万本电子书0元读

万本电子书0元读

顶部广告

人工智能算法(卷1):基础算法电子书

欲建高楼,必重基础。本书讲授诸如维度法、距离度量算法、聚类算法、误差计算、爬山算法、模拟退火算法、Nelder-Mead算法和线性回归算法等人工智能基础算法。本书中所有算法均配以具体的数值计算示例。 “人工智能算法”系列图书的目标读者是那些没有良好数学基础,又对人工智能感兴趣的人。本书读者只需具有基本的大学代数和计算机编程知识,任何超出这个范围的内容都会在书中详细说明。本书为读者提供配套的示例程序代码, 当前已有Java、C#、R、C/C 和Python的语言版本,还有社区支持维护的Scala语言版本。

售       价:¥

纸质售价:¥43.90购买纸书

1405人正在读 | 1人评论 7.4

作       者:(美) 杰弗瑞·希顿(Jeffery Heaton)

出  版  社:人民邮电出版社有限公司

出版时间:2020-01-01

字       数:8.9万

所属分类: 科技 > 计算机/网络 > 软件系统

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(1条)
  • 读书简介
  • 目录
  • 累计评论(1条)
算法是人工智能技术的核心。本书介绍了人工智能的基础算法,全 书共10 章,涉及维度法、距离度量算法、K 均值聚类算法、误差计算、 爬山算法、模拟退火算法、Nelder-Mead 算法和线性回归算法等。书中 所有算法均配以具体的数值计算来行讲解,读者可以自行尝试。每章 都配有程序示例,GitHub 上有多种语言版本的示例代码可供下载。 本书适合作为人工智能门读者以及对人工智能算法感兴趣的读者 阅读参考。<br/>【推荐语】<br/>欲建高楼,必重基础。本书讲授诸如维度法、距离度量算法、聚类算法、误差计算、爬山算法、模拟退火算法、Nelder-Mead算法和线性回归算法等人工智能基础算法。本书中所有算法均配以具体的数值计算示例。 “人工智能算法”系列图书的目标读者是那些没有良好数学基础,又对人工智能感兴趣的人。本书读者只需具有基本的大学代数和计算机编程知识,任何超出这个范围的内容都会在书中详细说明。本书为读者提供配套的示例程序代码, 当前已有Java、C#、R、C/C 和Python的语言版本,还有社区支持维护的Scala语言版本。<br/>【作者】<br/>杰弗瑞·希顿(Jeffery Heaton)既是一位活跃的技术博主、源贡献者,也是十多本图书的作者。他的专业领域包括数据科学、预测建模、数据挖掘、大数据、商务智能和人工智能等。他拥有华盛顿大学信息管理学硕士学位,是IEEE的高级会员、Sun认证Java程序员、源机器学习框架Encog的首席发人员。<br/>
目录展开

版权

版权声明

内容提要

前言 / PREFACE

系列图书介绍

系列图书出版计划

基本算法介绍

本书内容结构

致谢

资源与支持

配套资源

提交勘误

与我们联系

关于异步社区和异步图书

第1章 AI入门

1.1 与人类大脑的联系

1.1.1 大脑和真实世界

1.1.2 缸中之脑

1.2 对问题建模

1.2.1 数据分类

1.2.2 回归分析

1.2.3 聚类问题

1.2.4 时序问题

1.3 对输入/输出建模

1.3.1 一个简单的例子

1.3.2 燃油效率

1.3.3 向算法传入图像

1.3.4 金融算法

1.4 理解训练过程

1.4.1 评估成果

1.4.2 批量学习和在线学习

1.4.3 监督学习和非监督学习

1.4.4 随机学习和确定学习

1.5 本章小结

第2章 数据归一化

2.1 计量尺度

2.1.1 定性观测值

2.1.2 定量观测值

2.2 观测值归一化

2.2.1 名义量归一化

2.2.2 顺序量归一化

2.2.3 顺序量解归一化

2.2.4 数字量归一化

2.2.5 数字量解归一化

2.3 其他归一化方法

2.3.1 倒数归一化

2.3.2 倒数解归一化

2.3.3 理解等边编码法

2.3.4 等边编码法的实现

2.4 本章小结

第3章 距离度量

3.1 理解向量

3.2 计算向量距离

3.2.1 欧氏距离

3.2.2 曼哈顿距离

3.2.3 切比雪夫距离

3.3 光学字符识别

3.4 本章小结

第4章 随机数生成

4.1 伪随机数生成算法的概念

4.2 随机数分布类型

4.3 轮盘模拟法

4.4 伪随机数生成算法

4.4.1 线性同余生成法

4.4.2 进位乘数法

4.4.3 梅森旋转算法

4.4.4 Box-Muller转换法

4.5 用蒙特卡洛方法估算PI值

4.6 本章小结

第5章 K均值聚类算法

5.1 理解训练集

5.1.1 非监督学习

5.1.2 监督学习

5.2 理解K均值算法

5.2.1 分配

5.2.2 更新

5.3 K均值算法的初始化

5.3.1 随机K均值初始化

5.3.2 K均值算法的Forgy初始化

5.4 本章小结

第6章 误差计算

6.1 方差和误差

6.2 均方根误差

6.3 均方误差

6.4 误差计算方法的比较

6.5 本章小结

第7章 迈向机器学习

7.1 多项式系数

7.2 训练入门

7.3 径向基函数网络

7.3.1 径向基函数

7.3.2 径向基函数网络

7.3.3 实现径向基函数网络

7.3.4 应用径向基函数网络

7.4 本章小结

第8章 优化训练

8.1 爬山算法

8.2 模拟退火算法

8.2.1 模拟退火算法的应用

8.2.2 模拟退火算法

8.2.3 冷却进度

8.2.4 退火概率

8.3 Nelder-Mead算法

8.3.1 反射

8.3.2 扩张操作[4]

8.3.3 收缩操作

8.4 Nelder-Mead算法的终止条件

8.5 本章小结

第9章 离散优化

9.1 旅行商问题

9.1.1 旅行商问题简要说明

9.1.2 旅行商问题求解的实现

9.2 环形旅行商问题

9.3 背包问题

9.3.1 背包问题简要说明

9.3.2 背包问题求解的实现

9.4 本章小结

第10章 线性回归

10.1 线性回归

10.1.1 最小二乘法拟合

10.1.2 最小二乘法拟合示例

10.1.3 安斯库姆四重奏

10.1.4 鲍鱼数据集

10.2 广义线性模型

10.3 本章小结

附录A 示例代码使用说明

A.1 系列图书简介

A.2 保持更新

A.3 获取示例代码

A.3.1 下载压缩文件

A.3.2 克隆Git仓库

A.4 示例代码的内容

A.5 如何为项目做贡献

参考资料

累计评论(1条) 1个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部