VIP会员
内容简介
今天，人工智能在我们的生活中随处可见。它能推送我们喜欢的电视节目，帮助我们诊断疑难杂症，还能商品。因此，让我们掌握人工智能的核心算法，拥抱日新月异的智能世界吧。 与那些充斥着公式和术语的教材不同，本书利用丰富的图表、案例和习题，深入浅出地讲解人工智能的基本概念。你只需要具备高中数学基础知识，即可轻松阅读本书。读完本书之后，你将能亲手设计算法来预测银行交易风险，创造艺术作品甚配置自动驾驶汽车。 主要内容各种人工智能算法的实践场景帮助决策的智能搜索算法受生物学启发的算法簇机器学经网络强化学习 与Q-learning。
目录
目 录第1章 人工智能初印象 11.1 什么是人工智能？ 11.1.1 定义AI 21.1.2 理解数据是智能算法的_x00B_核心 31.1.3 把算法看作“菜谱” 41.2 人工智能简史 61.3 问题类型与问题解决_x00B_范式 71.4 人工智能概念的直观_x00B_印象 91.5 人工智能算法的用途 131.5.1 农业：植物种植优化 131.5.2 银行业：欺诈检测 141.5.3 网络：攻击检测与_x00B_处理 141.5.4 ：智能诊断 141.5.5 物流：路径规划与_x00B_优化 151.5.6 通信：网络优化 161.5.7 游戏：主体创造 161.5.8 艺术：创造作品 171.6 本章小结 17第2章 搜索算法基础 212.1 什么是规划与搜索？ 212.2 计算成本：需要智能算法的_x00B_原因 232.3 适合用搜索算法的问题 242.4 表示状态：创建一个表示_x00B_问题空间与解的框架 262.4.1 图：表示搜索问题_x00B_与解 282.4.2 用具体的数据结构_x00B_表示图 282.4.3 树：表示搜索结果的具体_x00B_结构 292.5 无知搜索：盲目地找_x00B_寻解 312.6 广度优先搜索：先看广度，_x00B_再看深度 332.7 深度优先搜索：先看深度，_x00B_再看广度 392.8 盲目搜索算法的用例 452.9 可选：关于图的类别 462.10 可选：其他表示图的_x00B_ 方法 472.10.1 关联矩阵 472.10.2 邻接表 482.11 本章小结 48第3章 智能搜索 513.1 定义启发式方法：设计有_x00B_根据的猜测 513.2 知情搜索：在指导下寻求_x00B_解决方案 543.2.1 A*搜索 543.2.2 知情搜索算法的用例 613.3 对抗搜索：在不断变化的_x00B_环境中寻找解决方案 623.3.1 一个简单的对抗_x00B_问题 623.3.2 小-大搜索：模拟行动_x00B_并选择好的未来 633.3.3 启发式 643.3.4 阿尔法-贝塔剪枝：仅探索_x00B_合理的路径 723.3.5 对抗搜索算法的典型_x00B_案例 753.4 本章小结 75第4章 进化算法 774.1 什么是进化？ 774.2 适合用进化算法的问题 804.3 遗传算法的生命周期 844.4 对解空间进行编码 864.5 创建解决方案种群 894.6 衡量种群中个体的_x00B_适应度 914.7 根据适应度得分筛_x00B_选亲本 934.8 由亲本繁殖个体 964.8.1 单点交叉：从每个亲本_x00B_继承一部分 974.8.2 两点交叉：从每个亲本_x00B_继承多个部分 984.8.3 均匀交叉：从每个亲本_x00B_继承多个部分 984.8.4 二进制编码的位串_x00B_突变 1004.8.5 二进制编码的翻转位_x00B_突变 1014.9 繁衍下一代 1014.9.1 探索与挖掘 1024.9.2 停止条件 1024.10 遗传算法的参数配置 1044.11 进化算法的用例 1054.12 本章小结 105第5章 进化算法(篇) 1075.1 进化算法的生命周期 1075.2 其他筛选策略 1095.2.1 排序筛选法：均分_x00B_赛场 1095.2.2 联赛筛选法：分组_x00B_对抗 1105.2.3 法：只选_x00B_好的 1115.3 实值编码：处理真实_x00B_数值 1115.3.1 实值编码的核心概念 1125.3.2 算术交叉：数学化_x00B_繁殖 1135.3.3 边界突变 1135.3.4 算术突变 1145.4 顺序编码：处理序列 1145.4.1 适应度函数的重要 1165.4.2 顺序编码的核心概念 1165.4.3 顺序突变：适用于顺序_x00B_编码 1165.5 树编码：处理层次结构 1175.5.1 树编码的核心概念 1185.5.2 树交叉：继承树的_x00B_分支 1195.5.3 节点突变：更改_x00B_节点的值 1205.6 常见进化算法 1205.6.1 遗传编程 1205.6.2 进化编程 1215.7 进化算语表 1215.8 进化算法的其他用例 1215.9 本章小结 122第6章 群体智能：蚁群优化 1256.1 什么是群体智能？ 1256.2 适合用蚁群优化算法的_x00B_问题 1276.3 状态表达：如何表达蚂蚁_x00B_和路径？ 1306.4 蚁群优化算法的生命_x00B_周期 1346.4.1 初始化信息素印迹 1356.4.2 建立蚂蚁种群 1366.4.3 为蚂蚁选择下一个访问_x00B_项目 1386.4.4 更新信息素印迹 1456.4.5 更新佳解决方案 1496.4.6 确定终止条件 1506.5 蚁群优化算法的用例 1526.6 本章小结 153第7章 群体智能：粒子群_x00B_优化 1557.1 什么是粒子群优化？ 1557.2 优化问题：略偏技术的_x00B_观点 1577.3 适合用粒子群优化算法的_x00B_问题 1607.4 状态表达：粒子是什么_x00B_样的？ 1627.5 粒子群优化的生命周期 1637.5.1 初始化粒子群 1647.5.2 计算粒子的适应度 1667.5.3 更新粒子的位置 1697.5.4 确定终止条件 1807.6 粒子群优化算法的用例 1817.7 本章小结 183第8章 机器学习 1858.1 什么是机器学习？ 1858.2 适合用机器学问题 1878.2.1 监督学习 1888.2.2 非监督学习 1888.2.3 强化学习 1888.3 机器学工作流程 1888.3.1 收集和理解数据：掌握_x00B_数据背景 1898.3.2 准备数据：清洗和_x00B_整理 1918.3.3 训练模型：用线回归_x00B_预测 1968.3.4 测试模型：验证模型_x00B_精度 2058.3.5 提高 2088.4 分类问题：决策树 2108.4.1 分类问题：非此即彼 2108.4.2 决策树的基础知识 2118.4.3 训练决策树 2138.4.4 用决策树对实例进行_x00B_分类 2238.5 其他常见的机器学习_x00B_算法 2268.6 机器学用例 2278.7 本章小结 228第9章 人工神经网络 2319.1 什么是人工神经网络？ 2319.2 感知器：表征神经元 2349.3 定义人工神经网络 2379.4 前向传播：使用训练好的_x00B_人工神经网络 2439.5 反向传播：训练人工神经_x00B_网络 2509.6 激活函数一览 2599.7 设计人工神经网络 2609.8 人工神经网络的类型和_x00B_用例 2639.8.1 卷积神经网络 2639.8.2 递归神经网络 2649.8.3 生成对抗网络 264_x00E_9.9 本章小结 266第10章 基于Q-learning的强化_x00B_ 学习 26910.1 什么是强化学习？ 26910.2 适合用强化学_x00B_问题 27210.3 强化学生命周期 27310.3.1 模拟与数据：环境_x00B_ ?重现 27410.3.2 使用Q-learning模拟_x00B_ ?训练 27810.3.3 模拟并测试Q表 28710.3.4 衡量训练的能 28710.3.5 无模型和基于模型的_x00B_ ?学习 28810.4 强化学深度学习_x00B_方法 28910.5 强化学用例 28910.5.1 机器人技术 29010.5.引擎 29010.5.3 金融贸易 29010.5.4 电子游戏 29110.6 本章小结 291