人工智能算法從基礎(chǔ)到實(shí)戰(zhàn)
定 價(jià)：99 元
- 作者：孫玉林 編著
- 出版時(shí)間：2026/1/1
- ISBN：9787122489487
- 出 版 社：化學(xué)工業(yè)出版社
- 中圖法分類：TP183
- 頁碼：299
- 紙張：
- 版次：01
- 開本：小16開
本書基于Python與Pytorch對(duì)人工智能算法基礎(chǔ)知識(shí)與實(shí)戰(zhàn)應(yīng)用進(jìn)行了介紹，主要包含兩部分內(nèi)容。第一部分為人工智能算法知識(shí)的相關(guān)理論介紹，主要包含：人工智能的線性代數(shù)基礎(chǔ)、概率統(tǒng)計(jì)基礎(chǔ)、數(shù)據(jù)分析基礎(chǔ)、機(jī)器學(xué)習(xí)基礎(chǔ)以及深度學(xué)習(xí)基礎(chǔ)。對(duì)機(jī)器學(xué)習(xí)中的回歸、聚類以及分類等經(jīng)典算法進(jìn)行了介紹。對(duì)深度學(xué)習(xí)中的卷積、循環(huán)、Transformer等深度學(xué)習(xí)網(wǎng)絡(luò)在計(jì)算機(jī)視覺與自然語言中的應(yīng)用，以及大模型與微調(diào)相關(guān)的內(nèi)容進(jìn)行了介紹。第二部分為基于Python與Pythoch的人工智能算法實(shí)戰(zhàn)案例應(yīng)用，主要介紹：數(shù)據(jù)的預(yù)測回歸分析案例；數(shù)據(jù)無監(jiān)督學(xué)習(xí)中的聚類、降維以及關(guān)聯(lián)規(guī)則案例；數(shù)據(jù)有監(jiān)督分類模型的應(yīng)用案例，以及深度學(xué)習(xí)中圖像分類、圖像語義分割、圖像遷移學(xué)習(xí)、自然語言聚類與分類等經(jīng)典算法的實(shí)戰(zhàn)案例。
本書為讀者提供了Notebook形式的源程序和使用的數(shù)據(jù)集，方便讀者邊學(xué)邊實(shí)踐。本書適合數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、人工智能以及大數(shù)據(jù)領(lǐng)域的工程師學(xué)習(xí)，也可用作高等院校相關(guān)專業(yè)的教材及參考書。
第1章 人工智能簡介 001
1.1 什么是人工智能 002
1.2 人工智能簡史 003
1.3 人工智能應(yīng)用 006
1.4 本章小結(jié) 007
第2章 人工智能基礎(chǔ) 009
2.1 線性代數(shù)基礎(chǔ) 010
2.1.1 向量的定義 010
2.1.2 向量運(yùn)算 010
2.1.3 矩陣的定義 012
2.1.4 矩陣基本運(yùn)算 013
2.1.5 矩陣特征值與特征向量 015
2.2 概率統(tǒng)計(jì)基礎(chǔ) 016
2.2.1 隨機(jī)事件及其概率 016
2.2.2 條件概率 018
2.2.3 獨(dú)立性 018
2.2.4 隨機(jī)變量 019
2.2.5 邊緣分布 024
2.2.6 大數(shù)定律 024
2.3 數(shù)據(jù)分析基礎(chǔ) 025
2.3.1 假設(shè)檢驗(yàn) 025
2.3.2 方差分析 027
2.3.3 相關(guān)分析 030
2.4 機(jī)器學(xué)習(xí)基礎(chǔ) 031
2.4.1 機(jī)器學(xué)習(xí)分類 032
2.4.2 機(jī)器學(xué)習(xí)性能度量 034
2.4.3 模型過擬合與欠擬合 036
2.5 深度學(xué)習(xí)基礎(chǔ) 037
2.5.1 深度學(xué)習(xí)發(fā)展過程 038
2.5.2 深度學(xué)習(xí)任務(wù) 040
2.6 本章小結(jié) 042
第3章 回歸分析 043
3.1 線性回歸 045
3.1.1 一元線性回歸 045
3.1.2 多元線性回歸 047
3.1.3 回歸診斷 050
3.2 正則化回歸 051
3.2.1 Ridge回歸 051
3.2.2 Lasso回歸 051
3.2.3 彈性網(wǎng)回歸 052
3.3 邏輯回歸 053
3.4 時(shí)間序列回歸 054
3.4.1 白噪聲檢驗(yàn)與平穩(wěn)檢驗(yàn) 054
3.4.2 自相關(guān)與偏自相關(guān) 057
3.4.3 ARMA模型 058
3.4.4 ARIMA模型 059
3.4.5 SARIMA模型 060
3.4.6 Prophet算法 061
3.5 本章小結(jié) 062
第4章 無監(jiān)督學(xué)習(xí) 063
4.1 相似性度量 064
4.1.1 距離度量 064
4.1.2 分布度量 065
4.2 聚類分析 066
4.2.1 聚類的基本概念 066
4.2.2 k均值聚類 068
4.2.3 層次聚類 070
4.2.4 密度聚類 071
4.3 數(shù)據(jù)降維 073
4.3.1 主成分分析 073
4.3.2 局部線性嵌入（LLE） 075
4.3.3 t分布-隨機(jī)鄰近嵌入（t-SNE） 077
4.4 關(guān)聯(lián)規(guī)則 078
4.4.1 關(guān)聯(lián)規(guī)則基本概念 078
4.4.2 Apriori算法 079
4.4.3 FP-Growth算法 081
4.5 稀疏表示與字典學(xué)習(xí) 084
4.6 本章小結(jié) 085
第5章 有監(jiān)督學(xué)習(xí) 087
5.1 決策樹 088
5.1.1 決策樹簡介 088
5.1.2 節(jié)點(diǎn)特征選擇 089
5.1.3 決策樹算法 090
5.1.4 決策樹剪枝 092
5.2 集成學(xué)習(xí) 093
5.2.1 集成學(xué)習(xí)模式與方法 093
5.2.2 隨機(jī)森林算法 094
5.2.3 AdaBoost算法 094
5.2.4 梯度提升樹算法 095
5.3 k近鄰 096
5.4 判別分析 097
5.4.1 線性判別分析 098
5.4.2 二次判別分析 099
5.5 貝葉斯分類 099
5.5.1 貝葉斯定理 099
5.5.2 樸素貝葉斯分類器 100
5.6 支持向量機(jī) 101
5.6.1 支持向量與最大間隔 102
5.6.2 線性支持向量機(jī)建模 102
5.6.3 非線性支持向量機(jī)與核方法 103
5.7 本章小結(jié) 104
第6章 深度學(xué)習(xí) 105
6.1 人工神經(jīng)網(wǎng)絡(luò) 106
6.1.1 感知機(jī)與全連接神經(jīng)網(wǎng)絡(luò) 106
6.1.2 梯度下降算法 107
6.2 卷積神經(jīng)網(wǎng)絡(luò) 110
6.2.1 卷積 110
6.2.2 池化 112
6.2.3 Dropout 112
6.2.4 LeNet-5網(wǎng)絡(luò) 113
6.2.5 AlexNet網(wǎng)絡(luò) 113
6.2.6 VGG網(wǎng)絡(luò) 114
6.2.7 GoogLeNet網(wǎng)絡(luò) 115
6.2.8 ResNet網(wǎng)絡(luò) 116
6.2.9 DenseNet網(wǎng)絡(luò) 118
6.2.10 MobileNet網(wǎng)絡(luò) 119
6.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 121
6.3.1 RNN 122
6.3.2 LSTM網(wǎng)絡(luò) 123
6.3.3 GRU 124
6.4 自編碼器模型 125
6.4.1 自編碼器 125
6.4.2 變分自編碼器 126
6.4.3 生成擴(kuò)散模型（diffusion models） 127
6.5 自注意力機(jī)制與Transformer 128
6.5.1 自注意力 128
6.5.2 交叉注意力 129
6.5.3 Transformer 130
6.6 生成對(duì)抗網(wǎng)絡(luò) 130
6.6.1 生成對(duì)抗網(wǎng)絡(luò)基本工作原理 131
6.6.2 條件生成對(duì)抗網(wǎng)絡(luò)（CGAN） 132
6.6.3 Wasserstein GAN（WGAN） 132
6.6.4 深度卷積生成對(duì)抗網(wǎng)絡(luò)（DCGAN） 133
6.6.5 循環(huán)生成對(duì)抗網(wǎng)絡(luò)（CycleGAN） 134
6.7 圖神經(jīng)網(wǎng)絡(luò) 135
6.7.1 圖卷積網(wǎng)絡(luò) 137
6.7.2 圖注意力網(wǎng)絡(luò) 139
6.7.3 圖自編碼網(wǎng)絡(luò) 141
6.7.4 時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò) 142
6.8 強(qiáng)化學(xué)習(xí) 143
6.8.1 Q-Learning 144
6.8.2 深度Q網(wǎng)絡(luò)（deep Q-networks） 145
6.8.3 Actor-Critic方法 147
6.9 本章小結(jié) 149
第7章 計(jì)算機(jī)視覺基礎(chǔ) 151
7.1 圖像分類 152
7.1.1 ViT 152
7.1.2 Swin Tramsformer 153
7.1.3 CLIP模型 155
7.1.4 MaxViT 156
7.2 目標(biāo)檢測 158
7.2.1 R-CNN系列算法 158
7.2.2 YOLO系列算法 160
7.2.3 SSD系列算法 162
7.2.4 目標(biāo)檢測評(píng)價(jià)指標(biāo) 163
7.3 語義分割 164
7.3.1 FCN語義分割網(wǎng)絡(luò) 164
7.3.2 SegNet語義分割網(wǎng)絡(luò) 165
7.3.3 U-Net語義分割網(wǎng)絡(luò) 165
7.3.4 DeepLab系列語義分割網(wǎng)絡(luò) 166
7.3.5 Segment Anything Model（SAM） 167
7.3.6 語義分割評(píng)價(jià)指標(biāo) 168
7.4 圖像風(fēng)格遷移 169
7.4.1 固定風(fēng)格固定內(nèi)容的風(fēng)格遷移 169
7.4.2 固定風(fēng)格任意內(nèi)容的快速風(fēng)格遷移 169
7.4.3 圖像遷移學(xué)習(xí)分類 171
7.5 圖像去噪 174
7.5.1 基于卷積神經(jīng)網(wǎng)絡(luò)的去噪方法 174
7.5.2 基于生成對(duì)抗網(wǎng)絡(luò)的去噪方法 175
7.5.3 圖像去噪評(píng)價(jià)指標(biāo) 176
7.6 本章小結(jié) 176
第8章 自然語言處理基礎(chǔ) 177
8.1 文本數(shù)據(jù)處理 178
8.1.1 字符串處理 179
8.1.2 中文分詞 179
8.1.3 詞頻統(tǒng)計(jì)與可視化 180
8.2 文本特征表示 181
8.2.1 N-gram與TF-IDF矩陣 181
8.2.2 詞嵌入 182
8.3 文本聚類 183
8.3.1 LDA主題模型 183
8.3.2 深度文本聚類算法 184
8.4 文本分類 185
8.4.1 FastText文本分類 185
8.4.2 TextCNN文本分類 186
8.4.3 TextRNN文本分類 186
8.4.4 TextRCNN文本分類 187
8.5 大模型 188
8.5.1 BERT 188
8.5.2 GPT 190
8.5.3 Meta LLaMA 192
8.5.4 GLM 193
8.5.5 大模型微調(diào) 195
8.6 多模態(tài)大模型 198
8.6.1 主流多模態(tài)大模型 198
8.6.2 多模態(tài)大模型架構(gòu) 201
8.6.3 多模態(tài)大模型未來趨勢 202
8.7 本章小結(jié) 203
第9章 實(shí)戰(zhàn)案例1：藥物活性預(yù)測回歸分析實(shí)戰(zhàn) 205
9.1 數(shù)據(jù)預(yù)處理與探索 207
9.1.1 自變量數(shù)據(jù)可視化探索 208
9.1.2 因變量數(shù)據(jù)可視化探索 210
9.2 數(shù)據(jù)特征選擇 213
9.3 線性回歸模型 216
9.3.1 逐步線性回歸預(yù)測 216
9.3.2 Lasso回歸模型預(yù)測 219
9.4 集成學(xué)習(xí)回歸模型 221
9.4.1 隨機(jī)森林回歸預(yù)測 221
9.4.2 提升樹回歸預(yù)測 223
9.5 支持向量機(jī)回歸 224
9.6 本章小結(jié) 226
第10章 實(shí)戰(zhàn)案例2：手寫數(shù)字降維與聚類實(shí)戰(zhàn) 227
10.1 數(shù)據(jù)準(zhǔn)備 228
10.2 主成分分析降維 230
10.2.1 特征主成分分析 230
10.2.2 樣本主成分分析 232
10.3 t-SNE與LLE降維 233
10.3.1 t-SNE降維 233
10.3.2 LLE降維 234
10.4 k均值聚類 235
10.4.1 主成分特征k均值聚類 236
10.4.2 t-SNE特征k均值聚類 238
10.5 密度聚類 239
10.6 層次聚類 241
10.7 本章小結(jié) 244
第11章 實(shí)戰(zhàn)案例3：購物籃關(guān)聯(lián)規(guī)則挖掘?qū)崙?zhàn) 245
11.1 數(shù)據(jù)準(zhǔn)備與探索 246
11.2 Apriori算法關(guān)聯(lián)規(guī)則分析 250
11.2.1 發(fā)現(xiàn)頻繁項(xiàng)集 250
11.2.2 關(guān)聯(lián)規(guī)則挖掘與分析 251
11.3 FP-Growth算法關(guān)聯(lián)規(guī)則分析 252
11.3.1 發(fā)現(xiàn)頻繁項(xiàng)集 252
11.3.2 關(guān)聯(lián)規(guī)則發(fā)現(xiàn)與分析 253
11.4 本章小結(jié) 256
第12章 實(shí)戰(zhàn)案例4：手寫數(shù)字分類實(shí)戰(zhàn) 257
12.1 k近鄰分類 260
12.2 基于決策樹算法分類 261
12.2.1 決策樹分類 261
12.2.2 隨機(jī)森林分類 264
12.3 支持向量機(jī)分類 266
12.3.1 線性SVM 266
12.3.2 非線性SVM 267
12.4 全連接網(wǎng)絡(luò)分類 267
12.5 邏輯回歸分類 268
12.6 本章小結(jié) 270
第13章 實(shí)戰(zhàn)案例5：深度學(xué)習(xí)圖像分類實(shí)戰(zhàn) 271
13.1 CIFAR10圖像數(shù)據(jù)準(zhǔn)備與探索 272
13.2 LeNet-5實(shí)現(xiàn)CIFAR10圖像分類 277
13.2.1 LeNet-5網(wǎng)絡(luò)搭建 277
13.2.2 LeNet-5網(wǎng)絡(luò)訓(xùn)練與測試 278
13.3 ResNet實(shí)現(xiàn)CIFAR10圖像分類 280
13.3.1 ResNet網(wǎng)絡(luò)搭建 280
13.3.2 ResNet－50網(wǎng)絡(luò)訓(xùn)練與測試 283
13.4 ViT實(shí)現(xiàn)CIFAR10圖像分類 284
13.4.1 ViT網(wǎng)絡(luò)搭建 284
13.4.2 ViT網(wǎng)絡(luò)訓(xùn)練與預(yù)測 287
13.5 預(yù)訓(xùn)練網(wǎng)絡(luò)的CIFAR10圖像分類 289
13.6 基于LoRA微調(diào)的CIFAR10圖像分類 290
13.7 本章小結(jié) 292
第14章 實(shí)戰(zhàn)案例6：深度學(xué)習(xí)語義分割實(shí)戰(zhàn) 293
第15章 實(shí)戰(zhàn)案例7：深度圖像遷移學(xué)習(xí)實(shí)戰(zhàn) 295
第16章 實(shí)戰(zhàn)案例8：自然語言聚類與分類實(shí)戰(zhàn) 297
參考文獻(xiàn) 299
書單推薦
