教育>本科研究生>计算机类
人工智能算法分析  

人工智能算法分析  "

作者:徐立芳,莫宏伟
ISBN:9787121456817
定价:¥79.8
字数:564千字
页数:344
出版时间:2023-06
开本:16开
版次:01-01
装帧:
出版社:电子工业出版社
简介

本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法,以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状,以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法,包括Q-学习算法、蒙特卡洛算法和动态规划算法,以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法,主要包括TrAdaBoost算法和层次贝叶斯算法,以及这些算法的原理和案例编程实现。第7章主要介绍了联邦学习的研究现状和相关算法,涉及联邦平均算法和纵向联邦学习算法,以及算法的原理和案例编程实现。第8章介绍了因果学习的研究现状和典型模型算法,包括结果因果模型和多变量结构识别算法,还有这些模型和算法的原理以及案例编程实现。第9章和第10章分别介绍了文本挖掘和图像处理的研究现状,以及应用于文本和图像的一些算法,涉及算法的原理介绍和案例编程实现。第11章介绍了人工智能大模型的发展及研究现状,包括Transformer和GPT,以及相关的改进模型,并对其中典型的模型应用案例进行了分析。本书可作为计算机科学与技术、智能科学与技术、人工智能等专业高年级本科生和研究生教材,也可供从事或有志于人工智能行业的研究人员和从业者参考。

前言

人类社会发展历经了农业时代、工业时代,再到如今的信息时代,在这漫长的文明进步过程中,人类不断创造新的知识体系,并为推动人类进步打下了坚实的基础。不断学习和进步是人类不同于其他灵长类动物的一个重要特征,也是人工智能从弱人工智能迈向强人工智能的一个必经阶段。从20世纪90年代信息技术大面积普及以来,互联网迅速在人类社会中掀起了一股热潮。在人类社会迈入21世纪以后,随着深度学习的出现,人工智能开始焕发出强大的生命力,并逐步渗透到人类生活的各个领域,人类社会逐步开始由信息时代迈向智能时代。当前,人工智能的研究应用已经成为全国甚至全世界的焦点,发展人工智能学科、落实人工智能相关研究应用已经成为各个国家的战略重点。在新时代背景下,人工智能技术已经从传统的机器学习衍生出深度学习、强化学习、迁移学习、联邦学习和因果学习等新的学习技术。一些著名的人工智能领域学者认为,如果说20世纪是工业信息时代,那么21世纪就是人工智能时代,谁掌握了更先进的人工智能,谁就掌握了最先进的思想。可以说当前人类社会的众多突破都和人工智能息息相关。早期,机器学习作为典型的人工智能技术,是计算机迈向智能的第一个阶段。机器学习的理论和实践涉及概率论、统计学、最优化理论、凸优化理论和计算机网络结构等多个领域的交叉学科。而到了今天,机器学习已经衍生成与教育学、心理学、医学、计算机科学、自动化等相关的交叉学科,它为解决多学科交叉协同问题提供了新的思路。因此,世界上的大多数高校都将机器学习列为重要的学习方向。随着人工智能技术的发展,人工神经网络的提出使得深度学习开始逐步迈向历史舞台。深度学习是从机器学习中的人工神经网络发展出来的新领域,是一种基于多层人工神经网络的学习方法。深度学习也是人工智能技术中一种基于多数据进行表征学习的方法,至今已有多种深度学习框架,如卷积神经网络、深度置信网络、递归神经网络和生成对抗网络等被广泛应用在计算机视觉、语音识别、自然语言处理、语音识别和生物信息学等领域,并在这些领域取得了良好的效果。近年来,深度学习获得了空前的成功,推动了人工智能技术的应用落地,典型的应用包括目标跟踪、目标识别、机器翻译、图像生成和智能机器人等。此外,一种基于试错和反馈的学习方式——强化学习也被提出来,虽然深度学习有着较强的感知能力,但是缺乏一定的决策能力,而强化学习具有决策能力,可以通过对未知环境的不断学习来指定更加优秀的策略。此外,为了方便利用已有的经验来指导或协助其他活动,研究人员又提出了迁移学习和联邦学习,迁移学习和联邦学习利用或协同已有的知识和经验,并从这些知识和经验中学习,以扩充整个知识理论体系。哲学家认为事物是联系和发展的,在人工智能方面也是如此,因果学习是一种典型的联系和发展过程。当某个变量改变的时候,在保持其他量不变的情况下,它是如何导致另一个变量改变的?这就是因果学习研究的问题,因果学习注重研究事物之间的内在联系。 作为人类社会发展的重要手段,人工智能的应用涵盖文本、图像、语音和视频等数据媒体形式。人工智能算法是处理这些数据载体的核心技术,通过人工智能算法,我们可以轻松地处理难以估量的多种类型的数据,可以说人工智能算法是人工智能的核心,而人工智能是人类社会发展的重要动力。因此,本书将从人工智能技术的整个发展史出发,首先介绍机器学习、深度学习、强化学习、迁移学习、联邦学习和因果学习等的概念、发展现状及相关算法,并针对这些算法进行实际案例分析和编程实践。此外,本书介绍了一些典型的文本挖掘和图像处理算法。作为迈向人工智能通用化的基础,本文还介绍了一些著名的人工智能大模型的基本原理和研究现状。本书的第1章对机器学习的概念、发展及相关的方法进行了全面性概括介绍。在第2章和第3章介绍了机器学习经典分类算法、聚类算法、集成算法和随机森林算法。第4~8章分别介绍了深度学习、强化学习、迁移学习、联邦学习和因果学习,以及这些学习方法的典型算法和模型,并结合实际案例对这些算法和模型进行了编程实现和分析。第9章和第10章介绍了文本挖掘和图像处理领域的研究现状和相关算法,以及这些算法的具体应用形式和编程案例分析。第11章针对当前人工智能大模型的研究现状进行了介绍,并分析和讨论了当前典型的大模型,包括Transformer和GPT模型。除第1章外,各章内容相互独立,读者可以根据自己的兴趣进行选择性阅读。根据课程安排,一个学期36课时可以讲授完本书的全部内容。 本书的内容和组织安排力求从大的发展观出发,从概念到原理再到算法编程实现,力争通过理论和实践相结合的方式使读者对人工智能的相关算法的理解和应用更上一层楼。读者通过对本书的学习,应该能从整个人工智能技术发展史出发,掌握人工智能衍生出的各种学习方法,以及这些方法的原理和发展现状,并通过编程案例分析,对理论进行融会贯通。希望读者从学习的过程中体会计算机科学和人工智能技术带来的快乐和力量。书中各章结尾安排有选择体、判断题和简答题三种形式的习题,力求帮助读者巩固所学的内容,提升读者对知识的掌握程度,通过习题的联系,读者可以加深对人工智能算法的理解和对具体算法的应用能力。 作者热忱欢迎同行专家和读者对本书提出宝贵意见,使本书内容在使用过程中不断改进,日趋完善。

目录

第1章 绪论 1 1.1 人类的学习与机器的学习 2 1.1.1 人类的学习 2 1.1.2 机器的学习 3 1.2 机器学习与机器智能 6 1.2.1 机器学习的概念 6 1.2.2 机器学习如何实现机器智能 7 1.3 机器学习的发展历程 7 1.4 机器学习的类型 9 1.5 机器学习的主要方法 10 1.6 机器学习的主要算法 13 1.6.1 传统机器学习算法 14 1.6.2 新型机器学习算法 15 1.7 机器学习的典型应用与发展趋势 17 1.7.1 机器学习的典型应用 17 1.7.2 机器学习的发展趋势 18 1.8 如何阅读本书 19 总结 20 习题 20 第2章 机器学习经典分类算法 23 2.1 回归算法 24 2.1.1 基本形式 24 2.1.2 线性回归 24 2.1.3 逻辑回归 26 2.1.4 线性回归案例分析 27 2.1.5 逻辑回归案例分析 33 2.2 决策树算法 37 2.2.1 树形决策过程 37 2.2.2 训练算法 38 2.2.3 案例分析 43 2.3 支持向量机 47 2.3.1 线性分类器 47 2.3.2 支持向量机原理 48 2.3.3 案例分析 51 2.4 kNN算法 53 2.4.1 基本概念 54 2.4.2 预测算法 54 2.4.3 距离定义 55 2.4.4 案例分析 57 2.5 贝叶斯算法 59 2.5.1 贝叶斯决策 59 2.5.2 朴素贝叶斯分类器 60 2.5.3 正态贝叶斯分类器 62 2.5.4 案例分析 64 总结 67 习题 67 第3章 机器学习经典聚类及集成与随机森林算法 69 3.1 k-means算法 70 3.1.1 相似性的度量 70 3.1.2 k-means算法原理 71 3.1.3 k-means算法的改进 73 3.1.4 Mean Shift算法 74 3.1.5 案例分析 76 3.2 AdaBoost算法 79 3.2.1 AdaBoost算法介绍 79 3.2.2 AdaBoost算法分类 83 3.2.3 案例分析 84 3.3 马尔可夫算法 88 3.3.1 马尔可夫算法介绍 88 3.3.2 隐马尔可夫算法介绍 91 3.3.3 案例分析 93 3.4 随机森林算法 96 3.4.1 集成学习 97 3.4.2 随机森林概述 98 3.4.3 训练算法 98 3.4.4 变量的重要性 99 3.4.5 案例分析 100 总结 102 习题 103 第4章 深度学习 105 4.1 深度学习及其研究现状 106 4.1.1 深度学习概念 106 4.1.2 深度学习研究现状 106 4.2 人工神经网络 107 4.2.1 全连接神经网络 107 4.2.2 反向传播算法 111 4.2.3 案例分析 115 4.3 生成对抗网络 119 4.3.1 生成对抗网络结构 119 4.3.2 模型的训练 120 4.3.3 GAN的改进模型 124 4.3.4 案例分析 131 4.4 循环神经网络 135 4.4.1 循环神经网络概述 135 4.4.2 循环神经网络结构 136 4.4.3 循环神经网络训练 138 4.4.4 挑战与改进措施 139 4.4.5 案例分析 141 总结 144 习题 144 第5章 强化学习 146 5.1 强化学习及其研究现状 147 5.1.1 马尔可夫模型 147 5.1.2 策略 148 5.1.3 强化学习研究现状 150 5.2 Q-学习算法 150 5.2.1 Q-学习算法的基本原理 151 5.2.2 Q-学习算法的结构 151 5.2.3 采用神经网络实现Q-学习算法 153 5.2.4 Q-学习算法的改进 154 5.2.5 Q-学习算法的应用案例 156 5.3 蒙特卡洛算法 160 5.3.1 简单介绍 160 5.3.2 经验轨迹 161 5.3.3 蒙特卡洛算法的数学原理 164 5.3.4 蒙特卡洛算法的特点 165 5.3.5 蒙特卡洛预测 165 5.3.6 蒙特卡洛预测算法的实现 166 5.4 动态规划算法 169 5.4.1 策略评估 170 5.4.2 策略改进 171 5.4.3 策略迭代 172 5.4.4 值迭代 173 5.4.5 案例分析 174 总结 176 习题 177 第6章 迁移学习 179 6.1 迁移学习及其研究现状 179 6.1.1 迁移学习概念 179 6.1.2 迁移学习研究现状 180 6.2 TrAdaBoost算法 181 6.2.1 背景 181 6.2.2 算法介绍 181 6.2.3 算法改进 184 6.2.4 案例分析 186 6.3 层次贝叶斯算法 190 6.3.1 背景 190 6.3.2 算法介绍 191 6.3.3 案例分析 194 总结 196 习题 197 第7章 联邦学习 199 7.1 联邦学习及其研究现状 199 7.1.1 联邦学习概念 199 7.1.2 联邦学习研究现状 201 7.2 联邦平均算法 202 7.2.1 联邦优化 203 7.2.2 算法原理 205 7.2.3 安全的联邦平均算法 207 7.2.4 联邦平均算法的改进 207 7.2.5 案例分析 209 7.3 纵向联邦学习算法 215 7.3.1 安全联邦线性回归 215 7.3.2 安全联邦提升树 217 7.3.3 案例分析 221 总结 224 习题 224 第8章 因果学习 227 8.1 因果学习及其研究现状 228 8.1.1 因果学习概念 228 8.1.2 因果学习研究现状 229 8.2 结构因果模型 229 8.2.1 两种类型的因果陈述 229 8.2.2 SCM的标准表示 232 8.2.3 SCM的改进型 233 8.2.4 案例分析 236 8.3 多变量结构识别算法 239 8.3.1 基于独立的方法 240 8.3.2 基于分数的方法 242 8.3.3 多变量加性噪声模型 244 8.3.4 案例分析 246 总结 248 习题 249 第9章 文本挖掘 251 9.1 文本挖掘概念与现状 251 9.1.1 文本挖掘概念 251 9.1.2 文本挖掘现状 252 9.2 Word2vec-词嵌入 252 9.2.1 背景介绍 253 9.2.2 Word2vec-词嵌入——基于神经网络学习单词表示 256 9.2.3 案例分析 265 9.3 递归神经网络 270 9.3.1 递归神经网络介绍 270 9.3.2 递归神经网络分类 274 9.3.3 案例分析 276 总结 282 习题 283 第10章 图像处理 285 10.1 图像处理概念与现状 285 10.1.1 图像处理概念 285 10.1.2 图像处理现状 286 10.2 条件图像到图像翻译 286 10.2.1 条件图像到图像翻译的概念 286 10.2.2 cd-GAN 287 10.2.3 DosGAN 289 10.2.4 案例分析 291 10.3 解纠缠图像到图像翻译 295 10.3.1 解纠缠图像到图像翻译的概念 295 10.3.2 InterfaceGAN 295 10.3.3 SeFa 298 10.3.4 案例分析 300 总结 304 习题 304 第11章 人工智能大模型 307 11.1 人工智能大模型概念与现状 307 11.1.1 人工智能大模型概念 307 11.1.2 人工智能大模型现状 308 11.2 Transformer 308 11.2.1 背景 308 11.2.2 模型结构 309 12.2.3 为什么使用自注意力 312 11.2.4 案例分析 313 11.3 GPT 317 11.3.1 GPT-1 317 11.3.2 GPT-2 320 11.3.3 GPT-3 323 11.3.4 案例分析 326 总结 331 习题 331

作者简介

编辑推荐

作者寄语

电子资料

http://www.hxedu.com.cn/hxedu/fg/book/bookinfo.html?code=G0456810

www.luweidong.cn

下一个