人工智能導(dǎo)論

第1章緒論1
1.1人工智能的歷史及概念1
1.1.1人工智能的起源與歷史1
1.1.2人工智能的概念3
1.1.3人工智能的特征4
1.2人工智能關(guān)鍵技術(shù)6
1.2.1機(jī)器學(xué)習(xí)6
1.2.2知識(shí)圖譜8
1.2.3自然語言處理9
1.2.4人機(jī)交互10
1.2.5計(jì)算機(jī)視覺12
1.2.6生物特征識(shí)別13
1.2.7虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí)15
1.3人工智能產(chǎn)業(yè)現(xiàn)狀及趨勢(shì)16
1.3.1智能基礎(chǔ)設(shè)施17
1.3.2智能信息及數(shù)據(jù)18
1.3.3智能技術(shù)服務(wù)18
1.3.4人工智能行業(yè)應(yīng)用18
1.3.5人工智能產(chǎn)業(yè)發(fā)展趨勢(shì)21
1.4安全、倫理、隱私問題21
1.4.1人工智能的安全問題22
1.4.2人工智能的倫理問題23
1.4.3人工智能的隱私問題24
1.5人工智能專業(yè)課程體系24
1.6本章小結(jié)26
習(xí)題26
第2章知識(shí)表示方法及搜索方法27
2.1知識(shí)表示方法27
2.1.1狀態(tài)空間法27
2.1.2問題歸約法29
2.1.3與或圖表示法31
2.1.4謂詞邏輯法33
2.1.5語義網(wǎng)絡(luò)法36
2.1.6其他方法38
2.2搜索技術(shù)43
2.2.1圖搜索策略43
2.2.2盲目搜索44
2.2.3啟發(fā)式搜索47
2.2.4A算法50
2.3本章小結(jié)52
習(xí)題52
目錄
人工智能導(dǎo)論
第3章Python編程簡介53
3.1IPython及其使用53
3.1.1IPython控制臺(tái)53
3.1.2語句與表達(dá)式54
3.1.3錯(cuò)誤信息58
3.1.4模塊59
3.2數(shù)據(jù)結(jié)構(gòu)59
3.2.1對(duì)象和方法60
3.2.2列表60
3.2.3數(shù)組62
3.3程序控制68
3.3.1分支結(jié)構(gòu)68
3.3.2循環(huán)結(jié)構(gòu)71
3.4腳本73
3.4.1腳本設(shè)計(jì)73
3.4.2腳本執(zhí)行74
3.5輸入、輸出與可視化75
3.5.1輸入與輸出75
3.5.2數(shù)據(jù)可視化78
3.6本章小結(jié)81
習(xí)題82
第4章分類與聚類83
4.1K最近鄰算法83
4.1.1算法概述83
4.1.2基本思想84
4.1.3算法實(shí)踐84
4.2樸素貝葉斯86
4.2.1算法概述86
4.2.2基本思想86
4.2.3算法實(shí)踐87
4.3決策樹90
4.3.1算法概述91
4.3.2基本思想91
4.3.3構(gòu)造方法91
4.3.4算法實(shí)踐92
4.4隨機(jī)森林94
4.4.1算法概述94
4.4.2基本思想94
4.4.3算法實(shí)踐94
4.5K均值聚類算法96
4.5.1算法概述97
4.5.2算法實(shí)踐97
4.6本章小結(jié)98
習(xí)題98
第5章回歸99
5.1一元線性回歸99
5.1.1線性關(guān)系99
5.1.2一元線性回歸101
5.2多元線性回歸106
5.3梯度下降法108
5.3.1梯度下降法的原理108
5.3.2基于梯度下降法的多元線性回歸110
5.4Logistic回歸111
5.4.1Logistic回歸模型111
5.4.2Logistic回歸應(yīng)用113
5.5本章小結(jié)117
習(xí)題117
第6章人工神經(jīng)網(wǎng)絡(luò)119
6.1感知機(jī)119
6.1.1感知機(jī)模型119
6.1.2感知機(jī)學(xué)習(xí)策略120
6.1.3應(yīng)用感知機(jī)進(jìn)行分類124
6.1.4感知機(jī)的局限性127
6.2多層感知機(jī)127
6.2.1多層感知機(jī)模型127
6.2.2多層感知機(jī)的訓(xùn)練——BP算法129
6.3多層感知機(jī)的應(yīng)用131
6.3.1多層感知機(jī)逼近XOR問題131
6.3.2多層感知機(jī)識(shí)別手寫數(shù)字135
6.4其他神經(jīng)網(wǎng)絡(luò)140
6.4.1遞歸神經(jīng)網(wǎng)絡(luò)140
6.4.2霍普菲爾德網(wǎng)絡(luò)141
6.4.3玻爾茲曼機(jī)143
6.4.4自組織映射144
6.5本章小結(jié)144
習(xí)題145
第7章深度學(xué)習(xí)146
7.1深度學(xué)習(xí)的歷史和定義146
7.1.1深度學(xué)習(xí)的歷史146
7.1.2深度學(xué)習(xí)的定義148
7.2深度學(xué)習(xí)模型149
7.2.1深度信念網(wǎng)絡(luò)149
7.2.2卷積神經(jīng)網(wǎng)絡(luò)151
7.2.3長短時(shí)記憶153
7.2.4對(duì)抗生成網(wǎng)絡(luò)155
7.3深度學(xué)習(xí)主要開發(fā)框架156
7.3.1Tensorflow156
7.3.2PyTorch與Caffe 2157
7.3.3飛槳158
7.3.4Keras159
7.4深度學(xué)習(xí)的應(yīng)用160
7.4.1計(jì)算機(jī)視覺160
7.4.2語音與自然語言處理160
7.4.3推薦系統(tǒng)160
7.4.4自動(dòng)駕駛161
7.4.5風(fēng)格遷移161
7.5深度學(xué)習(xí)的展望162
7.6本章小結(jié)163
習(xí)題164
參考文獻(xiàn)165