| 作者 |
| [美]理查德●E.那不勒坦(Richard E.Neapolitan) 姜霞（Xia Jiang） |
| 丛书名 |
| 机器学习系列 |
| 出版社 |
| 机械工业出版社* |
| ISBN |
| 9787111686811 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书是在原书第1版的基础上，经过全面的修订、更新和扩展，保留了相同的可读性和解决问题的方法，同时介绍了新的素材和*新发展。全书分为5个部分，重点介绍了人工智能中常见的关键的技术。本书第1部分介绍了基于逻辑的方法，第2部分则重点介绍了基于概率的方法，第3部分介绍了新兴的涌现智能，探讨了基于群体智能的进化计算及其方法。接下来是*新的发展，第4部分详细介绍了神经网络和深度学习。本书*后一部分重点介绍了自然语言理解。 |
| 目录 |
译者序 原书前言 作者简介 第1章人工智能入门1 1.1人工智能的历史2 1.1.1什么是人工智能2 1.1.2人工智能的出现3 1.1.3认知科学与人工智能3 1.1.4人工智能的逻辑方法4 1.1.5基于知识的系统4 1.1.6人工智能的概率方法5 1.1.7进化计算和群体智能6 1.1.8神经网络与深度学习6 1.1.9创建HAL6 1.2大纲7 第1部分逻 辑 智 能 第2章命题逻辑8 2.1命题逻辑基础9 2.1.1语法9 2.1.2语义10 2.1.3重言式和逻辑含义13 2.1.4逻辑参数14 2.1.5派生系统17 2.2归结20 2.2.1范式20 2.2.2归结的推导21 2.2.3归结算法24 2.3人工智能应用25 2.3.1基于知识的系统25 2.3.2wumpus world35 2.4讨论和扩展阅读41 练习41 第3章一阶逻辑44 3.1一阶逻辑基础44 3.1.1语法44 3.1.2语义46 3.1.3有效性和逻辑蕴涵49 3.1.4推导系统51 3.1.5一阶逻辑的分离规则54 3.2人工智能应用57 3.2.1重访wumpus world57 3.2.2计划57 3.3讨论和扩展阅读60 练习60 第4章特定知识表示63 4.1分类学知识63 4.1.1语义网64 4.1.2人类知识的组织模型65 4.2框架65 4.2.1框架数据结构65 4.2.2使用框架做旅行规划66 4.3非单调逻辑68 4.3.1界限68 4.3.2默认逻辑69 4.3.3难点70 4.4讨论和扩展阅读70 练习71 第5章学习确定性模型72 5.1监督学习72 5.2回归72 5.2.1简单线性回归73 5.2.2多元线性回归75 5.2.3过拟合和交叉验证76 5.3参数估计78 5.3.1简单线性回归的参数估计78 5.3.2梯度下降80 5.3.3逻辑回归和梯度下降82 5.3.4随机梯度下降82 5.4决策树的学习83 5.4.1信息论85 5.4.2信息增益和ID3算法87 5.4.3过拟合89 练习89 第2部分概 率 智 能 第6章概率论92 6.1概率基本知识94 6.1.1概率空间94 6.1.2条件概率与独立性96 6.1.3贝叶斯定理98 6.2随机变量99 6.2.1随机变量的概率分布99 6.2.2随机变量的独立性103 6.3概率的含义106 6.3.1概率的相对频率法106 6.3.2主观概率108 6.4应用中的随机变量110 6.5wumpus world的概率112 练习114 第7章不确定性知识的表示117 7.1贝叶斯网络的直观介绍118 7.2贝叶斯网络的性质120 7.2.1贝叶斯网络的定义120 7.2.2贝叶斯网络的表示123 7.3贝叶斯网络的因果网络124 7.3.1因果关系124 7.3.2因果关系和马尔可夫条件125 7.3.3没有因果关系的马尔可夫条件128 7.4贝叶斯网络的推理129 7.4.1推理示例129 7.4.2推理算法和包131 7.4.3使用Netica推断132 7.5具有连续变量的网络133 7.5.1高斯贝叶斯网络133 7.5.2混合网络135 7.6取得概率137 7.6.1多继承的固有问题137 7.6.2基本noisy OR- gate模型137 7.6.3leaky noisy OR-gate模型138 7.6.4附加模型140 7.7大规模应用:Promedas140 练习142 第8章贝叶斯网络的高级特性144 8.1附带条件独立性144 8.1.1附带条件独立性实例145 8.1.2d-分离147 8.2忠实性150 8.2.1非忠实概率分布150 8.2.2忠实条件151 8.3马尔可夫等价152 8.4马尔可夫毯和边界155 练习155 第9章决策分析159 9.1决策树160 9.1.1简单的例子160 9.1.2求解更复杂的决策树163 9.2影响图172 9.2.1用影响图表示决策问题172 9.2.2求解影响图177 9.2.3求解影响图的技术177 9.2.4使用Netica求解影响图181 9.3风险建模偏好185 9.3.1指数效用函数185 9.3.2评估r186 9.4分析直接风险187 9.4.1使用方差来衡量风险187 9.4.2风险列表188 9.4.3决策的地位190 9.5良好的决策与良好的结果192 9.6敏感性分析193 9.7信息的价值195 9.7.1完备信息的预期值195 9.7.2不完备信息的预期值198 9.8讨论和扩展阅读199 9.8.1学者199 9.8.2商业和金融199 9.8.3资本设备199 9.8.4计算机游戏200 9.8.5计算机视觉200 9.8.6计算机软件200 9.8.7医学200 9.8.8自然语言处理200 9.8.9规划201 9.8.10心理学201 9.8.11可靠性分析201 9.8.12调度201 9.8.13语音识别201 9.8.14车辆控制与故障诊断201 练习201 第10章学习概率模型参数207 10.1学习单个参数207 10.1.1二项式随机变量207 10.1.2多项式随机变量210 10.2在贝叶斯网络中学习参数211 10.2.1学习参数的步骤211 10.2.2等效样本量212 10.3缺少数据的学习参数214 练习220 第11章学习概率模型结构222 11.1结构学习问题222 11.2基于分数的结构学习223 11.2.1贝叶斯分数223 11.2.2BIC分数229 11.2.3一致的评分准则231 11.2.4DAG评分的数量231 11.2.5使用学习网络进行推理*231 11.2.6缺少数据的学习结构*232 11.2.7近似结构学习238 11.2.8模型平均242 11.2.9近似模型平均*244 11.3基于约束的结构学习246 11.3.1学习一个服从于P的DAG246 11.3.2学习一个可信嵌入P中的DAG251 11.4应用：MENTOR251 11.4.1开发网络251 11.4.2验证MENTOR253 11.5用于学习的软件包254 11.6因果学习254 11.6.1因果置信假设254 11.6.2因果嵌入置信假设256 11.6.3应用：大学生保留率问题258 11.7类概率树261 11.7.1类概率树理论261 11.7.2目标广告应用262 11.8讨论和扩展阅读265 11.8.1生物学265 11.8.2商业和金融265 11.8.3因果学习266 11.8.4数据挖掘266 11.8.5医学266 11.8.6天气预报266 练习266 第12章无监督学习和强化学习270 12.1无监督学习270 12.1.1聚类270 12.1.2自动发现271 12.2强化学习271 12.2.1多臂强盗算法272 12.2.2动态网络*274 12.3讨论和扩展阅读282 练习283 第3部分涌 现 智 能 第13章进化计算284 13.1遗传学评论284 13.2遗传算法286 13.2.1算法286 13.2.2说明性示例287 13.2.3旅行的销售人员问题289 13.3遗传编程296 13.3.1说明性示例296 13.3.2人工蚂蚁299 13.3.3金融交易应用300 13.4讨论和扩展阅读302 练习303 第14章群体智能305 14.1蚂蚁系统305 14.1.1真实蚁群305 14.1.2求解TSP人工蚂蚁算法306 14.2鸟群308 14.3讨论和扩展阅读310 练习311 第4部分神 经 智 能 第15章神经网络和深度学习312 15.1感知器312 15.1.1学习感知器的权重313 15.1.2感知器和逻辑回归316 15.2前馈神经网络318 15.2.1XOR建模318 15.2.2两个隐层示例319 15.2.3前馈神经网络的结构322 15.3激活函数323 15.3.1输出节点323 15.3.2隐层节点326 15.4应用于图像识别327 15.5讨论和扩展阅读327 练习328 第5部分语 言 理 解 第16章自然语言理解331 16.1语法解析332 16.1.1递归语法解析器334 16.1.2歧义性335 16.1.3动态编程语法解析器337 16.1.4概率语法解析器340 16.1.5获得PCFG的概率342 16.1.6词典化的PCFG343 16.2语义解释344 16.3概念/知识解释345 16.4信息检索346 16.4.1信息检索的应用346 16.4.2信息检索系统的体系结构347 16.5讨论和扩展阅读348 练习348 参考文献350 |