小册描述
目录
- 第6 章 统计学习方法
- 6.1 贝叶斯方法
- 6.1.1 贝叶斯定理
- 6.1.2 朴素贝叶斯分类器
- 6.2 支持向量机
- 6.2.1 线性支持向量机
- 6.2.2 软间隔
- 6.2.3 核函数
- 6.3.1 使用贝叶斯方法实现垃圾邮件过滤
- 6.3.2 使用支持向量机实现鸢尾花数据的分类
- 第7 章 人工神经网络和深度学习
- 7.1 人工神经网络
- 7.1.1 基本单元
- 7.1.2 网络结构
- 7.1.3 典型的神经网络
- 7.2 深度学习
- 7.2.1 卷积神经网络
- 7.2.2 循环神经网络
- 7.3 编程实践
- 7.3.1 基于神经网络的双螺旋数据分类
- 7.3.2 手写数字识别
- 7.3.3 地球温度预测
- 第8 章 聚类
- 8.1 聚类基础
- 8.2 K 均值聚类
- 8.2.1 算法
- 8.2.2 如何选择很优的聚类个数
- 8.3 基于密度的聚类算法
- 8.4 谱聚类
- 8.5 编程实践
- 8.5.1 K 均值实例
- 8.5.2 基于密度的聚类算法实例
- 8.5.3 谱聚类实例
- 第9 章 知识表示方法
- 9.1 什么是知识
- 9.2 人工智能所关心的知识
- 9.3 知识表示方法
- 9.3.1 状态空间法
- 9.3.2 问题规约法
- 9.3.3 谓词逻辑法
- 9.3.4 语义网络表示法
- 9.3.5 产生式表示法
- 9.3.6 框架表示法
- 9.3.7 面向对象的表示方法
- 9.4 编程实践
- 9.4.1 状态空间法解决野人过河问题
- 9.4.2 问题规约法解决梵塔问题
- 9.4.3 谓词逻辑法解决八皇后问题