返回首页
网站导航
商家入驻
客户服务
我的订单
我的易购
苏宁会员
购物车 0
易付宝
企业采购
手机苏宁
江莱图书专营店

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：
进入店铺 关注店铺 商品地图
本店所有商品
江莱图书专营店
  • 扫码下单
    进入店铺

  • 正版新书 人工智能案例与实验 徐义春 清华大学出版社 人工智能—实验—高等学校—教材

  • 新商品上架

    • 作者： 徐义春著
    • 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：
    江莱图书专营店
    联系：

    • 商品

    • 服务

    • 物流

    进入店铺 关注店铺

    搜索店内商品

    • 关键词：
    • 价  格： -

    商品分类

    商品分类

    商品参数
    • 作者： 徐义春著
    • 出版社：清华大学出版社
    • 开本：16开
    • ISBN：9787302661238
    • 版权提供：清华大学出版社

     书名：  人工智能案例与实验
     出版社：  清华大学出版社
     出版日期  2024
     ISBN号：  9787302661238

    人工智能是一门实践性很强的学科，特别适合基于案例的新型教学形式。本书是为了引导学生深入

    理解人工智能算法原理，提高学生对人工智能应用问题的研究、分析、解决能力而编写的。

    本书是以实验案例方式组织的，全书共给出了21 个人工智能实验案例，覆盖了人工智能课程涉及

    的主要内容，包括搜索求解、逻辑推理、贝叶斯网络、马尔可夫决策、监督学习、非监督学习、强化学

    习等各方面，也包含了深度神经网络技术。为了便于教学，每个实验案例对实验的内容、背景和目标进

    行了明确阐述，对所涉及的理论基础及算法也进行了详细介绍，并提供了相应的Python 语言代码。

    本书可作为高等学校相关专业的人工智能案例课程教材，也可作为从事相关专业的技术人员的参考

    用书。


    本书共给出了21个人工智能实验案例，覆盖了人工智能课程涉及的主要内容，包括搜索求解、逻辑推理、贝叶斯网络、马尔可夫决策、监督学习、非监督学习、强化学习等各个方面，也包含了深度神经网络技术，并提供了相应的Python语言代码。


    目录

    第 1 章 启发式搜索：A* 算法 1
    1.1 教学目标 1
    1.2 实验内容与任务  1
    1.3 实验过程及要求  1
    1.4 相关知识及背景  2
    1.5 实验教学与指导  3
    1.5.1 判断连线是否穿过障碍物 3
    1.5.2 邻接矩阵 3
    1.5.3 AI 问题求解模型 4
    1.5.4 A* 算法 4
    1.5.5 A* 算法的最优性 6
    1.5.6 Dijkstra 算法  6
    1.6 实验报告要求 6
    1.7 考核要求与方法  7
    1.8 案例特色或创新  7
    第 2 章 局部搜索：八皇后问题 8
    2.1 教学目标 8
    2.2 实验内容与任务  8
    2.3 实验过程及要求  9
    2.4 相关知识及背景  9
    2.5 实验教学与指导  9
    2.5.1 目标函数定义  9
    2.5.2 邻居的定义  10
    2.5.3 爬山法 10
    2.5.4 爬山法的变形 12
    2.5.5 模拟退火方法 13
    2.6 实验报告要求 14
    2.7 考核要求与方法  14
    2.8 案例特色或创新  14
    第 3 章 对抗与博弈：井字棋 15
    3.1 教学目标  15
    3.2 实验内容与任务  15
    3.3 实验过程及要求  15
    3.4 相关知识及背景  16
    3.5 实验教学与指导  16
    3.5.1 Minimax 决策 16
    3.5.2 游戏模型 17
    3.5.3 玩家  18
    3.5.4 井字棋游戏的实现  19
    3.6 实验报告要求 21
    3.7 考核要求与方法  21
    3.8 案例特色或创新  21
    第 4 章 命题逻辑推理：怪兽世界 22
    4.1 教学目标  22
    4.2 实验内容与任务  22
    4.3 实验过程及要求  23
    4.4 相关知识及背景  23
    4.5 实验教学与指导  23
    4.5.1 命题逻辑 23
    4.5.2 命题逻辑表达式 24
    4.5.3 逻辑表达式真值判断 26
    4.5.4 基于知识库的 AI 28
    4.6 实验报告要求 29
    4.7 考核要求与方法  29
    4.8 案例特色或创新  29
    第 5 章 贝叶斯网络：比赛结果预测 30
    5.1 教学目标  30
    5.2 实验内容与任务  30
    5.3 实验过程及要求  30
    5.4 相关知识及背景  31
    5.5 实验教学与指导  31
    5.5.1 贝叶斯网络  31
    5.5.2 精确算法 32
    5.5.3 拒绝采样方法 33
    5.5.4 似然加权采样方法  33
    5.5.5 Gibbs 采样方法 34
    5.6 实验报告要求 34
    5.7 考核要求与方法  35
    5.8 案例特色或创新  35
    第 6 章 隐马尔可夫模型：机器人定位 36
    6.1 教学目标  36
    6.2 实验内容与任务  36
    6.3 实验过程及要求  37
    6.4 相关知识及背景  37
    6.5 实验教学与指导  38
    6.5.1 HMM 38
    6.5.2 滤波算法 38
    6.5.3 平滑算法 39
    6.5.4 最可能序列  40
    6.6 实验报告要求 41
    6.7 考核要求与方法  41
    6.8 案例特色或创新  41
    第 7 章 卡尔曼滤波器：运动跟踪 42
    7.1 教学目标  42
    7.2 实验内容与任务  42
    7.3 实验过程及要求  43
    7.4 相关知识及背景  43
    7.5 实验教学与指导  43
    7.5.1 卡尔曼滤波器原理  43
    7.5.2 卡尔曼滤波器实现  44
    7.6 实验报告要求 45
    7.7 考核要求与方法  45
    7.8 案例特色或创新  45
    第 8 章 马尔可夫决策：机器人导航 46
    8.1 教学目标  46
    8.2 实验内容与任务  46
    8.3 实验过程及要求  47
    8.4 相关知识及背景  47
    8.5 实验教学与指导  47
    8.5.1 马尔可夫决策过程  47
    8.5.2 环境模型 48
    8.5.3 价值迭代算法 48
    8.5.4 策略评估 49
    8.5.5 策略迭代算法 49
    8.6 实验报告要求 50
    8.7 考核要求与方法  50
    8.8 案例特色或创新  50
    第 9 章 决策树学习：红酒分类 51
    9.1 教学目标  51
    9.2 实验内容与任务  51
    9.3 实验过程及要求  52
    9.4 相关知识及背景  52
    9.5 实验教学与指导  53
    9.5.1 决策树的学习算法  53
    9.5.2 属性重要性度量：熵与基尼指数 53
    9.5.3 决策树剪枝  54
    9.5.4 sklearn 的决策树模型 55
    9.5.5 应用 sklearn 进行决策树建模和评估 55
    9.6 实验报告要求 57
    9.7 考核要求与方法  57
    9.8 案例特色或创新  57
    第 10 章 线性回归：糖尿病病情预测 58
    10.1 教学目标  58
    10.2 实验内容与任务 58
    10.3 实验过程及要求 58
    10.4 相关知识及背景 59
    10.5 实验教学与指导 59
    10.5.1 线性回归 59
    10.5.2 正则化 59
    10.6 实验原理及方案 60
    10.6.1 数据加载 60
    10.6.2 分析计算 60
    10.6.3 Keras 实现线性回归 61
    10.6.4 拟合程度的评价 61
    10.6.5 正则化 61
    10.7 实验报告要求  61
    10.8 考核要求与方法 62
    10.9 案例特色或创新 62
    第 11 章 线性分类：乳腺癌诊断 63
    11.1 教学目标  63
    11.2 实验内容与任务 63
    11.3 实验过程及要求 63
    11.4 相关知识及背景 64
    11.5 实验教学与指导 64
    11.5.1 硬阈值线性分类 64
    11.5.2 Logistic 分类 65
    11.6 实验原理及方案 65
    11.6.1 数据加载 66
    11.6.2 硬阈值线性分类 66
    11.6.3 Logistic 分类计算  67
    11.7 实验报告要求  67
    11.8 考核要求与方法 68
    11.9 案例特色或创新 68
    第 12 章 非参数学习方法 KNN：病情诊断与预测 69
    12.1 教学目标  69
    12.2 实验内容与任务 69
    12.3 实验过程及要求 69
    12.4 相关知识及背景 69
    12.5 实验教学与指导 70
    12.5.1 KNN 分类和回归  70
    12.5.2 距离与维度  70
    12.5.3 算法时间性能 70
    12.6 实验原理及方案 71
    12.6.1 KNN 分类  71
    12.6.2 KNN 回归  72
    12.7 实验报告要求  73
    12.8 考核要求与方法 73
    12.9 案例特色或创新 73
    第 13 章 支持向量机：乳腺癌诊断 74
    13.1 教学目标  74
    13.2 实验内容与任务 74
    13.3 实验过程及要求 74
    13.4 相关知识及背景 74
    13.5 实验教学与指导 75
    13.5.1 最大分离间隔 75
    13.5.2 传统优化过程及意义 76
    13.5.3 松弛问题 76
    13.5.4 特征变换与核函数  77
    13.5.5 现代观点 77
    13.6 实验原理及方案 77
    13.6.1 加载乳腺癌数据集，按 7 : 3 划分训练集和测试集 77
    13.6.2 自定义 Loss 函数  78
    13.6.3 建立神经网络模型并训练 78
    13.6.4 评估模型 78
    13.7 实验报告要求  79
    13.8 考核要求与方法 79
    13.9 案例特色或创新 79
    第 14 章 Adaboost 集成学习：红酒分类 80
    14.1 教学目标  80
    14.2 实验内容与任务 80
    14.3 实验过程及要求 80
    14.4 相关知识及背景 80
    14.5 实验教学与指导 81
    14.5.1 样本加权 81
    14.5.2 分类器加权  81
    14.5.3 Adaboost 分类算法 81
    14.6 实验原理及方案 82
    14.6.1 加载 wine 数据集，按 7 : 3 划分训练集和测试集 82
    14.6.2 定义加权投票函数  82
    14.6.3 Adaboost 训练函数 83
    14.6.4 Adaboost 预测函数 83
    14.6.5 Adaboost 性能评估 83
    14.7 实验报告要求  84
    14.8 考核要求与方法 84
    14.9 案例特色或创新 84
    第 15 章 聚类：K-Means 算法划分鸢尾花类别 85
    15.1 教学目标  85
    15.2 实验内容与任务 85
    15.3 实验过程及要求 85
    15.4 相关知识及背景 86
    15.5 实验教学与指导 86
    15.5.1 数据加载 86
    15.5.2 K-Means 算法原理 87
    15.5.3 K-Means 算法实现 87
    15.5.4 训练并显示聚类结果 88
    15.5.5 聚类结果和原始标记进行对比 89
    15.6 实验报告要求  89
    15.7 考核要求与方法 90
    15.8 案例特色或创新 90
    第 16 章 聚类：EM 算法估计混合高斯分布 91
    16.1 教学目标  91
    16.2 实验内容与任务 91
    16.3 实验过程及要求 91
    16.4 相关知识及背景 92
    16.5 实验教学与指导 92
    16.5.1 EM 算法 92
    16.5.2 混合高斯分布的参数计算 93
    16.5.3 算法实现参考 93
    16.6 实验报告要求  95
    16.7 考核要求与方法 95
    16.8 案例特色或创新 95
    第 17 章 强化学习：机器人导航 96
    17.1 教学目标  96
    17.2 实验内容与任务 96
    17.3 实验过程及要求 97
    17.4 相关知识及背景 97
    17.5 实验教学与指导 98
    17.5.1 环境模型 98
    17.5.2 被动学习：时序差分方法 TD Learning  98
    17.5.3 主动学习：Q Learning 99
    17.5.4 价值函数的线性逼近 100
    17.6 实验报告要求  101
    17.7 考核要求与方法 101
    17.8 案例特色或创新 102
    第 18 章 强化学习：策略梯度法 103
    18.1 教学目标 103
    18.2 实验内容与任务 103
    18.3 实验过程及要求 104
    18.4 相关知识及背景 104
    18.5 实验教学与指导 104
    18.5.1 环境模型  104
    18.5.2 策略梯度法原理  105
    18.5.3 策略函数的神经网络设计与训练 106
    18.6 实验报告要求  107
    18.7 考核要求与方法 108
    18.8 案例特色或创新 108
    第 19 章 卷积神经网络：手写体数字识别 109
    19.1 教学目标 109
    19.2 实验内容与任务 109
    19.3 实验过程及要求 109
    19.4 相关知识及背景 110
    19.5 实验教学与指导 110
    19.5.1 神经网络与层 110
    19.5.2 激活函数  111
    19.5.3 损失函数与优化计算 111
    19.5.4 图像处理与卷积层 111
    19.5.5 池化层 112
    19.5.6 丢弃处理 Dropout  113
    19.5.7 基于 Keras 的卷积神经网络处理框架  113
    19.6 实验报告要求  114
    19.7 考核要求与方法 114
    19.8 案例特色或创新 114
    第 20 章 循环神经网络：电影评论情感分析 115
    20.1 教学目标 115
    20.2 实验内容与任务 115
    20.3 实验过程及要求 116
    20.4 相关知识及背景 116
    20.5 实验教学与指导 116
    20.5.1 循环神经网络 116
    20.5.2 LSTM 网络  117
    20.5.3 词向量与 embedding 层  118
    20.5.4 基于 Keras 的 LSTM 网络处理框架 118
    20.6 实验报告要求  119
    20.7 考核要求与方法 120
    20.8 案例特色或创新 120
    第 21 章 生成模型：VAE 生成手写体数字 121
    21.1 教学目标 121
    21.2 实验内容与任务 121
    21.3 实验过程及要求 121
    21.4 相关知识及背景 122
    21.5 实验教学与指导 122
    21.5.1 VAE 模型推导 122
    21.5.2 算法实现参考 123
    21.5.3 模型应用：观察 q(z|x) 125
    21.5.4 模型应用：观察 p(x|z) 126
    21.6 实验报告要求  127
    21.7 考核要求与方法 127
    21.8 案例特色或创新 128
    第 22 章 案例 Python 实现代码 129
    22.1 启发式搜索：A* 算法 Python 实现代码 129
    22.2 局部搜索：八皇后问题 Python 实现代码 135
    22.3 对抗与博弈：井字棋 Python 实现代码  138
    22.4 命题逻辑推理：怪兽世界 Python 实现代码  142
    22.5 贝叶斯网络：比赛结果预测 Python 实现代码 146
    22.6 隐马尔可夫模型：机器人定位 Python 实现代码 149
    22.7 卡尔曼滤波器：运动跟踪 Python 实现代码  151
    22.8 马尔可夫决策：机器人导航 Python 实现代码 153
    22.9 决策树学习：红酒分类 Python 实现代码 156
    22.10 线性回归：糖尿病病情预测 Python 实现代码 157
    22.11 线性分类：乳腺癌诊断 Python 实现代码 158
    22.12 非参数学习方法 KNN：病情诊断与预测 Python 实现代码 159
    22.13 支持向量机：乳腺癌诊断 Python 实现代码  161
    22.14 Adaboost 集成学习：红酒分类 Python 实现代码  162
    22.15 聚类：K-means 算法划分鸢尾花类别 Python 实现代码  163
    22.16 聚类：EM 算法估计混合高斯分布 Python 实现代码 165
    22.17 强化学习：机器人导航 Python 实现代码 168
    22.18 强化学习：策略梯度法 Python 实现代码 171
    22.19 卷积神经网络：手写体数字识别 Python 实现代码 173
    22.20 循环神经网络：电影评论情感分析 Python 实现代码 175
    22.21 生成模型：VAE 生成手写体数字 Python 实现代码 176
    参考文献 180



     

    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

    继续等待

    0小时0分

    立即开通

    SUPER会员