xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

本書面向初學(xué)者，比較全面的介紹了機(jī)器學(xué)習(xí)的基本方法，循序漸進(jìn)的闡述了其中的數(shù)學(xué)原理，讓讀者能夠知其然，然后知其所以然。書中結(jié)合應(yīng)用場(chǎng)景，列舉了大量編程實(shí)例幫助讀者開(kāi)展動(dòng)手實(shí)踐，理論與實(shí)踐相輔相成，對(duì)算法原理產(chǎn)生更加直觀和感性的認(rèn)識(shí)。作者希望能夠通過(guò)本書幫助讀者揭開(kāi)人工智能領(lǐng)域的神秘面紗，走進(jìn)人工智能和機(jī)器學(xué)習(xí)的大門，了解其中的奧秘，甚至成為該領(lǐng)域的學(xué)習(xí)者、研究者和實(shí)踐者。

從發(fā)明計(jì)算機(jī)的天起，人們就試圖用計(jì)算機(jī)模擬自身智能。如今，計(jì)算機(jī)已經(jīng)從只能完成四則運(yùn)算的計(jì)算器，發(fā)展成為能勝任很多復(fù)雜任務(wù)的智能機(jī)器。在各種應(yīng)用領(lǐng)域中，計(jì)算機(jī)已經(jīng)成為人類大腦的延伸。人工智能的研究使計(jì)算機(jī)能夠模擬人類思維的感知、學(xué)習(xí)、解決問(wèn)題和推理決策的能力，與此同時(shí)，也幫助我們對(duì)自身智能有了更加深入的理解。
人工智能的研究者把人工智能分為強(qiáng)人工智能和弱人工智能兩類。這種劃分既是技術(shù)層面的，也是哲學(xué)層面的。如果機(jī)器表現(xiàn)出像人一樣智能的行為，那么是否可以認(rèn)為機(jī)器真的在像人一樣思考呢？計(jì)算機(jī)科學(xué)和神經(jīng)生物科學(xué)尚不能回答這個(gè)問(wèn)題，哲學(xué)家也沒(méi)有找到滿意的答案。強(qiáng)人工智能的觀點(diǎn)認(rèn)為，人工智能應(yīng)該像人一樣具有自主的意識(shí)、情感和心智，能夠理解和學(xué)習(xí)任何智能問(wèn)題。弱人工智能的觀點(diǎn)則僅關(guān)注機(jī)器在特定任務(wù)上所表現(xiàn)出的智能性，并不關(guān)心機(jī)器是否能真正像人一樣自主思考。只要在特定領(lǐng)域能夠幫助我們解決一些實(shí)際的智能問(wèn)題，這樣的機(jī)器都可以視作擁有弱人工智能。
強(qiáng)人工智能現(xiàn)在還是一種理論設(shè)想，它如同人一樣具有高度的自主性，不僅可以解決不同類型的問(wèn)題，甚至具有自主選擇解決什么問(wèn)題的能力。它有自己的意識(shí)和感情，但是它只存在于電影、小說(shuō)等科學(xué)幻想作品中。
哲學(xué)家和科學(xué)家通過(guò)思想實(shí)驗(yàn)，對(duì)強(qiáng)人工智能的觀點(diǎn)提出了各種懷疑，比如，中文屋子實(shí)驗(yàn)和換腦實(shí)驗(yàn)。
中文屋子實(shí)驗(yàn)設(shè)想有一個(gè)英語(yǔ)母語(yǔ)者，對(duì)中文一竅不通。他被關(guān)在一間屋子里，屋子里有一本英文寫成的手冊(cè)來(lái)說(shuō)明中文的語(yǔ)法規(guī)則，另外還有一大堆中文符號(hào)。屋子外面的人從窗口傳進(jìn)用中文寫成的問(wèn)題，屋子里的人按照手冊(cè)上的規(guī)則將中文符號(hào)組成答案?jìng)鬟f出去。這個(gè)過(guò)程足以以假亂真，讓屋子外面的人誤以為屋子里的人懂得中文，然而事實(shí)上他壓根不懂中文。強(qiáng)人工智能就如同屋子里的人，如果我們只能看到他表現(xiàn)出智能，如何知道他是否真的在思考呢？
換腦實(shí)驗(yàn)則更加科幻。假設(shè)我們的神經(jīng)生理學(xué)和計(jì)算機(jī)硬件已經(jīng)高度發(fā)達(dá)，完全了解大腦所有神經(jīng)元的連接機(jī)制，并且能夠用微電路模擬大腦神經(jīng)網(wǎng)絡(luò)的所有活動(dòng)。設(shè)想我們把生物的大腦替換為電子的大腦，讓電子的大腦接管一切輸入的感官信號(hào)，并做出反應(yīng)，輸出對(duì)身體肌肉的控制信號(hào)。從外界看來(lái)，所有智能行為和活動(dòng)跟換腦之前并無(wú)差異，那么現(xiàn)在電子大腦具有自我意識(shí)嗎？或者意識(shí)還存在于那個(gè)生物大腦之中嗎？生物大腦中的意識(shí)會(huì)不會(huì)試圖吶喊我什么也看不到，卻無(wú)法控制發(fā)聲的肌肉呢？這個(gè)假想的實(shí)驗(yàn)有些駭人聽(tīng)聞，但是同樣讓我們懷疑外在表現(xiàn)出的智能是否等同于自主意識(shí)。
弱人工智能不再糾結(jié)于機(jī)器是否真的具有了自主意識(shí)，只關(guān)注表現(xiàn)出的智能。計(jì)算機(jī)科學(xué)家圖靈提出了圖靈測(cè)試，用來(lái)判斷機(jī)器是否具有智能。測(cè)試者通過(guò)屏幕和鍵盤分別與一個(gè)真實(shí)的人和一臺(tái)智能機(jī)器聊天，如果無(wú)法區(qū)分屏幕后面是人還是機(jī)器，那么就可以認(rèn)為機(jī)器具有如同人一樣的智能。相比圖靈測(cè)試，弱人工智能的定義更加寬泛，它只要求機(jī)器能夠處理具體領(lǐng)域的特定任務(wù)。
在現(xiàn)實(shí)生活中，弱人工智能的應(yīng)用比比皆是。手機(jī)可以聽(tīng)懂我們的語(yǔ)音指令；攝像頭可以辨別電腦的主人、進(jìn)出停車場(chǎng)的車輛號(hào)牌；電子監(jiān)控代替了交通警察，輔助查處違章的車輛；翻譯軟件幫助外國(guó)游客把路牌、標(biāo)識(shí)、菜單等翻譯成他們熟悉的語(yǔ)言；自動(dòng)駕駛系統(tǒng)甚至在受限的環(huán)境中也可以自主控制車輛，從而解放駕駛員的雙手。這些都是弱人工智能的應(yīng)用。
弱人工智能關(guān)注于處理特定的任務(wù)，弱字用在這里并不完全合適，在限定領(lǐng)域或者特定任務(wù)中，弱人工智能其實(shí)并不弱，稱作窄人工智能更為恰當(dāng)。相比存在于科學(xué)幻想中的強(qiáng)人工智能，人們對(duì)應(yīng)用于各種受限場(chǎng)景的弱人工智能有更加成熟的研究。雖然它不像人的智能一樣具有理解、學(xué)習(xí)任何問(wèn)題的能力，但是它通常可以在某個(gè)領(lǐng)域做得很好，甚至比人做得更好，畢竟機(jī)器更準(zhǔn)確，更穩(wěn)定，更迅速，而且不知疲倦。因此，弱人工智能得到了廣泛的應(yīng)用，成為人們生活和工作的得力助手。弱人工智能是我們向強(qiáng)人工智能發(fā)起探索的階段性成果，人們不會(huì)放棄對(duì)更加通用智能的探索，會(huì)持續(xù)追尋理解和復(fù)現(xiàn)自身智能的夢(mèng)想。只有逐步擴(kuò)展弱人工智能的邊界，連接和打通各種不同的任務(wù)和信息通道，才能幫助我們實(shí)現(xiàn)更加復(fù)雜和通用的智能。
在人工智能研究并不很長(zhǎng)的歷史上，研究者探索了很多種不同的方法和路徑。比如，符號(hào)主義的研究者認(rèn)為，智能可以通過(guò)如同數(shù)學(xué)推導(dǎo)一樣的邏輯推演系統(tǒng)實(shí)現(xiàn)，各種知識(shí)可以用符號(hào)表示出來(lái)，組織成計(jì)算機(jī)能夠處理的語(yǔ)言進(jìn)行演算、分析和推理。再如，聯(lián)結(jié)主義的研究者認(rèn)為，智能存在于神經(jīng)元的連接中，采用電子裝置模擬生物大腦的神經(jīng)元連接就可以實(shí)現(xiàn)智能。這些不同的學(xué)派在早期的人工智能研究中，在相當(dāng)長(zhǎng)的一段時(shí)間內(nèi)占據(jù)了主導(dǎo)地位。而機(jī)器學(xué)習(xí)則是在這些研究的基礎(chǔ)上，利用統(tǒng)計(jì)學(xué)的原理取得成功的一類算法和模型。機(jī)器學(xué)習(xí)側(cè)重于從樣本或者經(jīng)驗(yàn)組成的數(shù)據(jù)中學(xué)習(xí)統(tǒng)計(jì)規(guī)律，通過(guò)自我修正的方式達(dá)到完成特定任務(wù)的目標(biāo)。機(jī)器學(xué)習(xí)與一般計(jì)算機(jī)算法顯著的區(qū)別在于，完成任務(wù)的步驟中有一些不確定的參數(shù)，人

序言
前言
部分
第 1 章 專家系統(tǒng) 2
1.1 早期的專家系統(tǒng) 2
1.2 正向推理 4
1.3 逆向推理 5
1.4 謂詞邏輯 6
1.5 專家系統(tǒng)的貢獻(xiàn)和困難 7
1.6 動(dòng)手實(shí)踐 9
1.6.1 簡(jiǎn)化的專家系統(tǒng) 10
1.6.2 正向推理 10
1.6.3 逆向推理 11
參考文獻(xiàn) 13
第 2 章 決策樹(shù) 14
2.1 分類問(wèn)題 15
2.2 構(gòu)造決策樹(shù) 16
2.3 ID3 算法 17
2.4 信息熵 19
2.5 基尼不純度 21
2.6 動(dòng)手實(shí)踐 22
2.6.1 計(jì)算信息熵 22
2.6.2 構(gòu)造決策樹(shù) 23
2.6.3 使用 scikit-learn軟件包 27
參考文獻(xiàn) 30
第 3 章 神經(jīng)元和感知機(jī) 31
3.1 生物神經(jīng)元 31
3.2 早期感知機(jī)模型 33
3.3 現(xiàn)代的模型 34
3.4 學(xué)習(xí)模型參數(shù) 36
3.4.1 梯度下降法 36
3.4.2 Delta 法則 37
3.5 動(dòng)手實(shí)踐 38
3.5.1 實(shí)現(xiàn)感知機(jī)模型 38
3.5.2 識(shí)別手寫數(shù)字 43
參考文獻(xiàn) 48
第 4 章 線性回歸 49
4.1 線性回歸概述 49
4.2 小二乘法 51
4.3 矩陣形式 52
4.4 一般性的回歸問(wèn)題 54
4.5 動(dòng)手實(shí)踐 54
4.5.1 實(shí)現(xiàn)一維線性回歸 54
4.5.2 實(shí)現(xiàn)小二乘法 56
4.5.3 使用 numpy 軟件包 59
第 5 章 邏輯斯蒂回歸和分類器 64
5.1 分類問(wèn)題 64
5.2 似然估計(jì) 66
5.3 交叉熵?fù)p失函數(shù) 67
5.4 多類別分類 68
5.4.1 多類別邏輯斯蒂回歸 69
5.4.2 歸一化指數(shù)函數(shù) 70
5.4.3 交叉熵誤差和均方誤差的比較 72
5.5 分類器的決策邊界 73
5.6 支持向量機(jī) 75
5.6.1 支持向量 77
5.6.2 拉格朗日乘子法 78
5.6.3 非線性分類與核函數(shù) 80
5.7 動(dòng)手實(shí)踐 82
5.7.1 使用邏輯斯蒂回歸 82
5.7.2 觀察分類邊界 83
5.7.3 使用支持向量機(jī) 85
參考文獻(xiàn) 87
第二部分
第 6 章 人工神經(jīng)網(wǎng)絡(luò) 90
6.1 異或問(wèn)題和多層感知機(jī) 90
6.2 反向傳播算法 92
6.3 深度神經(jīng)網(wǎng)絡(luò) 94
6.3.1 生物神經(jīng)機(jī)制的啟示 94
6.3.2 解決深度神經(jīng)網(wǎng)絡(luò)面臨的問(wèn)題 95
6.4 卷積和池化 98
6.4.1 神經(jīng)連接的局部性 98
6.4.2 平移不變性 99
6.4.3 卷積處理圖像的效果 99
6.4.4 簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞的仿生學(xué) 102
6.5 循環(huán)神經(jīng)網(wǎng)絡(luò) 103
6.6 使用 PyTorch 軟件包 104
6.7 動(dòng)手實(shí)踐 106
6.7.1 識(shí)別手寫數(shù)字 106
6.7.2 準(zhǔn)備訓(xùn)練數(shù)據(jù) 109
6.7.3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型 110
6.8 物