- 科学出版社
- 9787030771476
- 1版
- 527486
- 46258957-3
- 2024-05
- 计算机类
- 本科
内容简介
本书分为基础篇和实践篇，以人工智能与机器学习、机器学习的数学基础、传统机器学习算法和深度学习算法为理论基础，以文字识别、泰坦尼克号沉船幸存者预测、文本分类、视觉抄表系统和家电语音交互测试系统五个实际案例为实践对象，采用理论与实践相结合的方法介绍机器学习算法。其中，实践篇的案例实战部分以总体设计、运行环境、模块实现和测试结果方式进行内容组织。
本书语言简洁，深入浅出，通俗易懂，可作为高等院校人工智能、智能科学与技术、数据科学与大数据技术等专业本科生的学习教材，也可作为人工智能爱好者的参考用书，还可作为从事智能应用创新开发专业人员的技术参考书。
本书语言简洁，深入浅出，通俗易懂，可作为高等院校人工智能、智能科学与技术、数据科学与大数据技术等专业本科生的学习教材，也可作为人工智能爱好者的参考用书，还可作为从事智能应用创新开发专业人员的技术参考书。
目录
基 础 篇
第1章 人工智能与机器学习 3
1.1 人工智能发展历史 3
1.2 机器学习概述 5
1.3 深度学习概述 6
1.4 人工智能发展前景 8
第2章 机器学习的数学基础 10
2.1 线性代数 10
2.1.1 向量与操作 10
2.1.2 逆矩阵 11
2.1.3 范数 12
2.1.4 特征分解 13
2.1.5 奇异值分解 14
2.1.6 Moo
e-Pen
ose伪逆 14
2.1.7 迹运算 15
2.2 概率 15
2.2.1 概率概念 15
2.2.2 概率特征 17
2.3 信息论 19
2.4 数值计算 22
第3章 传统机器学习算法 27
3.1 机器学习的任务 27
3.2 性能度量 29
3.2.1 基本方法 29
3.2.2 扩展方法 31
3.3 线性回归 35
3.4 逻辑回归 37
3.5 人工神经网络 39
3.6 决策树 42
3.6.1 生成决策树的算法 44
3.6.2 决策树的剪枝算法 44
3.6.3 CA
T模型 45
3.6.4 CA
T剪枝 46
3.7 贝叶斯分类 47
3.7.1 贝叶斯决策论与极大似然估计 47
3.7.2 贝叶斯分类器 48
3.7.3 贝叶斯网 50
3.8 支持向量机 51
3.8.1 线性可分支持向量机 51
3.8.2 线性支持向量机 54
3.8.3 非线性支持向量机 55
3.8.4 支持向量机在实际应用中的优缺点 57
3.9 集成学习 57
3.9.1
oosting算法 57
3.9.2
agging算法 59
3.9.3 随机森林算法 60
3.10 构建机器学习算法 60
第4章 深度学习算法 62
4.1 深度学习的挑战 62
4.2 机器学习的应用 65
4.2.1 大规模深度学习 66
4.2.2 计算机视觉 70
4.2.3 语音识别 74
4.2.4 自然语言处理 75
4.2.5 其他应用 84
4.3 深度前馈网络 87
4.3.1 基本概念 87
4.3.2 发展历史 89
4.3.3 异或函数学习实例 90
4.3.4 基于梯度的学习 93
4.3.5 隐藏单元 99
4.3.6 架构设计 103
4.4 实践方法 104
4.4.1 性能度量 104
4.4.2 默认的基准模型 106
4.4.3 决定是否收集更多数据 106
4.4.4 选择超参数 107
4.4.5 调试策略 111
实 践 篇
第5章 文字识别案例 117
5.1 总体设计 117
5.2 运行环境 119
5.3 模块实现 120
5.3.1 常量定义 120
5.3.2 图片数据生成 120
5.3.3 标签向量化（稀疏矩阵） 121
5.3.4 读取数据 123
5.3.5 构建网络 124
5.3.6 能力封装 124
5.4 测试结果 125
第6章 泰坦尼克号沉船幸存者预测案例 128
6.1 总体设计 128
6.2 运行环境 129
6.3 模块实现 129
6.3.1 数据准备 129
6.3.2 数据预处理 131
6.3.3 变量转换 140
6.3.4 特征工程 141
6.3.5 模型训练 148
6.4 测试结果 154
6.4.1 绘制学习曲线 154
6.4.2 训练准确率 156
第7章 文本分类案例 157
7.1 总体设计 157
7.2 运行环境 159
7.3 模块实现 160
7.3.1 数据准备 160
7.3.2 数据预处理 162
7.3.3 词云分析 164
7.4 测试结果 167
7.4.1 采用神经网络实现语料预测 167
7.4.2 采用贝叶斯和神经网络实现语料预测 169
第8章 视觉抄表系统案例 172
8.1 总体设计 172
8.1.1 硬件设计 172
8.1.2 软件设计 173
8.2 运行环境 176
8.3 模块实现 177
8.3.1 图像采集 177
8.3.2 数据集构建 179
8.3.3 模型训练 182
8.3.4 结果判定 185
8.4 测试结果 189
第9章 家电语音交互测试系统案例 191
9.1 总体设计 192
9.1.1 硬件设计 192
9.1.2 软件设计 192
9.2 运行环境 199
9.2.1 硬件环境 200
9.2.2 软件环境 200
9.3 模块实现 201
9.3.1 语音识别 201
9.3.2 图像识别 205
9.4 测试结果 216
参考文献 218
第1章 人工智能与机器学习 3
1.1 人工智能发展历史 3
1.2 机器学习概述 5
1.3 深度学习概述 6
1.4 人工智能发展前景 8
第2章 机器学习的数学基础 10
2.1 线性代数 10
2.1.1 向量与操作 10
2.1.2 逆矩阵 11
2.1.3 范数 12
2.1.4 特征分解 13
2.1.5 奇异值分解 14
2.1.6 Moo
e-Pen
ose伪逆 14
2.1.7 迹运算 15
2.2 概率 15
2.2.1 概率概念 15
2.2.2 概率特征 17
2.3 信息论 19
2.4 数值计算 22
第3章 传统机器学习算法 27
3.1 机器学习的任务 27
3.2 性能度量 29
3.2.1 基本方法 29
3.2.2 扩展方法 31
3.3 线性回归 35
3.4 逻辑回归 37
3.5 人工神经网络 39
3.6 决策树 42
3.6.1 生成决策树的算法 44
3.6.2 决策树的剪枝算法 44
3.6.3 CA
T模型 45
3.6.4 CA
T剪枝 46
3.7 贝叶斯分类 47
3.7.1 贝叶斯决策论与极大似然估计 47
3.7.2 贝叶斯分类器 48
3.7.3 贝叶斯网 50
3.8 支持向量机 51
3.8.1 线性可分支持向量机 51
3.8.2 线性支持向量机 54
3.8.3 非线性支持向量机 55
3.8.4 支持向量机在实际应用中的优缺点 57
3.9 集成学习 57
3.9.1
oosting算法 57
3.9.2
agging算法 59
3.9.3 随机森林算法 60
3.10 构建机器学习算法 60
第4章 深度学习算法 62
4.1 深度学习的挑战 62
4.2 机器学习的应用 65
4.2.1 大规模深度学习 66
4.2.2 计算机视觉 70
4.2.3 语音识别 74
4.2.4 自然语言处理 75
4.2.5 其他应用 84
4.3 深度前馈网络 87
4.3.1 基本概念 87
4.3.2 发展历史 89
4.3.3 异或函数学习实例 90
4.3.4 基于梯度的学习 93
4.3.5 隐藏单元 99
4.3.6 架构设计 103
4.4 实践方法 104
4.4.1 性能度量 104
4.4.2 默认的基准模型 106
4.4.3 决定是否收集更多数据 106
4.4.4 选择超参数 107
4.4.5 调试策略 111
实 践 篇
第5章 文字识别案例 117
5.1 总体设计 117
5.2 运行环境 119
5.3 模块实现 120
5.3.1 常量定义 120
5.3.2 图片数据生成 120
5.3.3 标签向量化（稀疏矩阵） 121
5.3.4 读取数据 123
5.3.5 构建网络 124
5.3.6 能力封装 124
5.4 测试结果 125
第6章 泰坦尼克号沉船幸存者预测案例 128
6.1 总体设计 128
6.2 运行环境 129
6.3 模块实现 129
6.3.1 数据准备 129
6.3.2 数据预处理 131
6.3.3 变量转换 140
6.3.4 特征工程 141
6.3.5 模型训练 148
6.4 测试结果 154
6.4.1 绘制学习曲线 154
6.4.2 训练准确率 156
第7章 文本分类案例 157
7.1 总体设计 157
7.2 运行环境 159
7.3 模块实现 160
7.3.1 数据准备 160
7.3.2 数据预处理 162
7.3.3 词云分析 164
7.4 测试结果 167
7.4.1 采用神经网络实现语料预测 167
7.4.2 采用贝叶斯和神经网络实现语料预测 169
第8章 视觉抄表系统案例 172
8.1 总体设计 172
8.1.1 硬件设计 172
8.1.2 软件设计 173
8.2 运行环境 176
8.3 模块实现 177
8.3.1 图像采集 177
8.3.2 数据集构建 179
8.3.3 模型训练 182
8.3.4 结果判定 185
8.4 测试结果 189
第9章 家电语音交互测试系统案例 191
9.1 总体设计 192
9.1.1 硬件设计 192
9.1.2 软件设计 192
9.2 运行环境 199
9.2.1 硬件环境 200
9.2.2 软件环境 200
9.3 模块实现 201
9.3.1 语音识别 201
9.3.2 图像识别 205
9.4 测试结果 216
参考文献 218
