書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
人工智能技術(shù)基礎(chǔ)

人工智能技術(shù)基礎(chǔ)

出版社：清華大學(xué)出版社出版時(shí)間：2024-07-01
開本： 16開 頁(yè)數(shù)： 252
本類榜單：教材銷量榜
中 圖 價(jià):¥41.8(7.6折) 定價(jià)  ¥55.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

人工智能技術(shù)基礎(chǔ) 版權(quán)信息

  • ISBN：9787302664208
  • 條形碼：9787302664208 ; 978-7-302-66420-8
  • 裝幀：平裝-膠訂
  • 冊(cè)數(shù)：暫無
  • 重量：暫無
  • 所屬分類：>

人工智能技術(shù)基礎(chǔ) 本書特色

本書詳細(xì)闡述了深度神經(jīng)網(wǎng)絡(luò)，知識(shí)圖譜，圖神經(jīng)網(wǎng)絡(luò)，生成式人工智能方法和機(jī)器學(xué)習(xí)方法，還介紹了弱監(jiān)督、自監(jiān)督、遷移學(xué)習(xí)、深度強(qiáng)化學(xué)習(xí)、元學(xué)習(xí)和小樣本學(xué)習(xí)、持續(xù)學(xué)習(xí)等機(jī)器學(xué)習(xí)方法。還介紹了大語(yǔ)言模型中的機(jī)器學(xué)習(xí)方法。

人工智能技術(shù)基礎(chǔ) 內(nèi)容簡(jiǎn)介

   人工智能在人類社會(huì)各領(lǐng)域得到廣泛應(yīng)用，已成為社會(huì)進(jìn)步的核心技術(shù)。本書全面介紹當(dāng)前人工智能技術(shù)的基礎(chǔ)理論和方法，包括深度神經(jīng)網(wǎng)絡(luò)、知識(shí)圖譜、圖神經(jīng)網(wǎng)絡(luò)、生成式人工智能和機(jī)器學(xué)習(xí)方法5部分內(nèi)容。重點(diǎn)介紹深度神經(jīng)網(wǎng)絡(luò)基本原理、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制和Transformer，介紹知識(shí)圖譜、圖神經(jīng)網(wǎng)絡(luò)和生成式人工智能的基本理論與方法，*后簡(jiǎn)要介紹弱監(jiān)督、自監(jiān)督、遷移學(xué)習(xí)、深度強(qiáng)化學(xué)習(xí)、元學(xué)習(xí)和小樣本學(xué)習(xí)、持續(xù)學(xué)習(xí)等機(jī)器學(xué)習(xí)方法，還介紹了大語(yǔ)言模型中的機(jī)器學(xué)習(xí)方法。

本書是作者總結(jié)近年來的教學(xué)和科研成果，結(jié)合國(guó)內(nèi)外人工智能技術(shù)領(lǐng)域*新成果編寫而成的。全書內(nèi)容體系新穎，具有先進(jìn)性、系統(tǒng)性和實(shí)用性。本書可作為高等學(xué)校人工智能技術(shù)課程的教材，也可供相關(guān)專業(yè)的工程技術(shù)人員參考。

人工智能技術(shù)基礎(chǔ) 目錄


第1章人工智能簡(jiǎn)介1
1.1人工智能的定義及發(fā)展歷史1
1.1.1人工智能的定義1
1.1.2人工智能的發(fā)展歷史1
1.2人工智能方法3
1.3人工智能的應(yīng)用5
1.4人工智能的未來6
1.4.1近期發(fā)展目標(biāo)6
1.4.2人工智能的未來7
1.5小結(jié)7
思考與練習(xí)7
第2章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)8
2.1生物神經(jīng)元與生物神經(jīng)網(wǎng)絡(luò)8
2.1.1生物神經(jīng)元8
2.1.2生物神經(jīng)網(wǎng)絡(luò)9
2.2人工神經(jīng)元與人工神經(jīng)網(wǎng)絡(luò)9
2.2.1人工神經(jīng)元9
2.2.2激活函數(shù)10
2.2.3人工神經(jīng)網(wǎng)絡(luò)13
2.3前向神經(jīng)網(wǎng)絡(luò)13
2.4反向傳播算法14
2.4.1鏈?zhǔn)椒▌t15
2.4.2梯度下降法15
2.4.3反向傳播算法15
2.4.4反向傳播算法的改進(jìn)算法18
2.5處理數(shù)據(jù)和訓(xùn)練模型的技巧20
2.5.1數(shù)據(jù)預(yù)處理——數(shù)據(jù)標(biāo)準(zhǔn)化20
2.5.2權(quán)重初始化21
2.5.3防止過擬合的常用方法23
2.6小結(jié)24
思考與練習(xí)24
第3章卷積神經(jīng)網(wǎng)絡(luò)25
3.1卷積神經(jīng)網(wǎng)絡(luò)的特性25
3.1.1局部連接26
3.1.2權(quán)值共享26
3.1.3不變性27
3.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練27
3.2.1卷積層27
3.2.2池化層32
3.2.3全連接層33
3.2.4卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練35
3.3卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型36
3.3.1LeNet5網(wǎng)絡(luò)37
3.3.2AlexNet網(wǎng)絡(luò)38
3.3.3VGGNet網(wǎng)絡(luò)41
3.3.4其他幾種經(jīng)典網(wǎng)絡(luò)的基本結(jié)構(gòu)42
3.4小結(jié)48
思考與練習(xí)48
第4章循環(huán)神經(jīng)網(wǎng)絡(luò)49
4.1循環(huán)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)49
4.2循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法52
4.2.1標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)的前向輸出流程52
4.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法——隨時(shí)間反向傳播53
4.2.3循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的梯度消失和梯度爆炸問題及解決方法54
4.3循環(huán)神經(jīng)網(wǎng)絡(luò)拓展模型56
4.3.1簡(jiǎn)單循環(huán)網(wǎng)絡(luò)56
4.3.2雙向循環(huán)網(wǎng)絡(luò)56
4.3.3長(zhǎng)短期記憶網(wǎng)絡(luò)57
4.3.4門控循環(huán)單元網(wǎng)絡(luò)61
4.4循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用結(jié)構(gòu)62
4.4.1同步的序列到序列結(jié)構(gòu)（N到N）62
4.4.2序列分類結(jié)構(gòu)（N到1）62
4.4.3向量到序列結(jié)構(gòu)（1到N）62
4.4.4異步的序列到序列的模式（N到M）64
4.5小結(jié)65
思考與練習(xí)65
第5章注意力機(jī)制67
5.1軟注意力機(jī)制的原理及計(jì)算過程68
5.2通道注意力和空間注意力70
5.2.1通道注意力70
5.2.2空間注意力73
5.2.3混合注意力73
5.3自注意力機(jī)制76
5.3.1自注意力機(jī)制的輸入方式及特性76
5.3.2自注意力機(jī)制與RNN的區(qū)別79
5.3.3自注意力機(jī)制在視覺領(lǐng)域的應(yīng)用80
5.4互注意力機(jī)制84
5.5小結(jié)85
思考與練習(xí)85
第6章Transformer86
6.1Transformer的結(jié)構(gòu)和工作原理86
6.1.1Transformer的輸入89
6.1.2多頭自注意力機(jī)制90
6.1.3編碼器結(jié)構(gòu)92
6.1.4譯碼器結(jié)構(gòu)93
6.1.5Transformer的訓(xùn)練95
6.1.6Transformer的特點(diǎn)分析96
6.2Transformer在NLP中的應(yīng)用96
6.2.1BERT的基本原理和訓(xùn)練方法97
6.2.2GPT的基本原理和訓(xùn)練方法101
6.3Transformer在視覺領(lǐng)域中的應(yīng)用104
6.3.1視覺Transformer104
6.3.2其他視覺Transformer106
6.3.3受ViT啟發(fā)解決視覺問題的多層感知機(jī)112
6.4小結(jié)115
思考與練習(xí)115
第7章知識(shí)圖譜116
7.1知識(shí)圖譜的起源116
7.1.1知識(shí)工程和專家系統(tǒng)116
7.1.2語(yǔ)義網(wǎng)絡(luò)、語(yǔ)義網(wǎng)、鏈接數(shù)據(jù)和知識(shí)圖譜117
7.1.3知識(shí)圖譜的定義118
7.2知識(shí)圖譜的架構(gòu)119
7.2.1邏輯架構(gòu)119
7.2.2技術(shù)架構(gòu)120
7.3知識(shí)抽取121
7.3.1非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取122
7.3.2結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取130
7.3.3半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取130
7.4知識(shí)融合134
7.4.1知識(shí)融合的基本技術(shù)流程136
7.4.2典型知識(shí)融合工具137
7.4.3實(shí)體鏈接140
7.4.4知識(shí)合并144
7.5知識(shí)加工145
7.5.1實(shí)體構(gòu)建145
7.5.2知識(shí)推理146
7.5.3質(zhì)量評(píng)估148
7.5.4知識(shí)更新148
7.6小結(jié)148
思考與練習(xí)148
第8章圖神經(jīng)網(wǎng)絡(luò)149
8.1圖論基礎(chǔ)與圖譜理論149
8.1.1圖論基礎(chǔ)149
8.1.2圖譜理論151
8.2圖神經(jīng)網(wǎng)絡(luò)基本原理153
8.2.1圖神經(jīng)網(wǎng)絡(luò)的基本操作153
8.2.2多層GNN155
8.2.3GNN應(yīng)用場(chǎng)景156
8.3圖神經(jīng)網(wǎng)絡(luò)分類157
8.4卷積圖神經(jīng)網(wǎng)絡(luò)158
8.4.1基于圖譜理論的ConvGNN159
8.4.2基于空間的ConvGNN160
8.5圖注意力網(wǎng)絡(luò)161
8.6圖生成網(wǎng)絡(luò)163
8.7圖時(shí)空網(wǎng)絡(luò)164
8.8小結(jié)166
思考與練習(xí)166
第9章生成式人工智能模型167
9.1變分自編碼器168
9.1.1原理概念168
9.1.2訓(xùn)練方法169
9.1.3應(yīng)用方法170
9.2生成對(duì)抗網(wǎng)絡(luò)171
9.2.1GAN的基本原理171
9.2.2GAN網(wǎng)絡(luò)的幾種結(jié)構(gòu)172
9.2.3GAN訓(xùn)練中生成與訓(xùn)練集之間的相似評(píng)價(jià)方法174
9.3流模型177
9.3.1流模型的工作原理177
9.3.2流模型的常見分類方法178
9.3.3常見的流模型轉(zhuǎn)換函數(shù)設(shè)計(jì)179
9.4擴(kuò)散模型180
9.4.1去噪擴(kuò)散概率模型DDPM181
9.4.2基于分?jǐn)?shù)匹配的隨機(jī)微分方程擴(kuò)散模型183
9.4.3擴(kuò)散模型的采樣生成184
9.5穩(wěn)定擴(kuò)散模型186
9.5.1LDM隱式擴(kuò)散187
9.5.2文本與圖像的關(guān)聯(lián)方法——CLIP模型188
9.5.3其他條件下的生成模型189
9.5.4穩(wěn)定擴(kuò)散模型的應(yīng)用190
9.6小結(jié)194
思考與練習(xí)194
第10章機(jī)器學(xué)習(xí)195
10.1弱監(jiān)督學(xué)習(xí)195
10.1.1主動(dòng)學(xué)習(xí)196
10.1.2半監(jiān)督學(xué)習(xí)197
10.2自監(jiān)督學(xué)習(xí)198
10.2.1生成式自監(jiān)督學(xué)習(xí)199
10.2.2判別式自監(jiān)督學(xué)習(xí)200
10.3遷移學(xué)習(xí)202
10.4深度強(qiáng)化學(xué)習(xí)204
10.4.1強(qiáng)化學(xué)習(xí)系統(tǒng)概述205
10.4.2基于值函數(shù)的深度強(qiáng)化學(xué)習(xí)207
10.4.3基于策略的深度強(qiáng)化學(xué)習(xí)208
10.4.4基于演員—評(píng)論家的深度強(qiáng)化學(xué)習(xí)209
10.4.5多智能體深度強(qiáng)化學(xué)習(xí)210
10.5元學(xué)習(xí)和。悖颖緦W(xué)習(xí)212
10.5.1基于模型的元學(xué)習(xí)方法213
10.5.2模型無關(guān)的元學(xué)習(xí)方法216
10.6持續(xù)學(xué)習(xí)218
10.6.1持續(xù)學(xué)習(xí)的應(yīng)用場(chǎng)景和主要挑戰(zhàn)219
10.6.2持續(xù)學(xué)習(xí)的主要方法222
10.7大語(yǔ)言模型中的機(jī)器學(xué)習(xí)方法226
10.7.1提示學(xué)習(xí)和指示學(xué)習(xí)227
10.7.2上下文學(xué)習(xí)和思維鏈提示228
10.7.3基于人類反饋的強(qiáng)化學(xué)習(xí)233
10.8小結(jié)236
思考與練習(xí)236
參考文獻(xiàn)237
展開全部

人工智能技術(shù)基礎(chǔ) 作者簡(jiǎn)介

王科俊，教授，博導(dǎo)。中國(guó)人工智能學(xué)會(huì)理事，黑龍江省人工智能學(xué)會(huì)理事長(zhǎng)，黑龍江省神經(jīng)科學(xué)學(xué)會(huì)副理事長(zhǎng)，北京理工大學(xué)珠海校區(qū)教授，哈爾濱工程大學(xué)教授，黑龍江大學(xué)兼職教授。主要從事深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)、智能監(jiān)控和多模態(tài)生物特征識(shí)別等方向的研究。完成科研項(xiàng)目30余項(xiàng)，發(fā)表論文350余篇，出版學(xué)術(shù)專著4部、教材3部，主審教材2部。獲得部級(jí)科技進(jìn)步二等獎(jiǎng)3項(xiàng)、三等獎(jiǎng)4項(xiàng)，省高校科學(xué)技術(shù)一等獎(jiǎng)1項(xiàng)、二等獎(jiǎng)1項(xiàng)。獲得授權(quán)發(fā)明專利38項(xiàng)，國(guó)家版權(quán)局軟件著作權(quán)登記1項(xiàng)。1996年獲得中國(guó)船舶工業(yè)總公司“優(yōu)秀青年科技工作者”稱號(hào)，1999年當(dāng)選哈爾濱工程大學(xué)首屆十大杰出青年。黑龍江省杰出青年基金獲得者。 盧桂萍，教授，高級(jí)工程師。廣東省工程圖學(xué)學(xué)會(huì)理事，廣東省科協(xié)學(xué)會(huì)學(xué)術(shù)項(xiàng)目評(píng)審專家，珠海市工業(yè)互聯(lián)網(wǎng)協(xié)會(huì)理事，珠海市創(chuàng)客協(xié)會(huì)理事，珠海市科學(xué)技術(shù)協(xié)會(huì)專家，北京理工大學(xué)珠海校區(qū)教授。主要從事人工智能技術(shù)理論與應(yīng)用、多模態(tài)情感識(shí)別、虛擬現(xiàn)實(shí)與網(wǎng)絡(luò)化制造等方向的研究。主持教科研項(xiàng)目20余項(xiàng)，發(fā)表論文40余篇。作為主編、副主編出版教材8本。獲得授權(quán)發(fā)明專利12項(xiàng)、計(jì)算機(jī)軟件著作權(quán)3項(xiàng)。2013年被評(píng)為珠海市先進(jìn)教師，2015年被評(píng)為南粵優(yōu)秀教師，2014-2018年入選廣東省“千百十”人才培養(yǎng)計(jì)劃第八批培養(yǎng)對(duì)象。

商品評(píng)論(0條)
暫無評(píng)論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服