新書推薦：
《
平台革命：改变世界的商业模式
》
售價：HK$
86.9
《
思想帝国：公共外交的起源与美国对外政策的转变（公共外交译丛）
》
售價：HK$
88.0
《
公私同圣的秩序建构：王权视角下皇帝祭祀与祠神敕封的隔绝和整合 尔文智识生活系列
》
售價：HK$
94.6
《
共生共创：建设师生共同课堂丛书——“三师课堂”案例集萃（第一辑）
》
售價：HK$
74.8
《
大秦丞相李斯：谋国又谋身的大秦帝国“操盘手”
》
售價：HK$
64.9
《
民鸣社与清末民初上海演剧研究
》
售價：HK$
52.8
《
高中历史文献研读教学研究
》
售價：HK$
63.8
《
靠谱：极少数人的成功法则
》
售價：HK$
74.8
|
| 內容簡介： |
本书基于Python与Pytorch对人工智能算法基础知识与实战应用进行了介绍，主要包含两部分内容。第一部分为人工智能算法知识的相关理论介绍，主要包含：人工智能的线性代数基础、概率统计基础、数据分析基础、机器学习基础以及深度学习基础。对机器学习中的回归、聚类以及分类等经典算法进行了介绍。对深度学习中的卷积、循环、Transformer等深度学习网络在计算机视觉与自然语言中的应用，以及大模型与微调相关的内容进行了介绍。第二部分为基于Python与Pythoch的人工智能算法实战案例应用，主要介绍：数据的预测回归分析案例；数据无监督学习中的聚类、降维以及关联规则案例；数据有监督分类模型的应用案例，以及深度学习中图像分类、图像语义分割、图像迁移学习、自然语言聚类与分类等经典算法的实战案例。來源：香港大書城megBookStore,http://www.megbook.com.hk
本书为读者提供了Notebook形式的源程序和使用的数据集，方便读者边学边实践。本书适合数据分析、机器学习、人工智能以及大数据领域的工程师学习，也可用作高等院校相关专业的教材及参考书。
|
| 目錄：
|
第1章 人工智能简介 001
1.1 什么是人工智能 002
1.2 人工智能简史 003
1.3 人工智能应用 006
1.4 本章小结 007
第2章 人工智能基础 009
2.1 线性代数基础 010
2.1.1 向量的定义 010
2.1.2 向量运算 010
2.1.3 矩阵的定义 012
2.1.4 矩阵基本运算 013
2.1.5 矩阵特征值与特征向量 015
2.2 概率统计基础 016
2.2.1 随机事件及其概率 016
2.2.2 条件概率 018
2.2.3 独立性 018
2.2.4 随机变量 019
2.2.5 边缘分布 024
2.2.6 大数定律 024
2.3 数据分析基础 025
2.3.1 假设检验 025
2.3.2 方差分析 027
2.3.3 相关分析 030
2.4 机器学习基础 031
2.4.1 机器学习分类 032
2.4.2 机器学习性能度量 034
2.4.3 模型过拟合与欠拟合 036
2.5 深度学习基础 037
2.5.1 深度学习发展过程 038
2.5.2 深度学习任务 040
2.6 本章小结 042
第3章 回归分析 043
3.1 线性回归 045
3.1.1 一元线性回归 045
3.1.2 多元线性回归 047
3.1.3 回归诊断 050
3.2 正则化回归 051
3.2.1 Ridge回归 051
3.2.2 Lasso回归 051
3.2.3 弹性网回归 052
3.3 逻辑回归 053
3.4 时间序列回归 054
3.4.1 白噪声检验与平稳检验 054
3.4.2 自相关与偏自相关 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 本章小结 062
第4章 无监督学习 063
4.1 相似性度量 064
4.1.1 距离度量 064
4.1.2 分布度量 065
4.2 聚类分析 066
4.2.1 聚类的基本概念 066
4.2.2 k均值聚类 068
4.2.3 层次聚类 070
4.2.4 密度聚类 071
4.3 数据降维 073
4.3.1 主成分分析 073
4.3.2 局部线性嵌入（LLE） 075
4.3.3 t分布-随机邻近嵌入（t-SNE） 077
4.4 关联规则 078
4.4.1 关联规则基本概念 078
4.4.2 Apriori算法 079
4.4.3 FP-Growth算法 081
4.5 稀疏表示与字典学习 084
4.6 本章小结 085
第5章 有监督学习 087
5.1 决策树 088
5.1.1 决策树简介 088
5.1.2 节点特征选择 089
5.1.3 决策树算法 090
5.1.4 决策树剪枝 092
5.2 集成学习 093
5.2.1 集成学习模式与方法 093
5.2.2 随机森林算法 094
5.2.3 AdaBoost算法 094
5.2.4 梯度提升树算法 095
5.3 k近邻 096
5.4 判别分析 097
5.4.1 线性判别分析 098
5.4.2 二次判别分析 099
5.5 贝叶斯分类 099
5.5.1 贝叶斯定理 099
5.5.2 朴素贝叶斯分类器 100
5.6 支持向量机 101
5.6.1 支持向量与最大间隔 102
5.6.2 线性支持向量机建模 102
5.6.3 非线性支持向量机与核方法 103
5.7 本章小结 104
第6章 深度学习 105
6.1 人工神经网络 106
6.1.1 感知机与全连接神经网络 106
6.1.2 梯度下降算法 107
6.2 卷积神经网络 110
6.2.1 卷积 110
6.2.2 池化 112
6.2.3 Dropout 112
6.2.4 LeNet-5网络 113
6.2.5 AlexNet网络 113
6.2.6 VGG网络 114
6.2.7 GoogLeNet网络 115
6.2.8 ResNet网络 116
6.2.9 DenseNet网络 118
6.2.10 MobileNet网络 119
6.3 循环神经网络 121
6.3.1 RNN 122
6.3.2 LSTM网络 123
6.3.3 GRU 124
6.4 自编码器模型 125
6.4.1 自编码器 125
6.4.2 变分自编码器 126
6.4.3 生成扩散模型（diffusion models） 127
6.5 自注意力机制与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 生成对抗网络 130
6.6.1 生成对抗网络基本工作原理 131
6.6.2 条件生成对抗网络（CGAN） 132
6.6.3 Wasserstein GAN（WGAN） 132
6.6.4 深度卷积生成对抗网络（DCGAN） 133
6.6.5 循环生成对抗网络（CycleGAN） 134
6.7 图神经网络 135
6.7.1 图卷积网络 137
6.7.2 图注意力网络 139
6.7.3 图自编码网络 141
6.7.4 时空图神经网络 142
6.8 强化学习 143
6.8.1 Q-Learning 144
6.8.2 深度Q网络（deep Q-networks） 145
6.8.3 Actor-Critic方法 147
6.9 本章小结 149
第7章 计算机视觉基础 151
7.1 图像分类 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 目标检测 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 目标检测评价指标 163
7.3 语义分割 164
7.3.1 FCN语义分割网络 164
7.3.2 SegNet语义分割网络 165
7.3.3 U-Net语义分割网络 165
7.3.4 DeepLab系列语义分割网络 166
7.3.5 Segment Anything Model（SAM） 167
7.3.6 语义分割评价指标 168
7.4 图像风格迁移 169
7.4.1 固定风格固定内容的风格迁移 169
7.4.2 固定风格任意内容的快速风格迁移 169
7.4.3 图像迁移学习分类 171
7.5 图像去噪 174
7.5.1 基于卷积神经网络的去噪方法 174
7.5.2 基于生成对抗网络的去噪方法 175
7.5.3 图像去噪评价指标 176
7.6 本章小结 176
第8章 自然语言处理基础 177
8.1 文本数据处理 178
8.1.1 字符串处理 179
8.1.2 中文分词 179
8.1.3 词频统计与可视化 180
8.2 文本特征表示 181
8.2.1 N-gram与TF-IDF矩阵 181
8.2.2 词嵌入 182
8.3 文本聚类 183
8.3.1 LDA主题模型 183
8.3.2 深度文本聚类算法 184
8.4 文本分类 185
8.4.1 FastText文本分类 185
8.4.2 TextCNN文本分类 186
8.4.3 TextRNN文本分类 186
8.4.4 TextRCNN文本分类 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 大模型微调 195
8.6 多模态大模型 198
8.6.1 主流多模态大模型 198
8.6.2 多模态大模型架构 201
8.6.3 多模态大模型未来趋势 202
8.7 本章小结 203
第9章 实战案例1：药物活性预测回归分析实战 205
9.1 数据预处理与探索 207
9.1.1 自变量数据可视化探索 208
9.1.2 因变量数据可视化探索 210
9.2 数据特征选择 213
9.3 线性回归模型 216
9.3.1 逐步线性回归预测 216
9.3.2 Lasso回归模型预测 219
9.4 集成学习回归模型 221
9.4.1 随机森林回归预测 221
9.4.2 提升树回归预测 223
9.5 支持向量机回归 224
9.6 本章小结 226
第10章 实战案例2：手写数字降维与聚类实战 227
10.1 数据准备 228
10.2 主成分分析降维 230
10.2.1 特征主成分分析 230
10.2.2 样本主成分分析 232
10.3 t-SNE与LLE降维 233
10.3.1 t-SNE降维 233
10.3.2 LLE降维 234
10.4 k均值聚类 235
10.4.1 主成分特征k均值聚类 236
10.4.2 t-SNE特征k均值聚类 238
10.5 密度聚类 239
10.6 层次聚类 241
10.7 本章小结 244
第11章 实战案例3：购物篮关联规则挖掘实战 245
11.1 数据准备与探索 246
11.2 Apriori算法关联规则分析 250
11.2.1 发现频繁项集 250
11.2.2 关联规则挖掘与分析 251
11.3 FP-Growth算法关联规则分析 252
11.3.1 发现频繁项集 252
11.3.2 关联规则发现与分析 253
11.4 本章小结 256
第12章 实战案例4：手写数字分类实战 257
12.1 k近邻分类 260
12.2 基于决策树算法分类 261
12.2.1 决策树分类 261
12.2.2 随机森林分类 264
12.3 支持向量机分类 266
12.3.1 线性SVM 266
12.3.2 非线性SVM 267
12.4 全连接网络分类 267
12.5 逻辑回归分类 268
12.6 本章小结 270
第13章 实战案例5：深度学习图像分类实战 271
13.1 CIFAR10图像数据准备与探索 272
13.2 LeNet-5实现CIFAR10图像分类 277
13.2.1 LeNet-5网络搭建 277
13.2.2 LeNet-5网络训练与测试 278
13.3 ResNet实现CIFAR10图像分类 280
13.3.1 ResNet网络搭建 280
13.3.2 ResNet－50网络训练与测试 283
13.4 ViT实现CIFAR10图像分类 284
13.4.1 ViT网络搭建 284
13.4.2 ViT网络训练与预测 287
13.5 预训练网络的CIFAR10图像分类 289
13.6 基于LoRA微调的CIFAR10图像分类 290
13.7 本章小结 292
第14章 实战案例6：深度学习语义分割实战 293
第15章 实战案例7：深度图像迁移学习实战 295
第16章 实战案例8：自然语言聚类与分类实战 297
参考文献 299
|
| 內容試閱：
|
人工智能正在改变我们生活和工作的方方面面。随着科技的飞速发展，人工智能已经从科幻小说的幻想变为现实。本书旨在为读者提供一个全面了解这个引领未来的技术领域的入门指南。本书将带领读者从基础概念入手，深入剖析机器学习、深度学习、计算机视觉、自然语言处理等关键技术，并探讨它们在各个领域的应用。无论是人工智能领域的新手，还是已经深耕于此的专业人士，都可以通过本书深入浅出的讲解和实战应用，更好地理解和应用人工智能。
本书不仅关注理论与技术的传授，还强调实际问题的解决，注重人工智能算法实战应用，力求将复杂的人工智能概念转化为实际可行的项目，通过编程实例演示如何利用Python与Pytorch框架来解决真实世界中的问题。希望本书为读者人工智能学习之路提供有力帮助，引导读者深入了解并参与到这场技术变革的浪潮中。
本书的内容结构一共分为16章，前8章是人工智能基础知识介绍部分，后8章是基于Python与Pytorch的人工智能实战部分。本书尽可能地做到了内容全面与循序渐进，代码通过Jupyter Notebook展示了经典人工智能算法的案例分析与使用。即使没有Python与Pytorch学习基础的读者也能复现本书的案例，因此本书对初学者非常友好。本书各章的主要内容如下：
第1章：人工智能简介。介绍人工智能的发展历程，以及人工智能的基础应用领域等内容。
第2章：人工智能基础。介绍与人工智能相关的基础知识，例如：线性代数基础知识，概率统计基础知识，数据分析、机器学习以及深度学习中的基础内容。
第3章：回归分析。介绍人工智能中的一些回归分析算法，例如：线性回归、正则化回归、逻辑回归分类、时间序列回归等算法。
第4章：无监督学习。介绍机器学习中的经典无监督学习算法，例如：相似性度量算法、聚类分析算法、数据降维算法、关联规则算法以及稀疏表示算法等。
第5章：有监督学习。介绍机器学习中的经典有监督学习算法，例如：决策树、集成学习、k近邻、判别分析、贝叶斯分类，以及支持向量机等算法。
第6章：深度学习。主要介绍深度学习中的基础知识以及相应的经典模型，例如：人工神经网络、经典卷积神经网络、循环神经网络、自编码器模型、自注意力机制与Transformer、生成对抗网络、图神经网络以及强化学习等内容。
第7章：计算机视觉基础。主要介绍人工智能在计算机视觉方面的经典应用以及相应的算法，例如：基于Transformer的图像分类网络、经典的目标检测算法、经典的语义分割算法、图像迁移学习以及图像去噪的经典算法。
第8章：自然语言处理基础。主要介绍如何对自然语言数据进行完整的处理以及建模，例如：文本数据处理、文本特征表示、文本聚类、文本分类，以及大模型、多模态大模型的应用等。
第9章：实战案例1：药物活性预测回归分析实战。以一个回归实战数据集为例，基于Python介绍经典的回归分析算法对药物活性的预测过程。主要有数据的预处理、特征选择以及回归预测等内容。
第10章：实战案例2：手写数字降维与聚类实战。以手写数字数据为例，介绍主成分分析降维、t-SNE降维、k均值聚类、密度聚类、层次聚类等经典机器学习算法的实战应用。
第11章：实战案例3：购物篮关联规则挖掘实战。以一个购物篮数据为例，介绍了经典关联规则算法的实战应用。
第12章：实战案例4：手写数字分类实战。以手写数字数据为例，介绍k近邻、决策树、随机森林、支持向量机、全连接神经网络、逻辑回归等经典机器学习分类算法的实战应用。
第13章：实战案例5：深度学习图像分类实战。介绍使用Pytorch建立多种深度学习模型，对图像数据进行分类的实战。例如：LeNet-5、ResNet、ViT等深度学习网络的图像分类实战应用。
第14章：实战案例6：深度学习语义分割实战。介绍使用Pytorch建立U-Net网络，对图像进行语义分割的实战应用。
第15章：实战案例7：深度图像迁移学习实战。介绍使用Pytorch建立深度学习模型对图像进行迁移学习的实战应用，例如：图像风格迁移、图像迁移学习分类等。
第16章：实战案例8：自然语言聚类与分类实战。介绍了自然语言数据从预处理到模型预测的整个过程，例如：文本数据的特征提取、朴素贝叶斯分类、LDA主题模型聚类，以及文本深度学习分类等。
本书在编写时基于Python 3.9与Pytorch 2.x框架，为了尽可能减少对高性能GPU设备的依赖，书中的案例均基于Windows系统的英伟达3060Ti，对读者运行程序的设备要求较低，并且尽可能地使用较新的Python库。但是随着Python以及相关库的迅速发展与更新，以及作者水平所限，书中难免存在疏漏，敬请读者不吝赐教。
编著者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
