学问·近代中国工业发展史（1860—1916）（著名历史学家张玉法先生学术代表作）
》
售價：HK$
86.9
|
| 內容簡介： |
|
《人工智能交叉应用》介绍了人工智能在不同领域的应用，包括数学、化学、芯片设计、制造业、教育、金融、医疗等。人工智能技术的迅猛发展正在深刻地改变这些领域的传统模式和工作流程。针对各个领域的特点，《人工智能交叉应用》分别介绍人工智能在该领域中的应用方向、应用技术案例、面临的挑战等。通过具体的案例分析，读者可以深入了解人工智能如何在实际应用中发挥作用，以及在应用过程中可能遇到的技术挑战。
|
| 目錄：
|
|
目录第1章 人工智能与数学 11.1 数学应用背景 11.2 基于符号回归的数据分析与统计 21.2.1 数学表达式的树表达形式 21.2.2 面向符号回归的蒙特卡洛树搜索 31.2.3 基于符号回归的数据分析与统计 71.3 基于扩散模型的数学建模与优化 81.3.1 加噪过程 91.3.2 去噪过程 101.3.3 数学建模与优化 121.4 总结 13第2章 人工智能与化学 152.1 化学应用背景 152.2 化学逆向合成路径规划 172.3 单步逆向合成预测方法 182.3.1 基于模板的方法 192.3.2 基于序列到序列模型的无模板方法 192.3.3 基于图神经网络的无模板方法 212.4 基于搜索算法的多步逆向合成规划方法 232.4.1 基于A*搜索的Retro*方法 232.4.2 基于证明数搜索的DFPN-E方法 242.5 基于强化学习的多步逆向合成规划方法 262.5.1 基于值函数的强化学习方法 272.5.2 基于策略的强化学习方法 282.5.3 基于演员-评论者框架的强化学习方法 292.5.4 经验指导的蒙特卡洛树搜索方法 302.6 总结 33第3章 人工智能与芯片设计 353.1 芯片设计应用背景 353.2 人工智能在芯片布线中的应用 363.2.1 全局布线 383.2.2 详细布线 393.2.3 图表达学习 423.2.4 图神经网络 503.2.5 基于图神经网络的详细布线 543.3 总结 55第4章 人工智能与制造业 584.1 制造业应用背景 584.2 人工智能在电镀生产线中的应用 594.2.1 智能规划 624.2.2 电镀生产线调度问题求解 714.2.3 实验设计与结论分析 774.3 总结 79第5章 人工智能与教育 805.1 教育应用背景 805.2 个性化学习 815.3 智能辅导系统 835.4 自动化评估 845.5 学习分析 865.6 总结 88第6章 人工智能与金融 906.1 金融应用背景 906.2 基于卷积神经网络的投资组合** 926.2.1 卷积层 946.2.2 池化层 966.2.3 整体过程 976.2.4 投资组合** 986.3 基于强化学习的智能交易决策 1006.3.1 马尔可夫决策过程 1016.3.2 强化学习 1066.3.3 智能交易决策 1116.4 总结 112第7章 人工智能与医疗 1147.1 医疗应用背景 1147.2 人工智能在医疗领域中的交叉应用 1147.3 人工智能在辅助中医诊断中的应用 1197.3.1 中医知识图谱构建 1207.3.2 基于对偶四元数的中医知识图谱嵌入模型 1257.3.3 基于对偶四元数的中医知识图谱嵌入模型分析 1377.4 总结 137参考文献 139
|
| 內容試閱：
|
|
第1章人工智能与数学 数学进步的一个关键驱动力是发现规律和提出有用的猜想，即那些被怀疑为真但尚未在所有情况下得到证明的结论。研究者常常依赖数据来推动这一过程。从早期高斯等通过手工计算素数表，到现代利用计算机生成数据（例如，最终形成伯奇和斯温纳顿-戴尔猜想)，数据的使用一直是数学研究的重要工具。计算机生成的数据和猜想测试的引入，使数学家能够对以前难以理解的问题获得新的见解。人工智能（AI)，尤其是机器学习，提供了一系列有效的技术来检验数据模式，并在科学领域中日益显示出其实用性。人工智能已被证明是数学研究的有力工具，能够通过寻找现有猜想的例子、加速计算、生成符号解以及检测数学对象中的结构存在性，来协助发现数学研究前沿的定理和猜想。本章将从数学领域的背景出发，通过案例分析介绍人工智能在数学中的交叉应用。 1.1数学应用背景 随着计算能力的提升和数据的增多，人工智能在数学领域的应用越来越广泛，不仅加速了数学研究的进展，还推动了实际问题的解决和创新应用的发展。人工智能可以应用于数学的多个方面，以下是一些主要应用。 (1)数据分析与统计：AI可以处理和分析大量数据，帮助识别模式和趋势，支持统计推断和决策。 (2)数学建模与优化：通过机器学习和深度学习技术，优化复杂系统的数学模型，提高预测和决策的准确性。 (3)自动定理证明：利用AI算法自动验证和证明数学定理，减少人工验证的时间和错误。 (4)数值计算：加速复杂数值计算过程，提高计算效率和精度，应用于科学计算和工程模拟。 (5)图像和信号处理：在图像识别、信号处理等领域，AI算法可以进行复杂的数学运算，实现自动化处理和分析。 (6)教育与学习：开发智能数学教育工具，个性化学习体验，帮助学生更好地理解和掌握数学概念。 这些应用展示了人工智能在数学领域的广泛潜力和影响力。本章将介绍人工智能在数学中的两个应用实例：①基于符号回归的数据分析与统计；②基于扩散模型的数学建模与优化。希望通过这两个实例，读者能够对人工智能在数学中的应用有一个初步的了解。 人工智能交叉应用 1.2基于符号回归的数据分析与统计 符号回归作为一种数据建模技术，属于数据分析与统计的范畴。它通过寻找数学表达式来描述数据之间的关系。符号回归可以用于识别数据中的模式和规律，这与数据分析的目标一致，即从数据中提取有用的信息。符号回归可以用于预测未来的数据趋势，这与统计分析中的预测功能相似。符号回归生成的模型通常是可解释的数学公式，这与统计分析中对结果解释的需求相符。总之，符号回归方法是数据分析与统计中的一种工具，用于从数据中提取规律、进行预测和解释数据关系。 符号回归通常设计为对可能的数学表达式进行搜索和评估，因为数据对应的数学表达式的空间一般非常大，组合和变体繁多。因此从复杂性理论上，符号回归被证明是NP-hard问题，即其解决方案在多项式时间内无法找到，但可以在多项式时间内验证。这意味着即使对于相对较小的问题规模，也需要耗费大量的计算资源来找到*优解。故学界一般采用一些近似的启发式算法来应对，这些算法虽然无法一定得到一个*优解，但能够保证在合理的时间找到一个满意的解。 在实际应用中，符号回归技术已经在多个领域展示了其重要性和价值。符号回归能够进行符号推理，发现数据之间的规律和潜在联系。这使得其可以配合人们的知识发现和科学决策。明显的应用莫过于在物理科学的研究中，人们可以利用符号回归来发现新的物理规律，估计物理参数或者解释现有的实验结果。而随着信息时代的发展，符号回归在现代社会各种领域中的应用也越来越广泛。符号回归技术能够从大规模数据中挖掘出隐藏的模式和知识，从而为决策提供数据驱动的支持，在气候变化、材料科学等领域都具有重要意义。 下面介绍如何利用AI方法求解符号回归问题。*先，介绍数学表达式的树表达形式;然后，介绍蒙特卡洛树搜索。 1.2.1数学表达式的树表达形式 数学表达式的树表达形式：数学表达式可以用树来表示，运算符和函数是内部节点，操作数是子节点，数字、常量和变量是叶节点。例如，图1.1中的树分别表达了数学表达式 和 采用二叉树的中序搜索方法可以实现树状数学表达式和数学表达式的一一对应关系。 二叉树是一种树状数据结构，其中每个节点*多有两个子节点，通常称为左子节点和右子节点。二叉树在计算机科学中有许多应用，包括表达式解析、排序和搜索算法等。一个二叉树的节点通常包含以下几个部分。 (1)值：节点存储的数据。 (2)左子节点：指向左子树的引用。 第1章人工智能与数学 (3)右子节点：指向右子树的引用。 二叉树的中序遍历（in-order traversal)是一种遍历二叉树的方式。遍历顺序是如下的递归过程。 (1)中序遍历左子树。 (2)访问根节点。 (3)中序遍历右子树。 在图1.1*左边的二叉树中，按照前序遍历，*先，中序遍历根节点的左子树，因为左子树只有一个节点，因此，返回“52”然后，访问根节点接着，递归中序遍历右子树，即从右子树根节点“X”下面的左子树先遍历，*后遍历“X”，再遍历其右子树。 树结构可以明确操作顺序，考虑优先级和关联性，并消除对括号的表达。在用树表达数学表达式时，数学表达式被看成符号的序列，即不同的序列对应不同的树（或者不同的数学表达式即使符号序列对应等价的数学表达式。例如，3+2和2+3是两个不同的符号序列，将被表达成不同的树，即对应不同的数学表达式；30r2：)3和3(0：)也是不同的符号序列，将被表达成不同的树，即使它们是等价的两个数学表达式。在树状数学表达式中，不考虑数学表达式是否有意义，即无意义的数学表达式也可以被树结构表达，如g、logO、0等。 1.2.2面向符号回归的蒙特卡洛树搜索 我们可以将符号回归生成任务构建为马尔可夫决策过程（Markovdecision process，MDP)。MDP是一种用于建模决策问题的数学框架，特别适用于在随机环境中进行决策。MDP是强化学习中的核心概念，广泛应用于机器人控制、自动驾驶、游戏AI等领域。在数学定义的角度上，一个MDP通常表示为一个五元组（5，在只尽7)，其中： (1)S是状态集。 (2)A是动作集。 (3)P：5xAx5[0，1]是状态转移概率函数。 {A)R：SxAR是奖励函数。 (5)[0，1]是折扣因子。 MDP的目标是找到一个策略（policy，tt)，即在每个状态下选择动作的规则，使得累积奖励期望值最大化。策略可以是确定性的，也可以是满足某概率分布的。在MDP中，价值函数用于评估在某一状态下的长期回报。常用的价值函数主要有如下两种。 (1)状态价值函数（state value function，Fw(s))：表示在状态s下，按照策略n执行时的期望累积奖励为 (2)状态-动作价值函数（state-action value function，Q7r(s，a))z表示在状态s下釆取动作a时，按照策略tt执行时的期望累积奖励为 策略优化的目标是找到*优策略7T%使得对于所有状态S，价值函数最大化。常用的策略优化方法包括值迭代(value iteration)和策略迭代(policy iteration)o蒙特卡洛树搜索（Monte Carlo tree search，MCTS)是一种用于*优策略？的算法，特别适用于游戏和其他需要模拟未来可能性的领域。它通过随机模拟来估计每个可能动作的价值，从而选择*优的决策路径。MCTS主要由四个步骤组成。 (1)选择(selection)：从根节点（当前状态）开始，根据某种策略，如置信上限（upper confidence bound，UCB)选择一个子节点，直到到达一个未完全展开的节点。 (2)扩展（expansion)：如果选择的节点不是终止节点（即游戏未结束)，则扩展一个或多个子节点。 (3)模拟(simulation)：从新扩展的节点开始，进行随机模拟，直到达到终止状态（如游戏结束)。 (4)回溯（backpropagation)：将模拟结果回溯到路径上的所有节点，更新这些节点的统计信息（如胜率 其中，选择阶段使用的UCB，公式如下： 式中，Wi是节点i的胜利次数；rn是节点i的访问次数；N是父节点的访问次数；C是探索参数，通常取礼 MCTS在许多领域都有应用，特别是在游戏AI中，如围棋、国际象棋和其他复杂的策略游戏。它的优点在于不需要特定领域的知识，只需通过模拟即可获得较好的决策。随着模拟次数的增加，结果会逐渐逼近*优解。其缺点是计算量大，模拟次数多时需要较多的计算资源，在某些情况下，随机模拟可能不够高效。但是，在很多具体应用领域，可以根据领域知识设计针对性的选择、扩展、模拟和回溯等机制，以优化MCTS性能。下面针对符号回归问题，介绍如何设计选择、扩展、模拟和回溯等机制，以有效利用MCTS求解符号回归问题。 在符号回归中，主要目标是为未知函数找出一个符号表达式，将d维输入xeRd映射到目标变量y=f(x)eR上。给定一个包含n个观测值的数据集： 其中，队是对应输入向量而的函数值，符号回归方法试图生成一个函数，使得对于所有的同时，希望所找到的函数具有良好的通用性，并有效平衡拟合精度和复杂性。经过训练后，模型在推理阶段会采用自回归的方式逐步生成标记序列，从而构造出函数。为了高效地表示函数表达树，模型采用前缀符号表示法，它能自然捕捉表达式的层次结构。具体流程是：*先对输入进行编码，然后将编码结果与掩码标记一起传递给专门设计的函数序列解码器。训练过程中，使用带掩码的交叉熵损失，在已有编码信息和当前生成序列的条件下，学习预测下一个标记的概率分布。 为了更全面地将符号回归问题表达为马尔可夫决策过程，将时间t的当前序列视为状态s。在这个框架中，如果状态s尚未达到终端状态即未到达，需要选择一个合适的动作a，并通过当前状态s和动作a来转移到下一个状态s。在蒙特卡洛树搜索中，状态被表示为树结构中的节点，而动作则是连接这些节点的边。MCTS从根节点（即初始状态）开始，系统地探索状态空间，目标是找到能够获得最大奖励的终端状态。这个过程需要在探索新节点和利用已知高价值节点之间取得平衡。具体来说，MCTS既关注那些可能产生高质量函数的节点（即具有较高g值的节点)，也考虑那些访问次数较少的节点，以确保全面探索。 通过MCTS算法的迭代进行前瞻性规划，可以更好地确定下一个动作。然而，由于搜索空间庞大，仅仅依靠MCTS可能不足以发现髙质量的符号回归函数。为此，需要在预训练模型和MCTS之间实现信息的有效共享，以提升生成效果。具体而言，就是将预训练的符号回归模型提供的下一个动作的概率纳入MCTS的规划过程。这种结合策略有助于增强搜索过程，使得MCTS不仅依赖于自身的探索和利用机制，还能借助预训练模型的指导，从而获得更高效、更有效的结果。这种方法能够在复杂的搜索空间中更快速地找到高质量的解决方案，提升整体的生成性能和效率。 为了进一步说明MCTS在符号回归模型中的应用，下面详细描述了MCTS的关键步骤。 (1)选择：采用树的置信上限标准来为搜索树中完全扩展的节点选择动作，以平衡探索和采用。定义PUCB启发式为 其中，QM是在所有模拟中，状态s中行动a的最大收益，用于促进对*优子节点的扩展。第二项鼓励探索访问次数较少的子节点；其中，N(s)为状态s的访问次数，为后续状态s，的访问次数。巧沁⑷是一个预先训练模型（参数为e)，根据状态s输出动作a的概率。*后，通过最大
|
|
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
暢銷書架
