返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版新书]人工智能技术基础 王科俊,卢桂萍,张恩,方宇杰,张连波 清华大学出版社 人工智能-高等学校-教材
  • 新商品上架
    • 作者: 王科俊,卢桂萍,张恩,方宇杰,张连波著
    • 出版社: 清华大学出版社
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    句字图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 王科俊,卢桂萍,张恩,方宇杰,张连波著
    • 出版社:清华大学出版社
    • ISBN:9787302664208
    • 版权提供:清华大学出版社

     书名:  人工智能技术基础
     出版社:  清华大学出版社
     出版日期  2023
     ISBN号:  9787302664208
    人工智能在人类社会各领域得到广泛应用,已成为社会进步的核心技术。本书全面介绍当前人工智能技术的基础理论和方法,包括深度神经网络、知识图谱、图神经网络、生成式人工智能和机器学习方法5部分内容。重点介绍深度神经网络基本原理、卷积神经网络、循环神经网络、注意力机制和Transformer,介绍知识图谱、图神经网络和生成式人工智能的基本理论与方法,最后简要介绍弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法,还介绍了大语言模型中的机器学习方法。
    本书是作者总结近年来的教学和科研成果,结合国内外人工智能技术领域最新成果编写而成的。全书内容体系新颖,具有先进性、系统性和实用性。本书可作为高等学校人工智能技术课程的教材,也可供相关专业的工程技术人员参考。


    本书详细阐述了深度神经网络,知识图谱,图神经网络,生成式人工智能方法和机器学习方法,还介绍了弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法。还介绍了大语言模型中的机器学习方法。

    目录

    第1章人工智能简介1
    1.1人工智能的定义及发展历史1
    1.1.1人工智能的定义1
    1.1.2人工智能的发展历史1
    1.2人工智能方法3
    1.3人工智能的应用5
    1.4人工智能的未来6
    1.4.1近期发展目标6
    1.4.2人工智能的未来7
    1.5小结7
    思考与练习7
    第2章神经网络基础8
    2.1生物神经元与生物神经网络8
    2.1.1生物神经元8
    2.1.2生物神经网络9
    2.2人工神经元与人工神经网络9
    2.2.1人工神经元9
    2.2.2激活函数10
    2.2.3人工神经网络13
    2.3前向神经网络13
    2.4反向传播算法14
    2.4.1链式法则15
    2.4.2梯度下降法15
    2.4.3反向传播算法15
    2.4.4反向传播算法的改进算法18
    2.5处理数据和训练模型的技巧20
    2.5.1数据预处理——数据标准化20
    2.5.2权重初始化21
    2.5.3防止过拟合的常用方法23
    2.6小结24
    思考与练习24
    第3章卷积神经网络25
    3.1卷积神经网络的特性25
    3.1.1局部连接26
    3.1.2权值共享26
    3.1.3不变性27
    3.2卷积神经网络结构和训练27
    3.2.1卷积层27
    3.2.2池化层32
    3.2.3全连接层33
    3.2.4卷积神经网络的训练35
    3.3卷积神经网络经典模型36
    3.3.1LeNet5网络37
    3.3.2AlexNet网络38
    3.3.3VGGNet网络41
    3.3.4其他几种经典网络的基本结构42
    3.4小结48
    思考与练习48
    第4章循环神经网络49
    4.1循环神经网络的基本结构49
    4.2循环神经网络的训练方法52
    4.2.1标准循环神经网络的前向输出流程52
    4.2.2循环神经网络的训练方法——随时间反向传播53
    4.2.3循环神经网络训练过程中的梯度消失和梯度爆炸问题及解决方法54
    4.3循环神经网络拓展模型56
    4.3.1简单循环网络56
    4.3.2双向循环网络56
    4.3.3长短期记忆网络57
    4.3.4门控循环单元网络61
    4.4循环神经网络的应用结构62
    4.4.1同步的序列到序列结构(N到N)62
    4.4.2序列分类结构(N到1)62
    4.4.3向量到序列结构(1到N)62
    4.4.4异步的序列到序列的模式(N到M)64
    4.5小结65
    思考与练习65
    第5章注意力机制67
    5.1软注意力机制的原理及计算过程68
    5.2通道注意力和空间注意力70
    5.2.1通道注意力70
    5.2.2空间注意力73
    5.2.3混合注意力73
    5.3自注意力机制76
    5.3.1自注意力机制的输入方式及特性76
    5.3.2自注意力机制与RNN的区别79
    5.3.3自注意力机制在视觉领域的应用80
    5.4互注意力机制84
    5.5小结85
    思考与练习85
    第6章Transformer86
    6.1Transformer的结构和工作原理86
    6.1.1Transformer的输入89
    6.1.2多头自注意力机制90
    6.1.3编码器结构92
    6.1.4译码器结构93
    6.1.5Transformer的训练95
    6.1.6Transformer的特点分析96
    6.2Transformer在NLP中的应用96
    6.2.1BERT的基本原理和训练方法97
    6.2.2GPT的基本原理和训练方法101
    6.3Transformer在视觉领域中的应用104
    6.3.1视觉Transformer104
    6.3.2其他视觉Transformer106
    6.3.3受ViT启发解决视觉问题的多层感知机112
    6.4小结115
    思考与练习115
    第7章知识图谱116
    7.1知识图谱的起源116
    7.1.1知识工程和专家系统116
    7.1.2语义网络、语义网、链接数据和知识图谱117
    7.1.3知识图谱的定义118
    7.2知识图谱的架构119
    7.2.1逻辑架构119
    7.2.2技术架构120
    7.3知识抽取121
    7.3.1非结构化数据的知识抽取122
    7.3.2结构化数据的知识抽取130
    7.3.3半结构化数据的知识抽取130
    7.4知识融合134
    7.4.1知识融合的基本技术流程136
    7.4.2典型知识融合工具137
    7.4.3实体链接140
    7.4.4知识合并144
    7.5知识加工145
    7.5.1实体构建145
    7.5.2知识推理146
    7.5.3质量评估148
    7.5.4知识更新148
    7.6小结148
    思考与练习148
    第8章图神经网络149
    8.1图论基础与图谱理论149
    8.1.1图论基础149
    8.1.2图谱理论151
    8.2图神经网络基本原理153
    8.2.1图神经网络的基本操作153
    8.2.2多层GNN155
    8.2.3GNN应用场景156
    8.3图神经网络分类157
    8.4卷积图神经网络158
    8.4.1基于图谱理论的ConvGNN159
    8.4.2基于空间的ConvGNN160
    8.5图注意力网络161
    8.6图生成网络163
    8.7图时空网络164
    8.8小结166
    思考与练习166
    第9章生成式人工智能模型167
    9.1变分自编码器168
    9.1.1原理概念168
    9.1.2训练方法169
    9.1.3应用方法170
    9.2生成对抗网络171
    9.2.1GAN的基本原理171
    9.2.2GAN网络的几种结构172
    9.2.3GAN训练中生成与训练集之间的相似评价方法174
    9.3流模型177
    9.3.1流模型的工作原理177
    9.3.2流模型的常见分类方法178
    9.3.3常见的流模型转换函数设计179
    9.4扩散模型180
    9.4.1去噪扩散概率模型DDPM181
    9.4.2基于分数匹配的随机微分方程扩散模型183
    9.4.3扩散模型的采样生成184
    9.5稳定扩散模型186
    9.5.1LDM隐式扩散187
    9.5.2文本与图像的关联方法——CLIP模型188
    9.5.3其他条件下的生成模型189
    9.5.4稳定扩散模型的应用190
    9.6小结194
    思考与练习194
    第10章机器学习195
    10.1弱监督学习195
    10.1.1主动学习196
    10.1.2半监督学习197
    10.2自监督学习198
    10.2.1生成式自监督学习199
    10.2.2判别式自监督学习200
    10.3迁移学习202
    10.4深度强化学习204
    10.4.1强化学习系统概述205
    10.4.2基于值函数的深度强化学习207
    10.4.3基于策略的深度强化学习208
    10.4.4基于演员—评论家的深度强化学习209
    10.4.5多智能体深度强化学习210
    10.5元学习和小(零)样本学习212
    10.5.1基于模型的元学习方法213
    10.5.2模型无关的元学习方法216
    10.6持续学习218
    10.6.1持续学习的应用场景和主要挑战219
    10.6.2持续学习的主要方法222
    10.7大语言模型中的机器学习方法226
    10.7.1提示学习和指示学习227
    10.7.2上下文学习和思维链提示228
    10.7.3基于人类反馈的强化学习233
    10.8小结236
    思考与练习236
    参考文献237


     

    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购