8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 17.98 руб.

Набор методов матрицы искусственного интеллекта Алгебры: Основы математики+прикладные статьи В общей сложности 2 тома Чжан Сянды, пресс высшего образования

Цена: 3 297руб.    (¥183.34)
Артикул: 666828524761

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:高等教育出版社旗舰店
Адрес:Пекин
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥50.15902руб.
¥25.42458руб.
¥32.3581руб.
¥49.3887руб.
  • Информация о товаре
  • Фотографии
 
Матрица искусственного интеллекта Алгебра Математика Основы
Автор: Чжан Сянда, переведенный Чжан Юансшенг
Пресса: пресса высшего образования
ISBN: 9787040571677Книга: 16
Дата публикации: февраль 2022 г.Кадры: твердый переплет
Цена по прейскуранту: 79,00Издание: 1
Слова: 400 тысяч словЭто набор: нет
Номер страницы: 240Количество наборов: 0
 
Матрица искусственного интеллекта Метод алгебры: прикладные статьи
Автор: Чжан Сянда, Чжан Юансхенг запланировано
Пресса: пресса высшего образования
ISBN: 9787040558500Книга: 16
Дата публикации: ноябрь 2021 г.Кадры: твердый переплет
Цена: 179,00Издание: 1
Слова: 850 тысяч словЭто набор: нет
Номер страницы: 548Количество наборов: 0

Разработка искусственного интеллекта должна иметь в ходе математического понимания математического решения алгебры матрицы.Цель этой книги - обеспечить теоретическую основу для исследований и практики искусственного интеллекта.В книге есть 9 главы.Первая часть «Матрицы искусственного интеллекта: основы математики» включает в себя главу 1 -5, предоставляющую основную теорию матрицы алгебры; Применение машинного обучения, нейронных сетей, вспомогательных векторных машин и расчетов эволюции, применение методов матричной алгебраической алгебры в области художественного интеллекта обобщено, и суммируется более 80 алгоритмов искусственного интеллекта.Эта книга является всеобъемлющей и богатой примерами. Исследование искусственного интеллекта.

Разработка искусственного интеллекта требует математического понимания математического решения.Цель этой книги - обеспечить теоретическую основу для исследований и практики искусственного интеллекта.В книге есть 9 глав.Первая часть «Матрицы Алгебры» включает в себя главу 1 -5, предоставляющую основную теорию матричной алгебры; Сети и поддержка векторов.Эта книга является всеобъемлющей и богатой примерами. Исследование искусственного интеллекта.

Цяньфувен
ГЛАВА 6 МАШИЧЕСКОЕ Обучение
  6.1 Дерево машинного обучения
  6.2 Оптимизация в машинном обучении
   6.2.1 Оптимизация единой целевой комбинации
   6.2.2 Метод градиентной агрегации
   6.2.3 Метод падения координат
   6.2.4. Контрольная функция оптимизации единой целевой
  6.3 Оптимизация Минимальный алгоритм
   6.3.1 Оптимизировать структуру алгоритма минимизации
   6.3.2 Оптимизировать алгоритм минимизации, например,
  6.4 Улучшение и вероятность являются приблизительно правильным обучением
   6.4.1 Слабое улучшение алгоритма обучения
   6.4.2 Вероятность приблизительно правильного обучения
  6.5 Основная теория машинного обучения
   6.5.1 Учебная машина
   6.5.2 Метод машинного обучения
   6.5.3 Ожидания производительности алгоритма машинного обучения
  6.6 Классификация и возврат
   6.6.1 Распознавание и классификация режима
   6.6.2 Возврат
  6.7 Выбор функций
   6.7.1 Существует выбор характеристик надзора
   6.7.2 Выбор неконтролируемых характеристик
   6.7.3 Не -линейный комбинированный выбор неконтролируемых характеристик
  6.8 Анализ основного композиции
   6.8.1 Основной анализ основного компонента
   6.8.2 Анализ ингредиентов
   6.8.3 Анализ основного детского пространства
   6.8.4.
   6.8.5 Анализ основного компонента разреженных основных компонентов
  6.9 Наблюдение за обучением
   6.9.1 Возврат основных ингредиентов
   6.9.
   6.9.3 Возврат наказания
   6.9.4 Проекция градиента в разреженной реконструкции
  6.10 Классификация обучения надзора
   6.10.1 Стоматологический линейный классификатор
   6.10.2 Multi -category Linear Classifier
  6.11 Исследование напряжения надзора
   6.11.1 Основы количества алгебры
   6.11.2 Проблемы с надзором и обучением напряжения
   6.11.3 Кончика анализа пожертвований Фишера
   6.11.4 Вернуться к обучению
   6.11.5 Вкус k среднее
  6.12 Категория без приспособленности кластеризации
   6.12.1 Измерение сходства
   6.12.2 Слоистая кластеризация
   6.12.3 Fisher из анализа суждений о кластере без присмотра
   6,12,4 К среднего политикаласа
  6.13 Спектр кластер
   6.13.1 Алгоритм кластера спектра
   6.13.2 Спектр ограничений кластеризации спектра
   6.13.3
  6.14 Полу -супервизированный алгоритм обучения
   6.14.1 Суммизация полупроизводства/Прямое обучение Push
   6.14.2 Самостоятельно
   6.14.3 Совместное обучение
  6.15 Типичный связанный анализ
   6.15.1 Типичный связанный алгоритм анализа
   6.15.2 Типичный анализ ядерной ядерной
   6.15.3 Типичный анализ наказания
  6.16
   6.16.1
   6.16.2 Turulas Matrix
   6.16.3 Диаграмма
   6.16.4. Рисунок обработка сигнала
   6.16.5 Полу -супервизимое
   6.16.6 Полу -супервизимое обучение изображения: минимальный метод резки
   6.16.7 Неконтролируемое Map Learning: метод разреженного кодирования
  6.17 Активное обучение
   6.17.1 Активное обучение фон
   6.17.2 Статистика Активное обучение
   6.17.3 Алгоритм активного обучения
   6.17.4 на основе активного двойного классификатора обучения активному обучению
   6.17.5 Используйте активное обучение экстремальной учебной машине
  6.18 Подкрепление обучения
   6.18.1 Основные понятия и теории
   6.18.2 Процесс принятия решений Малкева
  6.19 Q Обучение
   6.19.1 Основное обучение Q
   6.19.2 Двойное Q Изучение и взвешенное двойное обучение Q
   6.19.3 Онлайн -соединение Q Алгоритм обучения
   6.19.4 Q Опыт обучения
  6.20 Обучение миграции
   6.20.1 Символ и определение
   6.20.2 Классификация миграционного обучения
   6.20.3 Улучшение миграционного обучения
   6.20.4
   6.20.5 Особенность миграции
  6.21 Доменная адаптация
   6.21.1 Метод улучшения функций
   6.21.2 Метод преобразования перекрестного домена
   6.21.3 Метод анализа миграционного состава
  краткое содержание главы
  Рекомендации
Глава 7 Нейронная сеть
  7.1 дерево нейронной сети
  7.2 От современной нейронной сети до глубокого обучения
  7.3 Оптимизация нейронной сети
   7.3.1 Проблема онлайн -оптимизации
   7.3.2 Алгоритм адаптивного градиента
   7.3.3 Оценка адаптивного момента
  7.4 Функция активации
   7.4.1 Функции логики Slim return и S -типа
   7.4.2 Регрессия SoftMax и функция SoftMax
   7.4.3 Другие функции активации
  7.5 Нейронная сеть обратной связи
   7.5.1 Традиционная нейронная сеть обратной связи
   7.5.2 Обратное распространение (BPTT)
   7.5.3 Jordan Network и Elman Network
   7.5.4 Нейронная сеть с двумя обратной связью
   7.5.5 Длинная и короткая память (LSTM)
   7.5.6 Улучшение длинной и короткой памяти
  7.6 Машина Больцмана
   7.6.1 Hopfield Network и Machine Beltzmann
   7.6.2 Ограниченная машина Больцмана
   7.6.3 Сравнение Sanjia Learning
   7.6.4 Multi -Limited Machine Beltzmann
  7.7 Байесовская нейронная сеть
   7.7.1 просто байесовская категория
   7.7.2 Теория байесовской классификации
   7.7.3 Изучение редкого байесовского обучения
  7.8 Служба нейронная сеть
   7.8.1 Матрица Ханкеля и свертка
   7.8.2 Пендализационный слой
   7.8.3 Функция активации сверточных нейронных сетей
   7.8.4 Функция потери
  7.9 Отбросьте обучение
   7.9.1 Отказ от изучения мелких слоев и глубокого обучения
   7.9.2 Отбросьте среднее значение обучения сферической k
   7.9.3 Отбросьте связь с обучением
  7.10 Автоматический энкодер
   7.10.1 Основной автоматический энкодер
   7.10.2 Степенный редкий автоматический энкодер
   7.10.3 Автоматический энкодер шума стека.
   7.10.4 Автоматический энкодер свертки
   7.11
   7.10.6 НЕ -СНЕГАТИЧЕСКИЙ РЕСУЛЬНЫЙ АВТОМАТИЧЕСКИЙ ЭНКОДЕР
  7.11 Extreme Learning Machine
   7.11.1 Единственная сеть подачи скрытого уровня со случайными скрытыми узлами
   7.11.2 Алгоритм экстремальной учебной машины возврата и бинарной классификации
   7.11.3 Алгоритмы экстремальных учебных машин с несколькими категориями
  7.12 Рисунок встроен
   7.12.1 Недавно и фигура встроена
   7.12.2 Многомерные стандарты
   7.12.3 Потоковое обучение: ожидание утра
   7.12.4.
   7.12.5 Потоковое обучение: карта карты Рапрастера
  7.13 Встроенная сеть
   7.13.1 Сеть структуры и атрибутов встроена
   7.13.2 Сеть поддерживается сообществом
   7.13.3 Высокая близость для поддержания сетевого встраивания
  7.14 Нейронная сеть доменов карты
   7.14.1 Рисунок нейронной сети
   7.14.2 DeepWalk и график
   7.14.3 Графическая сеть свертки
  7.15 сеть спецификации партийных спецификаций
   7.15.1 Пакетные спецификации
   7.15.2 Деформация и расширение партийных спецификаций
  7.16 Сгенерировать сеть конфронтации
   7.16.1 Сгенерировать конфронтационную сетевую структуру
   7.16.2 Двойная сеть конфронтации генерации
   7.16.3 Измените автоматический энкодер
  краткое содержание главы
  Рекомендации
Глава 8 Поддержка векторной машины
  8.1 Основная теория поддержки векторной машины. Основная теория
   8.1.1 Теория статистического обучения
   8.1.2 Linear Support Vector Machine
  8.2 Метод ядерной регрессии
   8.2.1 Регенеративный ядерный и ядерный
   8.2.2 Указывает теорему и возврат ядерной
   8.2.3 Полу -супервидение и возврат картинки
   8.2.4 Ядерный список Ertholy return
   8.2.5
  8.3 Возврат машины поддержки вектор
   8.3.1 Поддержка -векторный машинный регрессор
   8.3.2 $ epsilon $ vector -ector
   8.3.3 $ u $
  8.4 Двойная классификация векторной машины.
   8.4.1 Двойной классификатор
   8.4.2 $ u $ поддержка векторного двойного классификатора
   8.4.3 Минимальный ежедневный векторный векторный машина двойной классификатор
   8.4.4 Недавно поддерживает бинарный классификатор Vector Machine
   8.4.5.
  8.5 Категория поддержки векторной машины
   8.5.1 Метод разложения много -категории
   8.5.2 Минимальный ежедневный векторный вектор Multi -Class Classififier
   8.5.3 Приложение
  8.6 Гауссовый процесс регрессии и классификации
   8.6.1. Связанная вероятность, предельная вероятность и вероятность состояния
   8.6.2 Гаусс процесс
   8.6.3 Gauss Process Return
   8.6.4 Гаусс. Классификация процессов
  8.7 Связанная векторная машина
   8.7.1 Слим байесовский возврат
   8.7.2 Категория поставки байесовской категории
   8.7.3 Fast Edge Like Grant, чтобы максимизировать
  краткое содержание главы
  Рекомендации
Глава 9 Расчет эволюции
  9.1 Дерево расчета эволюции
  9.2 Многопакольная оптимизация
   9.2.1 Оптимизация множественной целевой комбинации
   9.2.2 Проблемы с множественной оптимизацией
  9.3 Теория оптимизации Парето
   9.3.1 Pareto Concept
   9.3.2 Метод выбора адаптации
   9.3.3 Метод не -доменения сортировки
   9.3.4 Метод распределения расстояния
   9.3.5 метод слоистой кластеризации
   9.3.6. Контрольная функция многопрофильной оптимизации
  9.4 Много -распространяющаяся оптимизация
   9.4.1 Pareto Concept с шумовой многофункциональной оптимизацией
   9.4.2 Измерения эффективности, которые подходят к сбору
  9.5 Несколько целевых моделирования и отжига
   9.5.1 Принцип отжига симуляции
   9.5.2 Алгоритм отжига с множественным целевым моделированием
   9.5.3 Archives Multi -Carget Simulation Отжиг
  9.6 Генетический алгоритм
   9.6.1 Основная операция генетического алгоритма
   9.6.2 Генетический алгоритм с генетическим воссоединением
  9.7 Не -домена многонационального генетического алгоритма
   9.7.1 Функция адаптации
   9.7.2 Выбор адаптации
   9.7.3 Генетический алгоритм сортировки сортировки сортировки
   9.7.4 Генетический алгоритм сортировки элиты.
  9.8 Алгоритм эволюции
   9.8.1 $ (1+1) $ evolution Algorithm
   9.8.2 Теоретический анализ алгоритма эволюции
  9.9 Алгоритм множественного целевого эволюции
   9.9.1 Классические методы для решения проблемы множественных задач оптимизации целей
   9.9.2 Алгоритм эволюции с несколькими таргетами на основе разложения
   9.9.3 Улучшенный алгоритм эволюции Парето
   9.9.4 Функция атеонизации достижения
  9.10 Планирование эволюции
   9.10.1 Классический план эволюции
   9.10.2 Быстрое планирование эволюции
   9.10.3 План смешанной эволюции
  9.11 Дифференциальная эволюция
   9.11.1 Классическая дифференциальная эволюция
   9.11.2 Деформация дифференциальной эволюции
  9.12 Оптимизация Акунии
   9.12.1 Настоящие муравьи и искусственные муравья
   9.12.2 Типичная проблема оптимизации колоний муравья
   9.12.3 Система муравьев и колоний муравей
  9.13 Алгоритм Multi -Target Artificial Bee Colony
   9.13.1 Алгоритм колоний искусственной пчелы
   9.13.2 Деформация алгоритма колоний искусственной пчелы
  9.14 Оптимизация гравийной группы
   9.14.1 Основная концепция
   9.14.2 Типичная группа частиц
   9.14.3 Оптимизация группы частиц генетического обучения
   9.14.4 Оптимизация группы частиц выбора функции
  9.15 на основе вычислений противоположного эволюции
   9.15.1 Обучение конфронтации
   9.15.2 Эволюция на основе различий на основе оппозиции
   9.15.3 Две деформации противоположного обучения
  краткое содержание главы
  Рекомендации
индекс
PostScript