人工智能基礎(chǔ)教程

第一章 人工智能緣起
1．1 新公民索菲亞
1．2 人工智能（AI）簡史
1．2．1 機(jī)器與智能（1956年之前）
1．2．2 人工智能的形成與發(fā)展（1956年～20世紀(jì)末）
1．2．3 人工智能+時(shí)代（進(jìn)入21世紀(jì)）
1．3 通用圖靈機(jī)
習(xí)題一
第二章 線性分類器
2．1 感知機(jī)
2．1．1 數(shù)學(xué)知識(shí)回顧
2．1．2 樣本數(shù)據(jù)預(yù)備
2．1．3 感知機(jī)模型
2．1．4 感知機(jī)學(xué)習(xí)算法
2．1．5 感知機(jī)訓(xùn)練
2．2 支持向量機(jī)
2．2．1 數(shù)學(xué)知識(shí)回顧
2．2．2 線性支持向量機(jī)
2．2．3 損失函數(shù)
實(shí)驗(yàn)實(shí)訓(xùn)一 訓(xùn)練線性分類器
習(xí)題二
第三章 深度學(xué)習(xí)
3．1 由生物神經(jīng)元到M-P模型
3．1．1 神經(jīng)元模型
3．1．2 感知機(jī)重述
3．1．3 多層感知機(jī)
3．1．4 反向傳播算法
3．2 卷積神經(jīng)網(wǎng)絡(luò)
3．2．1 卷積層
3．2．2 非線性激活層ReLU
3．2．3 池化層
3．2．4 全連接層
3．2．5 Softmax歸一化指數(shù)層
3．2．6 AlexNet的網(wǎng)絡(luò)架構(gòu)
3．3 循環(huán)神經(jīng)網(wǎng)絡(luò)
附錄 反向傳播算法
實(shí)驗(yàn)實(shí)訓(xùn)二 人臉識(shí)別
習(xí)題三
第四章 貝葉斯分類器
4．1 貝葉斯概率
4．1．1 可列集
4．1．2 貝葉斯概率
4．1．3 條件概率和獨(dú)立性
4．1．4 期望值
4．2 信息與熵
4．2．1 自信息和互信息
4．2．2 信息熵
4．2．3 貝葉斯法則
……