9787000017479 9787111626282 9787302423287
南京大学人工智能本科专业教育培养体系
南京大学关于培养高质量人工智能人才的思考和实践。
南京大学人工智能学院 著
定价 49元
出版社: 机械工业出版社 ISBN:9787111626282版次:1商品编码:12601900品牌:机工出版包装:平装开本:16开出版时间:2019-05-01用纸:胶版纸页数:168
编辑推荐
适读人群 :全国高校人工智能和智能科学与技术专业教师以及工业界关心人工智能人才培养和教育的专业人士。
南京大学关于创办一流大学人工智能教育的深入思考;根据人工智能学科领域自身特点来建立全面系统的专业人才培养体系。
内容简介
本书基于南京大学人工智能学院的主要学术带头人在人工智能人才培养方面的教学改革项目,对人工智能本科人才培养体系进行了梳理,汇集了以南京大学人工智能学院院长周志华教授和书记武港山教授为代表的一批知名教授和专家对创办一流大学人工智能教育的深入思考,是国内外部公开出版和发表的人工智能本科专业教育培养体系,对国内正在如火如荼开展的人工智能教育将起到很好的示范和引导作用。本培养方案侧重于人工智能领域源头创新能力、为企事业单位解决关键技术难题能力的培养。
蓝墨水图书专营店
作者简介
南京大学人工智能学院以院长周志华教授和书记武港山教授为领导的人工智能本科专业教育培养体系建设研究组编写完成。
目录
前 言
第 1 章 创办一流大学人工智能教育的思考
第 2 章 南京大学人工智能学院本科培养方案
2.1 专业方向简介
2.2 培养目标和专业特色
2.3 培养毕业要求
2.4 培养规格路径
2.5 课程体系设置
第 3 章 数学基础课程教学大纲
3.1 “数学分析(一)”教学大纲
3.2 “数学分析(二)”教学大纲
3.3 “高等代数(一)”教学大纲
3.4 “高等代数(二)”教学大纲
3.5 “离散数学”教学大纲
3.6 “概率论与数理统计”教学大纲
3.7 “优化方法”教学大纲
3.8 “数理逻辑”教学大纲
第 4 章 学科基础课程教学大纲
4.1 “人工智能导引”教学大纲
4.2 “人工智能导论”教学大纲
4.3 “数据结构与算法分析”教学大纲
4.4 “程序设计基础”教学大纲
4.5 “人工智能程序设计”教学大纲
4.6 “机器学习导论”教学大纲
4.7 “知识表示与处理”教学大纲
4.8 “模式识别与计算机视觉”教学大纲
4.9 “自然语言处理”教学大纲
4.10 “数字系统设计基础”教学大纲
4.11 “计算机系统基础”教学大纲
4.12 “操作系统”教学大纲
第 5 章 专业方向课程教学大纲
5.1 “泛函分析”教学大纲
5.2 “数字信号处理”教学大纲
5.3 “高级机器学习”教学大纲
5.4 “计算方法”教学大纲
5.5 “控制理论与方法”教学大纲
5.6 “机器人学导论”教学大纲
5.7 “多智能体系统”教学大纲
5.8 “分布式与并行计算”教学大纲 / 75
第 6 章 专业选修课程教学大纲
6.1 数学拓展类课程教学大纲
6.1.1 “数学建模”教学大纲
6.1.2 “矩阵计算”教学大纲
6.1.3 “随机过程”教学大纲
6.1.4 “组合数学”教学大纲
6.1.5 “博弈论及其应用”教学大纲
6.1.6 “时间序列分析”教学大纲
6.2 学科拓展类课程教学大纲
6.2.1 “编译原理”教学大纲
6.2.2 “随机算法”教学大纲
6.2.3 “数据库概论”教学大纲
6.2.4 “形式语言与自动机”教学大纲
6.2.5 “计算机体系结构”教学大纲
6.2.6 “软件体系结构”教学大纲
6.3 专业拓展类课程教学大纲
6.3.1 “自动规划”教学大纲
6.3.2 “归纳逻辑程序设计”教学大纲
6.3.3 “学习理论导论”教学大纲
6.3.4 “概率图模型”教学大纲
6.3.5 “强化学习”教学大纲
6.3.6 “神经网络”教学大纲
6.3.7 “启发式搜索与演化算法”教学大纲
6.3.8 “信息检索”教学大纲
6.3.9 “语音信号处理”教学大纲
6.3.10 “深度学习与应用”教学大纲
6.3.11 “复杂结构数据挖掘”教学大纲
6.4 交叉复合类课程教学大纲
6.4.1 “认知科学导论”教学大纲
6.4.2 “神经科学导论”教学大纲
6.4.3 “计算语言学”教学大纲
6.4.4 “计算金融”教学大纲
6.4.5 “计算生物学导论”教学大纲
6.4.6 “传感器设计与应用”教学大纲
6.4.7 “智能硬件与新器件”教学大纲
6.4.8 “人工智能伦理”教学大纲
6.5 应用实践类课程教学大纲
6.5.1 “智能系统设计与应用”教学大纲
6.5.2 “智能应用建模”教学大纲
6.5.3 “机器学习系统与平台”教学大纲
6.5.4 “机器人系统开发”教学大纲
6.5.5 “人工智能企业实训”教学大纲
机器学习
内容简介
机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章,大致分为3 个部分:第1 部分(第1~3 章)介绍机器学习的基础知识;第2 部分(第4~10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分(第11~16 章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。
本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
目录
目录
第1章 1
1.1 引言 1
1.2 基本术 2
1.3 假设空间 4
1.4 归纳偏好 6
1.5 发展历程 10
1.6 应用现状 13
1.7 阅读材料 16
习题 19
参考文献 20
休息一会儿 22
第2章 模型评估与选择 23
2.1 经验误差与过拟合 23
2.2 评估方法 24
2.2.1 留出法 25
2.2.2 交叉验证法 26
2.2.3 自助法 27
2.2.4 调参与模型 28
2.3 性能度量 28
2.3.1 错误率与精度 29
2.3.2 查准率、查全率与F1 30
2.3.3 ROC与AUC 33
2.3.4 代价敏感错误率与代价曲线 35
2.4 比较检验 37
2.4.1 假设检验 37
2.4.2 交叉验证t检验 40
2.4.3 McNemar检验 41
2.4.4 Friedman检验与后续检验 42
2.5 偏差与方差 44
2.6 阅读材料 46
习题 48
参考文献 49
休息一会儿 51
第3章 线性模型 53
3.1 基本形式 53
3.2 线性回归 53
3.3 对数几率回归 57
3.4 线性判别分析 60
3.5 多分类学习 63
3.6 类别不平衡问题 66
3.7 阅读材料 67
习题 69
参考文献 70
休息一会儿 72
第4章 决策树 73
4.1 基本流程 73
4.2 划分选择 75
4.2.1 信息增益 75
4.2.2 增益率 77
4.2.3 基尼指数 79
4.3 剪枝处理 79
4.3.1 预剪枝 80
4.3.2 后剪枝 82
4.4 连续与缺失值 83
4.4.1 连续值处理 83
4.4.2 缺失值处理 85
4.5 多变量决策树 88
4.6 阅读材料 92
习题 93
参考文献 94
休息一会儿 95
第5章 神经网络 97
5.1 神经元模型 97
5.2 感知机与多层网络 98
5.3 误差逆传播算法 101
5.4 全局与局部极小 106
5.5 其他常见神经网络 108
5.5.1 RBF网络 108
5.5.2 ART网络 108
5.5.3 SOM网络 109
5.5.4 级联相关网络 110
5.5.5 Elman网络 111
5.5.6 Boltzmann机 111
5.6 深度学习 113
5.7 阅读材料 115
习题 116
参考文献 117
休息一会儿 120
第6章 支持向量机 121
6.1 间隔与支持向量 121
6.2 对偶问题 123
6.3 核函数 126
6.4 软间隔与正则化 129
6.5 支持向量回归 133
6.6 核方法 137
6.7 阅读材料 139
习题 141
参考文献 142
休息一会儿 145
第7章 贝叶斯分类器 147
7.1 贝叶斯决策论 147
7.2 极大似然估计 149
7.3 朴素贝叶斯分类器 150
7.4 半朴素贝叶斯分类器 154
7.5 贝叶斯网 156
7.5.1 结构 157
7.5.2 学习 159
7.5.3 推断 161
7.6 EM算法 162
7.7 阅读材料 164
习题 166
参考文献 167
休息一会儿 169
第8章 集成学习 171
8.1 个体与集成 171
8.2 Boosting 173
8.3 Bagging与随机森林 178
8.3.1 Bagging 178
8.3.2 随机森林 179
8.4 结合策略 181
8.4.1 平均法 181
8.4.2 投票法 182
8.4.3 学习法 183
8.5 多样性 185
8.5.1 误差--分歧分解 185
8.5.2 多样性度量 186
8.5.3 多样性增强 188
8.6 阅读材料 190
习题 192
参考文献 193
休息一会儿 196
第9章 聚类 197
9.1 聚类任务 197
9.2 性能度量 197
9.3 距离计算 199
9.4 原型聚类 202
9.4.1 k均值算法 202
9.4.2 学习向量量化 204
9.4.3 高斯混合聚类 206
9.5 密度聚类 211
9.6 层次聚类 214
9.7 阅读材料 217
习题 220
参考文献 221
休息一会儿 224
第10章 降维与度量学习 225
10.1 k近邻学习 225
10.2 低维嵌入 226
10.3 主成分分析 229
10.4 核化线性降维 232
10.5 流形学习 234
10.5.1 等度量映射 234
10.5.2 局部线性嵌入 235
10.6 度量学习 237
10.7 阅读材料 240
习题 242
参考文献 243
休息一会儿 246
第11章 特征选择与稀疏学习 247
11.1 子集搜索与评价 247
11.2 过滤式选择 249
11.3 包裹式选择 250
11.4 嵌入式选择与L$_1$正则化 252
11.5 稀疏表示与字典学习 254
11.6 压缩感知 257
11.7 阅读材料 260
习题 262
参考文献 263
休息一会儿 266
第12章 计算学习理论 267
12.1 基础知识 267
12.2 PAC学习 268
12.3 有限假设空间 270
12.3.1 可分情形 270
12.3.2 不可分情形 272
12.4 VC维 273
12.5 Rademacher复杂度 279
12.6 稳定性 284
12.7 阅读材料 287
习题 289
参考文献 290
休息一会儿 292
第13章 半监督学习 293
13.1 未标记样本 293
13.2 生成式方法 295
13.3 半监督SVM 298
13.4 图半监督学习 300
13.5 基于分歧的方法 304
13.6 半监督聚类 307
13.7 阅读材料 311
习题 313
参考文献 314
休息一会儿 317
第14章 概率图模型 319
14.1 隐马尔可夫模型 319
14.2 马尔可夫随机场 322
14.3 条件随机场 325
14.4 学习与推断 328
14.4.1 变量消去 328
14.4.2 信念传播 330
14.5 近似推断 331
14.5.1 MCMC采样 331
14.5.2 变分推断 334
14.6 话题模型 337
14.7 阅读材料 339
习题 341
参考文献 342
休息一会儿 345
第15章 规则学习 347
15.1 基本概念 347
15.2 序贯覆盖 349
15.3 剪枝优化 352
15.4 一阶规则学习 354
15.5 归纳逻辑程序设计 357
15.5.1 小一般泛化 358
15.5.2 逆归结 359
15.6 阅读材料 363
习题 365
参考文献 366
休息一会儿 369
第16章 强化学习 371
16.1 任务与奖赏 371
16.2 $K$-摇臂赌博机 373
16.2.1 探索与利用 373
16.2.2 $\epsilon $-贪心 374
16.2.3 Softmax 375
16.3 有模型学习 377
16.3.1 策略评估 377
16.3.2 策略改进 379
16.3.3 策略迭代与值迭代 381
16.4 免模型学习 382
16.4.1 蒙特卡罗强化学习 383
16.4.2 时序差分学习 386
16.5 值函数近似 388
16.6 模仿学习 390
16.6.1 直接模仿学习 391
16.6.2 逆强化学习 391
16.7 阅读材料 393
习题 394
参考文献 395
休息一会儿 397
附录 399
A 矩阵 399
B 优化 403
C 概率分布 409
后记 417
索引 419