目錄
第1章 人工智能與數(shù)學(xué) 1
1.1 數(shù)學(xué)應(yīng)用背景 1
1.2 基于符號回歸的數(shù)據(jù)分析與統(tǒng)計(jì) 2
1.2.1 數(shù)學(xué)表達(dá)式的樹表達(dá)形式 2
1.2.2 面向符號回歸的蒙特卡洛樹搜索 3
1.2.3 基于符號回歸的數(shù)據(jù)分析與統(tǒng)計(jì) 7
1.3 基于擴(kuò)散模型的數(shù)學(xué)建模與優(yōu)化 8
1.3.1 加噪過程 9
1.3.2 去噪過程 10
1.3.3 數(shù)學(xué)建模與優(yōu)化 12
1.4 總結(jié) 13
第2章 人工智能與化學(xué) 15
2.1 化學(xué)應(yīng)用背景 15
2.2 化學(xué)逆向合成路徑規(guī)劃 17
2.3 單步逆向合成預(yù)測方法 18
2.3.1 基于模板的方法 19
2.3.2 基于序列到序列模型的無模板方法 19
2.3.3 基于圖神經(jīng)網(wǎng)絡(luò)的無模板方法 21
2.4 基于搜索算法的多步逆向合成規(guī)劃方法 23
2.4.1 基于A*搜索的Retro*方法 23
2.4.2 基于證明數(shù)搜索的DFPN-E方法 24
2.5 基于強(qiáng)化學(xué)習(xí)的多步逆向合成規(guī)劃方法 26
2.5.1 基于值函數(shù)的強(qiáng)化學(xué)習(xí)方法 27
2.5.2 基于策略的強(qiáng)化學(xué)習(xí)方法 28
2.5.3 基于演員-評論者框架的強(qiáng)化學(xué)習(xí)方法 29
2.5.4 經(jīng)驗(yàn)指導(dǎo)的蒙特卡洛樹搜索方法 30
2.6 總結(jié) 33
第3章 人工智能與芯片設(shè)計(jì) 35
3.1 芯片設(shè)計(jì)應(yīng)用背景 35
3.2 人工智能在芯片布線中的應(yīng)用 36
3.2.1 全局布線 38
3.2.2 詳細(xì)布線 39
3.2.3 圖表達(dá)學(xué)習(xí) 42
3.2.4 圖神經(jīng)網(wǎng)絡(luò) 50
3.2.5 基于圖神經(jīng)網(wǎng)絡(luò)的詳細(xì)布線 54
3.3 總結(jié) 55
第4章 人工智能與制造業(yè) 58
4.1 制造業(yè)應(yīng)用背景 58
4.2 人工智能在電鍍生產(chǎn)線中的應(yīng)用 59
4.2.1 智能規(guī)劃 62
4.2.2 電鍍生產(chǎn)線調(diào)度問題求解 71
4.2.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)論分析 77
4.3 總結(jié) 79
第5章 人工智能與教育 80
5.1 教育應(yīng)用背景 80
5.2 個(gè)性化學(xué)習(xí) 81
5.3 智能輔導(dǎo)系統(tǒng) 83
5.4 自動化評估 84
5.5 學(xué)習(xí)分析 86
5.6 總結(jié) 88
第6章 人工智能與金融 90
6.1 金融應(yīng)用背景 90
6.2 基于卷積神經(jīng)網(wǎng)絡(luò)的投資組合推薦 92
6.2.1 卷積層 94
6.2.2 池化層 96
6.2.3 整體過程 97
6.2.4 投資組合推薦 98
6.3 基于強(qiáng)化學(xué)習(xí)的智能交易決策 100
6.3.1 馬爾可夫決策過程 101
6.3.2 強(qiáng)化學(xué)習(xí) 106
6.3.3 智能交易決策 111
6.4 總結(jié) 112
第7章 人工智能與醫(yī)療 114
7.1 醫(yī)療應(yīng)用背景 114
7.2 人工智能在醫(yī)療領(lǐng)域中的交叉應(yīng)用 114
7.3 人工智能在輔助中醫(yī)診斷中的應(yīng)用 119
7.3.1 中醫(yī)知識圖譜構(gòu)建 120
7.3.2 基于對偶四元數(shù)的中醫(yī)知識圖譜嵌入模型 125
7.3.3 基于對偶四元數(shù)的中醫(yī)知識圖譜嵌入模型分析 137
7.4 總結(jié) 137
參考文獻(xiàn) 139