午夜福利亚洲精品无遮挡,av无码全片,无码国产玉足脚交久

內(nèi)容簡介

　　算法是人工智能技術(shù)的核心。本書介紹了人工智能的基礎(chǔ)算法，全書共10 章，涉及維度法、距離度量算法、K 均值聚類算法、誤差計算、爬山算法、模擬退火算法、Nelder-Mead 算法和線性回歸算法等。書中所有算法均配以具體的數(shù)值計算來進行講解，讀者可以自行嘗試。每章都配有程序示例，GitHub 上有多種語言版本的示例代碼可供下載。本書適合作為人工智能入門讀者以及對人工智能算法感興趣的讀者閱讀參考。

作者簡介

　　杰弗瑞·希頓（Jeffery Heaton）既是一位活躍的技術(shù)博主、開源貢獻者，也是十多本圖書的作者。他的專業(yè)領(lǐng)域包括數(shù)據(jù)科學(xué)、預(yù)測建模、數(shù)據(jù)挖掘、大數(shù)據(jù)、商務(wù)智能和人工智能等。他擁有華盛頓大學(xué)信息管理學(xué)碩士學(xué)位，是IEEE的高級會員、Sun認(rèn)證Java程序員、開源機器學(xué)習(xí)框架Encog的首席開發(fā)人員。

圖書目錄

第 1 章 AI 入門 1
1．1 與人類大腦的聯(lián)系 2
1．1．1 大腦和真實世界 3
1．1．2 缸中之腦 5
1．2 對問題建模 6
1．2．1 大腦和真實世界 7
1．2．2 回歸分析 9
1．2．3 聚類問題 10
1．2．4 時序問題 10
1．3 對輸入/ 輸出建模 11
1．3．1 一個簡單的例子 15
1．3．2 燃油效率 16
1．3．3 向算法傳入圖像 18
1．3．4 金融算法 20
1．4 理解訓(xùn)練過程 21
1．4．1 評估成果 22
1．4．2 批量學(xué)習(xí)和在線學(xué)習(xí) 22
1．4．3 監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí) 23
1．4．4 隨機學(xué)習(xí)和確定學(xué)習(xí) 23
1．5 本章小結(jié) 23
第 2 章數(shù)據(jù)歸一化 25
2．1 計量尺度 25
2．2 觀測值歸一化 29
2．2．1 名義量歸一化 30
2．2．2 順序量歸一化 32
2．2．3 順序量解歸一化 34
2．2．4 數(shù)字量歸一化 35
2．2．5 數(shù)字量解歸一化 37
2．3 其他歸一化方法 38
2．3．1 倒數(shù)歸一化 38
2．3．2 倒數(shù)解歸一化 38
2．3．3 理解等邊編碼法 39
2．3．4 等邊編碼法的實現(xiàn) 41
2．4 本章小結(jié) 45
第3 章距離度量 47
3．1 理解向量 47
3．2 計算向量距離 49
3．2．1 歐氏距離 49
3．2．2 曼哈頓距離 51
3．2．3 切比雪夫距離 53
3．3 光學(xué)字符識別 54
3．4 本章小結(jié) 57
第4 章隨機數(shù)生成 59
4．1 偽隨機數(shù)生成算法的概念 60
4．2 隨機數(shù)分布類型 61
4．3 輪盤模擬法 64
4．4 偽隨機數(shù)生成算法 65
4．4．1 線性同余生成法 66
4．4．2 進位乘數(shù)法 67
4．4．3 梅森旋轉(zhuǎn)算法 68
4．4．4 Box-Muller 轉(zhuǎn)換法 70
4．5 用蒙特卡洛方法估算PI 值 72
4．6 本章小結(jié) 74
第5 章 K 均值聚類算法 75
5．1 理解訓(xùn)練集 77
5．1．1 非監(jiān)督學(xué)習(xí) 77
5．1．2 監(jiān)督學(xué)習(xí) 80
5．2 理解K 均值算法 80
5．2．1 分配 81
5．2．2 更新 83
5．3 K 均值算法的初始化 84
5．3．1 隨機K 均值初始化 84
5．3．2 K 均值算法的Forgy 初始化 87
5．4 本章小結(jié) 90
第6 章誤差計算 91
6．1 方差和誤差 92
6．2 均方根誤差 93
6．3 均方誤差 93
6．4 誤差計算方法的比較 94
6．5 本章小結(jié) 96
第7 章邁向機器學(xué)習(xí) 97
7．1 多項式系數(shù) 99
7．2 訓(xùn)練入門 101
7．3 徑向基函數(shù)網(wǎng)絡(luò) 103
7．3．1 徑向基函數(shù) 104
7．3．2 徑向基函數(shù)網(wǎng)絡(luò) 107
7．3．3 實現(xiàn)徑向基函數(shù)網(wǎng)絡(luò) 109
7．3．4 應(yīng)用徑向基函數(shù)網(wǎng)絡(luò) 113
7．4 本章小結(jié) 115
第8 章優(yōu)化訓(xùn)練 117
8．1 爬山算法 117
8．2 模擬退火算法 121
8．2．1 模擬退火算法的應(yīng)用 122
8．2．2 模擬退火算法 123
8．2．3 冷卻進度 126
8．2．4 退火概率 127
8．3 Nelder-Mead 算法 128
8．3．1 反射 130
8．3．2 擴張操作 131
8．3．3 收縮操作 132
8．4 Nelder-Mead 算法的終止條件 133
8．5 本章小結(jié) 134
第9 章離散優(yōu)化 135
9．1 旅行商問題 135
9．1．1 旅行商問題簡要說明 136
9．1．2 旅行商問題求解的實現(xiàn) 137
9．2 環(huán)形旅行商問題 138
9．3 背包問題 139
9．3．1 背包問題簡要說明 140
9．3．2 背包問題求解的實現(xiàn) 141
9．4 本章小結(jié) 143
第 10 章線性回歸 144
10．1 線性回歸 144
10．1．1 最小二乘法擬合 146
10．1．2 最小二乘法擬合示例 148
10．1．3 安斯庫姆四重奏 149
10．1．4 鮑魚數(shù)據(jù)集 151
10．2 廣義線性模型 152
10．3 本章小結(jié) 155
附錄A 示例代碼使用說明 157
A．1 “讀懂人工智能”系列書簡介 157
A．2 保持更新 157
A．3 獲取示例代碼 158
A．4 示例代碼的內(nèi)容 159
A．5 如何為項目做貢獻 163
參考資料 164