舉報 
會員
現代人工智能技術
最新章節：
封底
《現代人工智能技術》對現代人工智能的理論、算法、框架及應用進行了全面、系統的論述，剖析了人工智能研究領域的前沿學術成果，涵蓋了機器學習、深度學習、強化學習以及聯邦學習等諸多方向。讀者通過學習本書，能夠掌握人工智能的基本知識，并能了解人工智能研究的一些前沿內容，為進一步學習人工智能理論與應用奠定基礎。全書共分為9章，分別為緒論、知識表達、推理方法、智能算法、機器學習、神經網絡、深度學習、強化學習、聯邦學習。本書可作為計算機類、自動化類、電氣類、電子信息類專業的本科生、研究生學習人工智能課程的參考用書，也可供高等院校的教師、研究機構的研究人員，以及相關法律法規制定者和政府監管部門參考。
- 封底 更新時間：2024-06-26 16:51:44
- 參考文獻
- 思考題
- 9.7 小結
- 9.6.3 聯邦遷移學習框架
- 9.6.2 聯邦遷移學習的分類
- 9.6.1 聯邦遷移學習的定義
- 9.6 聯邦遷移學習
- 9.5.3 FedBCD算法
- 9.5.2 縱向聯邦學習架構
- 9.5.1 縱向聯邦學習的定義
- 9.5 縱向聯邦學習
- 9.4.3 聯邦平均算法
- 9.4.2 橫向聯邦學習架構
- 9.4.1 橫向聯邦學習的定義
- 9.4 橫向聯邦學習
- 9.3.4 基于沙普利值評估
- 9.3.3 基于模型參數評估
- 9.3.2 基于數據質量評估
- 9.3.1 聯邦學習中引入激勵機制的必要性
- 9.3 激勵機制
- 9.2.3 安全多方計算
- 9.2.2 差分隱私
- 9.2.1 聯邦學習面臨的隱私泄露風險
- 9.2 隱私保護技術
- 9.1.3 聯邦學習的分類
- 9.1.2 聯邦學習的定義
- 9.1.1 人工智能面臨的挑戰
- 9.1 聯邦學習的概念
- 第9章 聯邦學習
- 思考題
- 8.8 總結
- 8.7.2 SUNRISE
- 8.7.1 Bootstrapped DQN
- 8.7 集成強化學習
- 8.6.3 生成式對抗模仿學習
- 8.6.2 逆向強化學習
- 8.6.1 行為克隆
- 8.6 模仿強化學習
- 8.5.4 深度確定性策略梯度算法
- 8.5.3 近端策略優化算法
- 8.5.2 信任區域策略優化算法
- 8.5.1 深度Q網絡
- 8.5 深度強化學習
- 8.4.4 Actor-Critic算法
- 8.4.3 值函數近似
- 8.4.2 REINFORCE算法
- 8.4.1 策略梯度
- 8.4 基于策略的強化學習
- 8.3.4 On-policy算法與Off-policy算法
- 8.3.3 Q-Learning算法
- 8.3.2 SARSA算法
- 8.3.1 時序差分算法
- 8.3 基于價值的強化學習
- 8.2.6 策略迭代
- 8.2.5 最優策略
- 8.2.4 馬爾可夫決策過程
- 8.2.3 馬爾可夫獎勵過程
- 8.2.2 馬爾可夫過程
- 8.2.1 隨機過程與馬爾可夫性質
- 8.2 馬爾可夫過程
- 8.1.2 強化學習
- 8.1.1 序貫決策問題
- 8.1 強化學習的概念
- 第8章 強化學習
- 思考題
- 7.8 小結
- 7.7.3 注意力機制的種類
- 7.7.2 注意力機制的原理
- 7.7.1 注意力機制的簡介
- 7.7 注意力機制
- 7.6.2 長短期記憶網絡的結構
- 7.6.1 長短期記憶網絡的簡介
- 7.6 長短期記憶網絡
- 7.5.2 門控循環單元的結構
- 7.5.1 門控循環單元的簡介
- 7.5 門控循環單元
- 7.4.2 深度循環神經網絡的結構
- 7.4.1 深度循環神經網絡的簡介
- 7.4 深度循環神經網絡
- 7.3.2 深度殘差網絡的結構
- 7.3.1 深度殘差網絡的簡介
- 7.3 深度殘差網絡
- 7.2.2 深度卷積神經網絡的結構
- 7.2.1 深度卷積神經網絡的簡介
- 7.2 深度卷積神經網絡
- 7.1.3 深度學習的發展
- 7.1.2 深度學習的特點
- 7.1.1 深度學習的簡介
- 7.1 深度學習的概念
- 第7章 深度學習
- 思考題
- 6.7 小結
- 6.6 生成對抗神經網絡
- 6.5.3 雙向循環神經網絡
- 6.5.2 計算循環神經網絡的梯度
- 6.5.1 導師驅動過程
- 6.5 循環神經網絡
- 6.4.3 卷積神經網絡的結構
- 6.4.2 卷積神經網絡的產生動機
- 6.4.1 卷積的基本知識
- 6.4 卷積神經網絡
- 6.3.2 標準BP神經網絡分析和改進
- 6.3.1 標準BP神經網絡算法和流程
- 6.3 BP神經網絡
- 6.2.2 全連接神經網絡
- 6.2.1 線性神經網絡
- 6.2 線性神經網絡和全連接神經網絡
- 6.1.2 神經網絡簡介
- 6.1.1 生物神經元和人工神經元
- 6.1 神經元和神經網絡
- 第6章 神經網絡
- 思考題
- 5.6 小結
- 5.5.5 層次聚類
- 5.5.4 密度聚類
- 5.5.3 高斯混合聚類
- 5.5.2 K均值
- 5.5.1 基本模型
- 5.5 無監督學習
- 5.4.5 支持向量機
- 5.4.4 決策樹
- 5.4.3 貝葉斯分類
- 5.4.2 線性對數幾率回歸
- 5.4.1 線性回歸
- 5.4 有監督學習
- 5.3.5 偏差與方差
- 5.3.4 比較檢驗
- 5.3.3 性能度量
- 5.3.2 調參與最終模型
- 5.3.1 評估方法
- 5.3 模型評估
- 5.2.5 特征提取和數據降維
- 5.2.4 特征選擇
- 5.2.3 特征處理
- 5.2.2 數據獲取
- 5.2.1 目的與基本流程
- 5.2 特征工程
- 5.1.2 分類
- 5.1.1 專業術語
- 5.1 機器學習簡介
- 第5章 機器學習
- 思考題
- 4.6 小結
- 4.5.2 蟻群算法的參數選擇
- 4.5.1 基本蟻群算法模型
- 4.5 蟻群算法
- 4.4.2 粒子群優化算法的參數分析
- 4.4.1 粒子群優化算法的基本原理
- 4.4 粒子群優化算法
- 4.3.3 自適應遺傳算法
- 4.3.2 雙種群遺傳算法
- 4.3.1 改進算法
- 4.3 遺傳算法的改進算法
- 4.2.11 遺傳算法的特點
- 4.2.10 遺傳算法的一般步驟
- 4.2.9 變異
- 4.2.8 交叉
- 4.2.7 選擇
- 4.2.6 適應度函數
- 4.2.5 群體設定
- 4.2.4 實數編碼和浮點數編碼
- 4.2.3 編碼
- 4.2.2 遺傳算法的發展歷史
- 4.2.1 遺傳算法的基本思想
- 4.2 遺傳算法
- 4.1.3 進化算法的設計原則
- 4.1.2 進化算法的生物背景
- 4.1.1 進化算法的概念
- 4.1 進化算法的產生與發展
- 第4章 智能算法及其應用
- 思考題
- 3.6 小結
- 3.5 歸結反演
- 3.4 魯濱遜歸結原理
- 3.3 謂詞公式化為子句集的方法
- 3.2 自然演繹推理
- 3.1.4 沖突消解策略
- 3.1.3 推理的方向
- 3.1.2 推理方式及其分類
- 3.1.1 推理的定義
- 3.1 推理的基本概念
- 第3章 確定性推理方法
- 思考題
- 2.5 小結
- 2.4.3 框架表示法的特點
- 2.4.2 用框架表示知識的例子
- 2.4.1 框架的一般結構
- 2.4 框架表示法
- 2.3.4 產生式表示法的特點
- 2.3.3 產生式系統的例子——動物識別系統
- 2.3.2 產生式系統
- 2.3.1 產生式
- 2.3 產生式表示法
- 2.2.6 一階謂詞邏輯表示法的特點
- 2.2.5 一階謂詞邏輯知識表示法
- 2.2.4 謂詞公式的性質
- 2.2.3 謂詞公式
- 2.2.2 謂詞
- 2.2.1 命題
- 2.2 一階謂詞邏輯表示法
- 2.1.3 知識的表示
- 2.1.2 知識的特征
- 2.1.1 知識的概念
- 2.1 知識與知識表達的概念
- 第2章 知識表達
- 思考題
- 1.5 小結
- 1.4.12 分布式人工智能與多智能體
- 1.4.11 人工神經網絡
- 1.4.10 組合優化
- 1.4.9 機器人
- 1.4.8 專家系統
- 1.4.7 數據挖掘
- 1.4.6 智能信息檢索
- 1.4.5 自然語言理解
- 1.4.4 機器視覺
- 1.4.3 模式識別
- 1.4.2 博弈
- 1.4.1 自動定理證明
- 1.4 人工智能的主要研究及應用領域
- 1.3.4 機器學習
- 1.3.3 機器思維
- 1.3.2 機器感知
- 1.3.1 知識表示
- 1.3 人工智能的基本原理及方法
- 1.2.3 發展
- 1.2.2 形成
- 1.2.1 孕育
- 1.2 人工智能發展簡史
- 1.1.3 人工智能
- 1.1.2 智能的特征
- 1.1.1 智能的概念
- 1.1 人工智能的基本概念
- 第1章 緒論
- 前言
- 版權信息
- 封面
- 封面
- 版權信息
- 前言
- 第1章 緒論
- 1.1 人工智能的基本概念
- 1.1.1 智能的概念
- 1.1.2 智能的特征
- 1.1.3 人工智能
- 1.2 人工智能發展簡史
- 1.2.1 孕育
- 1.2.2 形成
- 1.2.3 發展
- 1.3 人工智能的基本原理及方法
- 1.3.1 知識表示
- 1.3.2 機器感知
- 1.3.3 機器思維
- 1.3.4 機器學習
- 1.4 人工智能的主要研究及應用領域
- 1.4.1 自動定理證明
- 1.4.2 博弈
- 1.4.3 模式識別
- 1.4.4 機器視覺
- 1.4.5 自然語言理解
- 1.4.6 智能信息檢索
- 1.4.7 數據挖掘
- 1.4.8 專家系統
- 1.4.9 機器人
- 1.4.10 組合優化
- 1.4.11 人工神經網絡
- 1.4.12 分布式人工智能與多智能體
- 1.5 小結
- 思考題
- 第2章 知識表達
- 2.1 知識與知識表達的概念
- 2.1.1 知識的概念
- 2.1.2 知識的特征
- 2.1.3 知識的表示
- 2.2 一階謂詞邏輯表示法
- 2.2.1 命題
- 2.2.2 謂詞
- 2.2.3 謂詞公式
- 2.2.4 謂詞公式的性質
- 2.2.5 一階謂詞邏輯知識表示法
- 2.2.6 一階謂詞邏輯表示法的特點
- 2.3 產生式表示法
- 2.3.1 產生式
- 2.3.2 產生式系統
- 2.3.3 產生式系統的例子——動物識別系統
- 2.3.4 產生式表示法的特點
- 2.4 框架表示法
- 2.4.1 框架的一般結構
- 2.4.2 用框架表示知識的例子
- 2.4.3 框架表示法的特點
- 2.5 小結
- 思考題
- 第3章 確定性推理方法
- 3.1 推理的基本概念
- 3.1.1 推理的定義
- 3.1.2 推理方式及其分類
- 3.1.3 推理的方向
- 3.1.4 沖突消解策略
- 3.2 自然演繹推理
- 3.3 謂詞公式化為子句集的方法
- 3.4 魯濱遜歸結原理
- 3.5 歸結反演
- 3.6 小結
- 思考題
- 第4章 智能算法及其應用
- 4.1 進化算法的產生與發展
- 4.1.1 進化算法的概念
- 4.1.2 進化算法的生物背景
- 4.1.3 進化算法的設計原則
- 4.2 遺傳算法
- 4.2.1 遺傳算法的基本思想
- 4.2.2 遺傳算法的發展歷史
- 4.2.3 編碼
- 4.2.4 實數編碼和浮點數編碼
- 4.2.5 群體設定
- 4.2.6 適應度函數
- 4.2.7 選擇
- 4.2.8 交叉
- 4.2.9 變異
- 4.2.10 遺傳算法的一般步驟
- 4.2.11 遺傳算法的特點
- 4.3 遺傳算法的改進算法
- 4.3.1 改進算法
- 4.3.2 雙種群遺傳算法
- 4.3.3 自適應遺傳算法
- 4.4 粒子群優化算法
- 4.4.1 粒子群優化算法的基本原理
- 4.4.2 粒子群優化算法的參數分析
- 4.5 蟻群算法
- 4.5.1 基本蟻群算法模型
- 4.5.2 蟻群算法的參數選擇
- 4.6 小結
- 思考題
- 第5章 機器學習
- 5.1 機器學習簡介
- 5.1.1 專業術語
- 5.1.2 分類
- 5.2 特征工程
- 5.2.1 目的與基本流程
- 5.2.2 數據獲取
- 5.2.3 特征處理
- 5.2.4 特征選擇
- 5.2.5 特征提取和數據降維
- 5.3 模型評估
- 5.3.1 評估方法
- 5.3.2 調參與最終模型
- 5.3.3 性能度量
- 5.3.4 比較檢驗
- 5.3.5 偏差與方差
- 5.4 有監督學習
- 5.4.1 線性回歸
- 5.4.2 線性對數幾率回歸
- 5.4.3 貝葉斯分類
- 5.4.4 決策樹
- 5.4.5 支持向量機
- 5.5 無監督學習
- 5.5.1 基本模型
- 5.5.2 K均值
- 5.5.3 高斯混合聚類
- 5.5.4 密度聚類
- 5.5.5 層次聚類
- 5.6 小結
- 思考題
- 第6章 神經網絡
- 6.1 神經元和神經網絡
- 6.1.1 生物神經元和人工神經元
- 6.1.2 神經網絡簡介
- 6.2 線性神經網絡和全連接神經網絡
- 6.2.1 線性神經網絡
- 6.2.2 全連接神經網絡
- 6.3 BP神經網絡
- 6.3.1 標準BP神經網絡算法和流程
- 6.3.2 標準BP神經網絡分析和改進
- 6.4 卷積神經網絡
- 6.4.1 卷積的基本知識
- 6.4.2 卷積神經網絡的產生動機
- 6.4.3 卷積神經網絡的結構
- 6.5 循環神經網絡
- 6.5.1 導師驅動過程
- 6.5.2 計算循環神經網絡的梯度
- 6.5.3 雙向循環神經網絡
- 6.6 生成對抗神經網絡
- 6.7 小結
- 思考題
- 第7章 深度學習
- 7.1 深度學習的概念
- 7.1.1 深度學習的簡介
- 7.1.2 深度學習的特點
- 7.1.3 深度學習的發展
- 7.2 深度卷積神經網絡
- 7.2.1 深度卷積神經網絡的簡介
- 7.2.2 深度卷積神經網絡的結構
- 7.3 深度殘差網絡
- 7.3.1 深度殘差網絡的簡介
- 7.3.2 深度殘差網絡的結構
- 7.4 深度循環神經網絡
- 7.4.1 深度循環神經網絡的簡介
- 7.4.2 深度循環神經網絡的結構
- 7.5 門控循環單元
- 7.5.1 門控循環單元的簡介
- 7.5.2 門控循環單元的結構
- 7.6 長短期記憶網絡
- 7.6.1 長短期記憶網絡的簡介
- 7.6.2 長短期記憶網絡的結構
- 7.7 注意力機制
- 7.7.1 注意力機制的簡介
- 7.7.2 注意力機制的原理
- 7.7.3 注意力機制的種類
- 7.8 小結
- 思考題
- 第8章 強化學習
- 8.1 強化學習的概念
- 8.1.1 序貫決策問題
- 8.1.2 強化學習
- 8.2 馬爾可夫過程
- 8.2.1 隨機過程與馬爾可夫性質
- 8.2.2 馬爾可夫過程
- 8.2.3 馬爾可夫獎勵過程
- 8.2.4 馬爾可夫決策過程
- 8.2.5 最優策略
- 8.2.6 策略迭代
- 8.3 基于價值的強化學習
- 8.3.1 時序差分算法
- 8.3.2 SARSA算法
- 8.3.3 Q-Learning算法
- 8.3.4 On-policy算法與Off-policy算法
- 8.4 基于策略的強化學習
- 8.4.1 策略梯度
- 8.4.2 REINFORCE算法
- 8.4.3 值函數近似
- 8.4.4 Actor-Critic算法
- 8.5 深度強化學習
- 8.5.1 深度Q網絡
- 8.5.2 信任區域策略優化算法
- 8.5.3 近端策略優化算法
- 8.5.4 深度確定性策略梯度算法
- 8.6 模仿強化學習
- 8.6.1 行為克隆
- 8.6.2 逆向強化學習
- 8.6.3 生成式對抗模仿學習
- 8.7 集成強化學習
- 8.7.1 Bootstrapped DQN
- 8.7.2 SUNRISE
- 8.8 總結
- 思考題
- 第9章 聯邦學習
- 9.1 聯邦學習的概念
- 9.1.1 人工智能面臨的挑戰
- 9.1.2 聯邦學習的定義
- 9.1.3 聯邦學習的分類
- 9.2 隱私保護技術
- 9.2.1 聯邦學習面臨的隱私泄露風險
- 9.2.2 差分隱私
- 9.2.3 安全多方計算
- 9.3 激勵機制
- 9.3.1 聯邦學習中引入激勵機制的必要性
- 9.3.2 基于數據質量評估
- 9.3.3 基于模型參數評估
- 9.3.4 基于沙普利值評估
- 9.4 橫向聯邦學習
- 9.4.1 橫向聯邦學習的定義
- 9.4.2 橫向聯邦學習架構
- 9.4.3 聯邦平均算法
- 9.5 縱向聯邦學習
- 9.5.1 縱向聯邦學習的定義
- 9.5.2 縱向聯邦學習架構
- 9.5.3 FedBCD算法
- 9.6 聯邦遷移學習
- 9.6.1 聯邦遷移學習的定義
- 9.6.2 聯邦遷移學習的分類
- 9.6.3 聯邦遷移學習框架
- 9.7 小結
- 思考題
- 參考文獻
- 封底 更新時間：2024-06-26 16:51:44
