1，本书属于人工智能门书籍，理论和技术门槛较低，受众更广； 2，本书主要编著者为青年长江学者，在人工智能教育领域，尤其是面向非计算机/人工智能专业的教育领域深耕数年，已在相关领域发表研究论文50余篇； 3，本书以实践为导向，通过丰富的实例和案例介绍了人工智能各项技术的基本概念、原理和应用，坚持理论与实践相结合； 4，本书的实践案例基于最新的放AI架构MindSpore平台行发，同时涵盖了推荐系统、量子计算、人工智能轻量级、人工智能大模型等前沿主题的介绍，内容更加丰富且与时俱；
售 价：¥
纸质售价：¥70.90购买纸书
6.6
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
内容提要
“新一代信息技术系列” 专家委员会
丛书序
丛书前言
前言
人工智能入门篇
第 1 章 人工智能概述
1.1 人工智能简介
1.1.1 人工智能的定义
1.1.2 图灵测试
1.1.3 人工智能的研究范式
1.1.4 人工智能与其他相关联概念的区别和联系
1.2 人工智能发展历程
1.2.1 人工智能的“三驾马车”
1.2.2 我国人工智能发展战略
1.2.3 人工智能前沿应用
1.3 课后习题
第 2 章 人工智能实战入门
2.1 人工智能Python开发入门
2.1.1 数据类型与变量
2.1.2 函数与模块
2.1.3 条件判断与循环
2.1.4 库与调用
2.1.5 结果输出与可视化
2.2 MindSpore开发入门
2.2.1 MindSpore简介
2.2.2 环境下载与安装
2.3 入门实战介绍——基于MNIST数据集识别手写数字
2.4 课后习题
机器学习及实战篇
第 3 章 监督学习
3.1 监督学习的基本概念
3.1.1 监督学习的基本概念
3.1.2 监督学习的分类
3.2 监督分类算法
3.2.1 K-近邻算法
3.2.2 决策树
3.2.3 SVM
3.3 监督回归算法
3.3.1 线性回归
3.3.2 逻辑回归
3.3.3 感知机
3.4 弱监督学习
3.4.1 弱监督学习的基本概念
3.4.2 半监督学习的基本概念和学习过程
3.5 监督学习实战
3.5.1 利用决策树根据天气决定是否外出打球
3.5.2 利用SVM进行水果新鲜度评估
3.5.3 利用Scikit-learn根据房屋面积预测房屋价格
3.5.4 利用半监督学习识别手写数字
3.6 课后习题
第 4 章 无监督学习
4.1 无监督学习的基本概念和分类
4.2 聚类
4.2.1 聚类的基本概念
4.2.2 K均值聚类算法
4.3 降维
4.3.1 降维的基本概念
4.3.2 降维的典型方法
4.4 无监督学习实战
4.4.1 基于make_blobs数据集的聚类任务
4.4.2 利用自编码器进行小区生活垃圾图像分类
4.5 课后习题
第 5 章 强化学习
5.1 强化学习的基本概念
5.1.1 强化学习的基本概念
5.1.2 强化学习的分类
5.2 有模型的强化学习
5.2.1 有模型的强化学习的基本概念
5.2.2 有模型的强化学习的过程
5.3 无模型的强化学习
5.3.1 无模型的强化学习的基本概念
5.3.2 无模型的强化学习的过程
5.4 强化学习实战
5.4.1 利用Q-learning完成宝藏探索游戏
5.4.2 利用MindSpore Reinforcement训练DQN
5.5 课后习题
深度学习及实战篇
第 6 章 深度神经网络
6.1 DNN的基本元素
6.1.1 定义和特点
6.1.2 训练法则
6.1.3 激活函数
6.1.4 正则化
6.1.5 优化器
6.2 常用的DNN
6.2.1 全连接神经网络
6.2.2 CNN
6.2.3 RNN
6.2.4 残差网络
6.3 深度学习实战
6.3.1 神经网络模型的训练流程
6.3.2 基于IMDb数据集的RNN情感分类
6.3.3 基于中国城市信息的LSTM+CRF命名实体识别任务
6.3.4 基于CIFAR-10数据集的ResNet50图像分类
6.4 课后习题
第 7 章 知识图谱
7.1 逻辑推理
7.1.1 知识的概念与表示
7.1.2 产生式系统
7.1.3 确定性和非确定性推理方法
7.2 知识图谱简介
7.2.1 知识图谱的概念
7.2.2 知识图谱的构建
7.2.3 知识图谱的生命周期
7.3 知识图谱实战
7.3.1 基于构造数据集的MindSpore Graph Learning实战
7.3.2 整图训练GCN实战
7.4 课后习题
第 8 章 生成对抗网络
8.1 GAN的原理
8.1.1 生成器
8.1.2 判别器
8.1.3 生成器和判别器的博弈
8.1.4 GAN的优缺点分析
8.2 GAN的训练方法
8.2.1 训练规则
8.2.2 损失函数
8.3 GAN实战
8.3.1 基于MNIST数据集的GAN图像生成
8.3.2 Pix2Pix实现图像转换
8.4 课后习题
第 9 章 迁移学习
9.1 迁移学习简介
9.1.1 迁移学习定义
9.1.2 迁移学习的可行性与优势
9.1.3 迁移学习的应用场景
9.1.4 迁移学习的常用方法
9.2 预训练模型
9.2.1 常见的预训练模型
9.2.2 常见的预训练方法
9.3 迁移学习实战
9.3.1 基于动物图像数据集的ResNet50迁移学习
9.3.2 利用CycleGAN进行水果图像迁移
9.4 课后习题
第 10 章 注意力机制
10.1 注意力机制简介
10.1.1 注意力机制原理与分类
10.1.2 自注意力机制原理
10.2 Transformer简介
10.2.1 Transformer模型的结构
10.2.2 Transformer模型的特点
10.3 注意力机制实战
10.3.1 基于ImageNet数据集的ViT模型构建
10.3.2 基于ImageNet数据集的ViT模型训练与推理
10.4 课后习题
人工智能前沿与伦理篇
第 11 章 扩散模型
11.1 扩散模型简介
11.1.1 扩散模型的概念
11.1.2 扩散模型的原理
11.2 稳定扩散模型简介
11.2.1 稳定扩散模型的概念
11.2.2 稳定扩散模型的原理
11.3 扩散模型实战
11.3.1 基于DDPM的图像生成模型构建
11.3.2 基于DDPM的图像生成模型训练与推理
11.4 课后习题
第 12 章 推荐系统
12.1 推荐系统简介
12.1.1 推荐系统的定义
12.1.2 推荐系统的发展历程
12.1.3 推荐系统的应用领域
12.2 推荐系统的常用模型
12.2.1 基于内容的推荐系统模型
12.2.2 基于协同过滤的推荐模型
12.3 推荐系统实战
12.3.1 基于Criteo数据集的MindSpore Recommender在线学习流程
12.3.2 Wide&Deep模型进行推荐和点击预测
12.4 课后习题
第 13 章 量子计算
13.1 量子计算简介
13.1.1 量子计算的概念与特征
13.1.2 量子计算与经典计算对比
13.2 量子计算框架
13.2.1 通用量子计算
13.2.2 变分量子计算
13.3 量子计算实战
13.3.1 MindQuantum简介
13.3.2 基于量子神经网络求解鸢尾花分类问题
13.3.3 基于量子组合优化求解Max-Cut问题
13.3.4 基于量子化学模拟求解分子基态能量问题
13.4 课后习题
第 14 章 轻量级人工智能
14.1 轻量级人工智能简介
14.1.1 轻量级人工智能的概念
14.1.2 轻量级人工智能的意义
14.2 轻量级人工智能方法
14.2.1 轻量级模型设计方法
14.2.2 模型压缩策略
14.3 轻量级人工智能实战
14.3.1 利用MindSpore Lite进行手机图库目标识别
14.3.2 利用MindSpore Lite进行手机端图像分割
14.4 课后习题
第 15 章 人工智能大模型
15.1 人工智能大模型的概念与发展
15.1.1 人工智能大模型的概念
15.1.2 人工智能大模型的发展历程
15.2 ChatGPT工作原理
15.2.1 语言模型基础与架构
15.2.2 GPT-3.5架构简介
15.2.3 ChatGPT的生成过程与训练方法
15.3 大模型实战
15.3.1 利用MindOne检测输入的文本是否由ChatGPT生成
15.3.2 利用MindPet进行大模型参数微调
15.4 课后习题
第 16 章 人工智能伦理
16.1 人工智能安全问题
16.1.1 对抗攻击简介
16.1.2 对抗攻击分类
16.1.3 对抗攻击发展历史与代表工作
16.1.4 对抗训练与对抗防御方法
16.2 人工智能伦理问题
16.2.1 人工智能伦理
16.2.2 生成式人工智能伦理探讨
16.2.3 人工智能的发展倡议
16.2.4 可信人工智能
16.3 课后习题
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
