人工智能原理及MATLAB实现-图书-人邮教育社区

内容摘要

本书系统地阐述了人工智能算法的基本原理、实现技术及其应用，基本涵盖了其重要理论和方法，包括了最近发展起来的并被实践证明的新技术、新理论，如机器学习、模式识别、图像处理、神经网络、深度学习、群智能方法等。本书注重结合实际，通过实际问题介绍各种理论和方法，着重介绍各种智能算法的MATLAB实现，具有较强的指导性和实用性。
本书可作为计算机、信息处理、自动化和电信等IT相关专业的高年级本科生和研究生学习人工智能的教材，也可作为从事计算机科学研究、开发和应用的教学和科研人员参考。

诚邀您加入【人邮社人工智能教师交流群】

目　录
第1章概述 1
1.1　人工智能的定义与发展 1
1.1.1 人工智能的定义 1
1.1.2 人工智能的发展 2
1.2 人工智能的技术特征 3
1.3 人类智能的计算机模拟 3
1.4 人工智能的研究与应用领域 4
1.5 人工智能之知识获取 6

第2章机器学习 9
2.1 机器学习概述 9
2.2 机器学习的分类 9
2.3 机器学习的主要策略与机器学习系统的基本结构 10
2.3.1 机器学习的主要策略 10
2.3.2 机器学习系统的基本结构 10
2.4 机器学习算法 11
2.4.1 决策树算法 12
2.4.2 贝叶斯网络算法 19
2.4.3 支持向量机算法 25
2.4.4 k近邻分类算法 28
2.4.5 模糊聚类算法 30
2.4.6 随机森林算法 33
2.4.7 集成学习 36
2.4.8 EM算法 41
2.5 机器学习的MATLAB实战 42

第3章人工神经网络 55
3.1 人工神经网络的基本原理 55
3.1.1 人工神经元 55
3.1.2 传递函数 56
3.1.3 人工神经网络的特点 56
3.1.4 人工神经网络的数学基础知识 57
3.2 人工神经网络的结构形式 58
3.2.1 分层网络结构 58
3.2.2 相互连接型网络结构 59
3.3 人工神经网络模型分类 60
3.4 人工神经网络学习算法 61
3.4.1 Hebb学习算法 61
3.4.2 误差修正学习算法 61
3.4.3 随机学习算法 61
3.4.4 竞争学习算法 62
3.4.5 基于记忆的学习算法 62
3.4.6 结构学习算法 63
3.5 典型的人工神经网络 63
3.5.1 单层前向网络 63
3.5.2 多层前向网络及BP学习算法 64
3.5.3 径向基函数神经网络 66
3.5.4 自组织竞争人工神经网络 67
3.5.5 对向传播神经网络 68
3.5.6 反馈型神经网络 69
3.6 人工神经网络的MATLAB实战 70

第4章深度学习 88
4.1 深度学习概述 88
4.2 深度学习模型 90
4.2.1 卷积神经网络 90
4.2.2 循环神经网络 92
4.2.3 深度信念网络 94
4.2.4 深度神经网络 95
4.3 深度学习的学习与训练 96
4.3.1 反向传播 97
4.3.2 随机梯度下降 98
4.3.3 学习率衰减 98
4.3.4 节点丢弃 98
4.3.5 最大池 99
4.3.6 批量标准化 99
4.3.7 Skip-gram 99
4.3.8 连续词袋模型 99
4.3.9 迁移学习 100
4.4 深度学习框架 100
4.4.1 Caffe 101
4.4.2 TensorFlow 101
4.4.3 DeepLearning4J 101
4.4.4 Keras 102
4.5 深度学习的应用及面临的问题与挑战 102
4.5.1 深度学习的应用 102
4.5.2 深度学习面临的问题与挑战 105
4.6 深度学习的MATLAB实战 107

第5章计算智能 123
5.1　进化算法 123
5.1.1 遗传算法 123
5.1.2 进化策略 130
5.2 模糊计算 132
5.2.1 模糊系统理论基础 132
5.2.2 模糊规则和推理 136
5.2.3 模糊聚类分析 137
5.3 搜索算法 138
5.3.1 搜索过程的三大要素 138
5.3.2 搜索算法的基本思想和基本步骤 139
5.3.3 典型的搜索算法 139
5.4 群智能算法 147
5.4.1 群智能算法概述 148
5.4.2 群智能算法的一般框架 148
5.4.3 群智能的共性要素 149
5.4.4 构建有效的群智能算法 150
5.4.5 群智能算法的特点 152
5.4.6 常用群智能算法 153
5.5 混合算法 167
5.5.1 混合优化策略的关键问题 167
5.5.2 混合算法的统一优化结构 168
5.6 计算智能的MATLAB实战 170

第6章数据挖掘 181
6.1 数据挖掘概述 181
6.1.1 数据挖掘的定义 181
6.1.2 数据挖掘的分类、过程与任务 182
6.1.3 数据挖掘建模 185
6.2 数据挖掘算法 188
6.2.1 假设检验 189
6.2.2 回归分析 192
6.2.3 二项逻辑回归 197
6.2.4 方差分析 199
6.2.5 主成分分析 201
6.2.6 因子分析 203
6.3 数据挖掘相关技术 206
6.3.1 关联分析 206
6.3.2 粗糙集技术 211
6.3.3 可视化技术 215
6.4 数据挖掘应用 219
6.4.1 分类 219
6.4.2 预测 220
6.4.3 聚类 232
6.5 数据挖掘应用领域 242
6.5.1 金融业中的应用 242
6.5.2 零售业方面的应用 243
6.5.3 电信业中的应用 244
6.5.4 管理中的应用 244
6.5.5 科研中的应用 245
6.5.6 制造业中的应用 246
6.5.7 故障诊断与监测中的应用 246
6.5.8 医疗领域中的应用 247
6.6 数据挖掘的MATLAB实战 248

第7章图像处理与识别 276
7.1 图像基本概述 276
7.1.1 图像格式 276
7.1.2 图像类型 277
7.1.3 图像处理 277
7.2 图像变换 279
7.2.1 傅里叶变换 279
7.2.2 离散余弦变换 280
7.2.3 Radon变换 280
7.2.4 小波变换 281
7.3 图像分析与处理 284
7.3.1 图像数字化 284
7.3.2 图像运算 286
7.3.3 图像调整 288
7.3.4 图像复原 288
7.3.5 图像特征分析 290
7.3.6 图像区域分割 292
7.3.7 数学形态学 293
7.4 图像识别 293
7.5 图像处理和识别的MATLAB实战 295
参考文献 307