更新时间：2021-06-09 16:45:31
封面
前折页
版权信息
内容简介
编写组
前言
第1章 人工智能与数学
1.1 微积分
1.2 线性代数
1.3 概率论
1.4 数理统计
1.5 最优化理论
习题
参考文献
第2章 初等数学
2.1 函数
2.2 数列
2.3 排列组合和二项式定理
2.4 集合[1]
2.5 实验：基于函数递归过程的功能实现
第3章 微积分初步
3.1 极限与连续性
3.2 导数与微分
3.3 导数在函数性质中的应用
3.4 一元积分学
3.5 多元积分学
3.6 实验：梯度下降法[8-9]
第4章 线性代数
4.1 行列式
4.2 矩阵
4.3 向量
4.4 线性方程组
4.5 二次型
4.6 实验：矩阵运算
第5章 概率论
5.1 概述
5.2 随机事件及其概率
5.3 随机变量
5.4 贝叶斯理论
5.5 极限理论
5.6 实验：基于Python的泊松分布仿真实验
第6章 数理统计
6.1 概述
6.2 总体与样本
6.3 参数估计
6.4 假设检验
6.5 回归分析
6.6 实验：基于Python实现用蒙特卡罗方法求圆周率π
第7章 函数逼近
7.1 函数插值
7.2 曲线拟合
7.3 最佳逼近
7.4 核函数逼近
7.5 神经网络逼近
7.6 实验：黄河小浪底调水调沙问题
第8章 最优化理论
8.1 最优化理论的基础知识
8.2 线性规划
8.3 非线性规划
8.4 实验：用梯度下降法求Rosenbrock函数的极值
第9章 信息论
9.1 概述
9.2 信息的度量
9.3 信源与信息熵
9.4 信道与信道容量
9.5 信道编码
9.6 网络信息安全及密码
9.7 实验一：绘制二进制熵函数曲线
9.8 实验二：信息增益的计算
第10章 图论
10.1 图的认识
10.2 路与回路
10.3 图的矩阵表示
10.4 欧拉图与哈密顿图
10.5 树
10.6 实验：最优树理论和应用
附录A 人工智能实验环境
附录B 人工智能云平台
反侵权盗版声明
封底
