掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
基于深度學習的社會信息挖掘應用實例分析 版權信息
- ISBN：9787030656698
- 條形碼：9787030656698 ; 978-7-03-065669-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于深度學習的社會信息挖掘應用實例分析 本書特色
詳細介紹了機器學習這一實現人工智能的方法以及深度學習這一實現機器學習的技術，分析了三者之間的關系
基于深度學習的社會信息挖掘應用實例分析 內容簡介
人工智能作為計算機科學學科中極富挑戰性的一門科學，融合了包括數學、神經心理學、信息論、控制論等許多領域的技術，涉及學科繁多、研究范疇廣闊、實際應用廣泛。目前，人工智能越來越多地介入到了人們的日常生活中來，從學術界走到了人們生活的方方面面，人工智能技術也備受關注。本書圍繞人工智能展開，詳細介紹了機器學習這一實現人工智能的方法以及深度學習這一實現機器學習的技術，分析了三者之間的關系，并從神經網絡的源起講起，在技術層面詳細介紹了神經網絡的技術架構與以神經網絡為基礎的多種變體機器學習方法的網絡結構，分析了不同機器學習方法的特點與適用場景，并以實際的應用場景為例，分析了深度學習在智能信息挖掘與文本表示學習中的具體應用方法與效果實現。本書將技術與應用兩方面進行結合，詳細介紹并分析了人工智能的技術發展與領域應用，可作為人工智能領域的技術與實踐參考書。
基于深度學習的社會信息挖掘應用實例分析 目錄
目錄
前言
第1章 緒論 1
1.1 人工智能 1
1.2 機器學習 6
1.3 深度學習 10
第2章 神經網絡 14
2.1 神經元 14
2.2 損失函數 15
2.3 激活函數 16
2.4 參數學習 19
2.5 梯度下降法 20
2.6 全連接神經網絡 24
2.7 BP神經網絡 25
2.8 優化方案 28
2.9 注意力機制 31
2.10 本章小結 32
第3章 深度神經網絡 33
3.1 卷積神經網絡 33
3.2 簡單循環神經網絡 34
3.3 深層循環神經網絡 36
3.4 本章小結 37
第4章 基于啟發知識的學習方法 38
4.1 兄弟學習 38
4.2 頓悟學習 40
4.3 本章小結 43
第5章 極限學習機 44
5.1 引言 44
5.2 *小二乘擬和及Moore-Penrose廣義逆 45
5.3 標準SLFN數學模型 48
5.4 ELM學習算法 50
5.5 ELM的特征映射和特征空間 53
5.6 ELM、RVFL及其一般化結構 56
5.7 ELM的理論基礎 58
5.8 本章小結 61
第6章 基于深度學習的網站智能信息挖掘 62
6.1 引言 62
6.2 網站信息的計算機自動獲取 63
6.3 基于深度學習的網站相似度研究 64
6.4 網站內容豐富度研究 67
6.5 面向任務的興趣推送 69
6.6 本章小結 71
第7章 基于卷積神經網絡的甲骨文異體字識別 72
7.1 引言 72
7.2 相關研究 74
7.3 符號定義及概念 76
7.4 甲骨文異體字識別方法 76
7.5 實驗及分析 85
7.6 總結與展望 92
第8章 基于LSTM 的小說情節高潮識別 94
8.1 引言 94
8.2 相關概念 96
8.3 情節高潮識別方法 100
8.4 算法實現 102
8.5 實驗及分析 104
8.6 總結與展望 110
第9章 大規模復雜異質圖動態的構建 111
9.1 引言 111
9.2 大規模復雜異質圖舉例 112
9.3 國內外現狀及發展動態 115
9.4 大規模復雜異質圖學習的研究內容 121
9.5 本章小結 123
第10章 基于深度學習的大規模復雜異質圖動態分析 124
10.1 復雜異質動態圖數據的采集與存儲管理 124
10.2 復雜異質動態圖的構建與表示 125
10.3 動態圖的演變模式分析 127
10.4 大規模復雜異質圖動態變化的優化 129
10.5 大規模復雜異質圖學習的實現 130
10.6 大規模復雜異質圖學習算法 135
10.7 本章小結 140
參考文獻 141
前言
第1章 緒論 1
1.1 人工智能 1
1.2 機器學習 6
1.3 深度學習 10
第2章 神經網絡 14
2.1 神經元 14
2.2 損失函數 15
2.3 激活函數 16
2.4 參數學習 19
2.5 梯度下降法 20
2.6 全連接神經網絡 24
2.7 BP神經網絡 25
2.8 優化方案 28
2.9 注意力機制 31
2.10 本章小結 32
第3章 深度神經網絡 33
3.1 卷積神經網絡 33
3.2 簡單循環神經網絡 34
3.3 深層循環神經網絡 36
3.4 本章小結 37
第4章 基于啟發知識的學習方法 38
4.1 兄弟學習 38
4.2 頓悟學習 40
4.3 本章小結 43
第5章 極限學習機 44
5.1 引言 44
5.2 *小二乘擬和及Moore-Penrose廣義逆 45
5.3 標準SLFN數學模型 48
5.4 ELM學習算法 50
5.5 ELM的特征映射和特征空間 53
5.6 ELM、RVFL及其一般化結構 56
5.7 ELM的理論基礎 58
5.8 本章小結 61
第6章 基于深度學習的網站智能信息挖掘 62
6.1 引言 62
6.2 網站信息的計算機自動獲取 63
6.3 基于深度學習的網站相似度研究 64
6.4 網站內容豐富度研究 67
6.5 面向任務的興趣推送 69
6.6 本章小結 71
第7章 基于卷積神經網絡的甲骨文異體字識別 72
7.1 引言 72
7.2 相關研究 74
7.3 符號定義及概念 76
7.4 甲骨文異體字識別方法 76
7.5 實驗及分析 85
7.6 總結與展望 92
第8章 基于LSTM 的小說情節高潮識別 94
8.1 引言 94
8.2 相關概念 96
8.3 情節高潮識別方法 100
8.4 算法實現 102
8.5 實驗及分析 104
8.6 總結與展望 110
第9章 大規模復雜異質圖動態的構建 111
9.1 引言 111
9.2 大規模復雜異質圖舉例 112
9.3 國內外現狀及發展動態 115
9.4 大規模復雜異質圖學習的研究內容 121
9.5 本章小結 123
第10章 基于深度學習的大規模復雜異質圖動態分析 124
10.1 復雜異質動態圖數據的采集與存儲管理 124
10.2 復雜異質動態圖的構建與表示 125
10.3 動態圖的演變模式分析 127
10.4 大規模復雜異質圖動態變化的優化 129
10.5 大規模復雜異質圖學習的實現 130
10.6 大規模復雜異質圖學習算法 135
10.7 本章小結 140
參考文獻 141
展開全部
書友推薦
- >
莉莉和章魚
- >
二體千字文
- >
李白與唐代文化
- >
唐代進士錄
- >
苦雨齋序跋文-周作人自編集
- >
名家帶你讀魯迅:故事新編
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
推拿
本類暢銷
