│ 3ds Max│ Maya│ Rhino│ After Effects│ SketchUp│ ZBrush│ Painter│ Unity│
│ PhotoShop│ AutoCad│ MasterCam│ SolidWorks│ Creo│ UG│ Revit│ Nuke│
│ C#│ C│ C++│ Java│ 遊戲程式│ Linux│ 嵌入式│ PLC│ FPGA│ Matlab│
│ 駭客│ 資料庫│ 搜索引擎│ 影像處理│ Fluent│ VR+AR│ ANSYS│ 深度學習│
│ 單晶片│ AVR│ OpenGL│ Arduino│ Raspberry Pi│ 電路設計│ Cadence│ Protel│
│ Hadoop│ Python│ Stm32│ Cortex│ Labview│ 手機程式│ Android│ iPhone│
可查書名,作者,ISBN,3dwoo書號 目前顯示有庫存 顯示全部書籍 詳細書籍分類

機器學習vs復雜系統 ( 簡體 字)
作者：許鐵	類別：1. -> 程式設計 -> 機器學習
譯者：
出版社：電子工業出版社	3dWoo書號： 49465 詢問書籍請說出此書號！ 【缺書】 NT售價： 295 元
出版日：7/1/2018
頁數：192
光碟數：0
站長推薦：
印刷：黑白印刷	語系： ( 簡體 版 )
	加入購物車 │加到我的最愛 (請先登入會員)
ISBN：9787121344107
作者序　|　譯者序　|　前言　|　內容簡介　|　目錄　|　序
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序：
譯者序：
前言： 人工智能是大勢所趨，這一主題也成為街頭巷尾人們熱議的焦點。本書作者的寫作初衷是希望能在一個更大的視角下看待人工智能這個技術性的學科。雖然人工智能的技術更多用于工業界，但是其產生的根源，卻與人類用數學模型探索世界和自己大腦本身的歷程密不可分，因此，本書希望在這個大背景下，從高度跨學科的視角切入人工智能這個大主題。 人人都想預測未來，但是無論科技多么發達，預測未來依然是困難的，比如股市、自然災害、一個月后的天氣預測等，都很難做到精準。究其根本原因，在于無處不在的復雜性。復雜系統這門學科可以幫助我們理解復雜性產生的根源。 大數據時代，數據已成為人們最大幅度減少這種不可預測災難的工具。然而過度信賴數據，往往會讓我們陷入一種新的迷信，或者埋沒在噪聲里。 算法，主要包括現在流行的機器學習和深度學習算法，可以幫助我們最大程度地從數據里提取信息、剔除噪聲，這也成為目前人工智能的基礎。從另一個角度看，即從人類智能本身來看待這個問題，會讓我們對機器學習和深度學習的本質有著更新的理解，并發現兩者內在的相似性，同時看到機器的算法和人腦的算法這兩種相似性的根源，即世界本身的復雜性。 本書內容涉及機器學習基本方法、非線性動力學、復雜系統、隨機過程、神經網絡等正在深刻改變世界的學科，講述人工智能和復雜系統的基本原理，以及它們是如何影響我們日常生活的方方面面的：小到微信里的語音識別，大到我們到底能不能預測經濟危機或金融危機。 我們希望用化繁為簡的筆墨，帶領讀者逐步理解這個大視角下的核心概念，掌握進入更多細分領域的語言和思維體系。我們的使命不是涵蓋這一宏大領域的所有知識點，而是希望引發讀者的興趣，去尋找和了解這一激動人心的領域的更多進展。 本書既適合具有高中以上數學知識的一般讀者，可作為他們了解人工智能和復雜系統領域的科普讀物； 也適合利用業余時間充電，正在自學人工智能的工程師，作為他們搭建框架和進入專業領域的開胃菜； 還適合已經在人工智能領域從業的專業人士，使他們從工程視角以外的更大視角去 看待這一領域，獲得新的啟發。
內容簡介： 本書從跨學科視角來看待人工智能這個技術性的學科。圍繞用數學模型預測未來這一主題，介紹算法，主要包括現在流行的機器學習和深度學習算法，以及算法要解決問題本身的復雜性。復雜的問題，需要復雜的算法，而算法設計背后的老師正是自然界的復雜性本身。最終，我們上升到自然界解決復雜性最有利的工具，即人類智能本身，讓讀者從神經科學的角度再次理解人工智能這個大主題，理解神經科學是如何啟發人工智能的，而人工智能又如何幫助我們理解人類智能本身。本書既適合具有高中以上數學知識的一般讀者，作為他們了解人工智能和復雜系統領域的科普讀物；也適合已經在人工智能領域工作的專業人士，使他們從工程視角之外的更大視角去看待這一領域，獲得新的啟發。
目錄： 第一部分 復雜性 1 復雜系統 ............ 2 2 用復雜網絡看世界經濟（閱讀難度1星）....... 7 3 風險管理策略之復雜科學視角 ........ 11 4 從物理角度看復雜 .......... 24 第二部分 機器學習 5 白話機器學習（閱讀難度1星） ........ 46 6 淺談貝葉斯分析 .......... 53 7 簡單貝葉斯分類器（閱讀難度1星） ........ 57 8 決策樹方法（閱讀難度2星） ......... 60 9 感知機：神經網絡的基礎（閱讀難度3星） ..... 64 10 降維：應對復雜的通用武器（閱讀難度1星） ..... 67 第三部分 神經網絡 11 神經網絡不神秘 .......... 74 12 CNN 的幾個關鍵詞（閱讀難度3星） ...... 80 13 時間序列與RNN .......... 91 14 會遺忘的神經網絡（閱讀難度3星） ....... 96 15 跟著AlphaGo 理解深度強化學習框架（閱讀難度3星） ... 100 16 從阿爾法元看強化學習的更廣闊潛力 ...... 107 第四部分 宇宙間最復雜的就是我們的大腦 17 深層視覺信息的編碼機制（閱讀難度1星） ..... 114 18 大腦的自由能假說——兼論認知科學與機器學習（閱讀難度2星） 121 19 大腦中的支持向量機（閱讀難度3星） ..... 126 20 機器學習是如何巧妙理解我們大腦的工作原理的 （閱讀難度2星） ........... 133 21 大腦經濟學（閱讀難度1星） ........ 140 22 人工智能vs 人類智能（閱讀難度2星） ..... 149 第五部分 人工智能應用談 23 人工智能會取代藝術家的工作嗎 ........ 156 24 機器學習預測心理疾病 .......... 159 25 人機協作決策的兩種方式 ........ 164 26 小數據機器學習 .......... 166 27 用深度學習玩圖像的七重關卡 ........ 170 28 深度學習助力基因科技 .......... 174 29 機器學習對戰復雜系統 .......... 176
序：