人工智能導論

引言篇 人工智能的定義 001
第1章 緒論 2
1.1 什么是人工智能 2
1.1.1 人工智能的起源及定義 3
1.1.2 人工智能的三個發(fā)展階段 4
1.2 人工智能的三個主要研究方法 6
1.2.1 基于符號主義的人工智能研究方法 7
1.2.2 基于連接主義的人工智能研究方法 7
1.2.3 基于行為主義的人工智能研究方法 8
1.3 人工智能的行業(yè)發(fā)展現(xiàn)狀 9
1.3.1 世界各國人工智能發(fā)展支持政策 9
1.3.2 人工智能產(chǎn)業(yè)結(jié)構(gòu) 12
1.3.3 人工智能行業(yè)應(yīng)用 14
1.4 人工智能的三個經(jīng)典應(yīng)用 17
1.4.1 自然語言理解 18
1.4.2 智能眼科醫(yī)學圖像處理 19
1.4.3 智能棋類 21
本章小結(jié) 23
習題 24
本章參考文獻 24

理論篇 人工智能基礎(chǔ)理論與算法 025
第2章 人工智能之理論基礎(chǔ) 26
2.1 人工智能的數(shù)學基礎(chǔ) 27
2.1.1 線性代數(shù) 27
2.1.2 人工智能數(shù)學基礎(chǔ)之概率論 30
2.1.3 人工智能數(shù)學基礎(chǔ)之微積分 32
2.2 人工智能的 化與信息論基礎(chǔ) 33
2.2.1 化理論 33
2.2.2 信息論 34
2.3 人工智能的生物學基礎(chǔ) 36
2.3.1 生物神經(jīng)元 36
2.3.2 人腦視覺與信息機理機制 37
2.3.3 人工神經(jīng)元 39
2.4 人工智能的控制論基礎(chǔ) 42
2.4.1 動態(tài)系統(tǒng) 43
2.4.2 人工智能之反饋控制與 控制 44
2.4.3 控制論與強化學習 46
本章小結(jié) 47
習題 47
本章參考文獻 47
第3章 人工智能之機器學習 48
3.1 機器學習概述 48
3.2 監(jiān)督學習 49
3.2.1 經(jīng)典算法1：線性回歸 50
3.2.2 經(jīng)典算法2：邏輯回歸 53
3.2.3 經(jīng)典算法3：感知機 56
3.2.4 經(jīng)典算法4：支持向量機 58
3.2.5 經(jīng)典算法5：決策樹 64
3.2.6 經(jīng)典算法6：集成學習 68
3.3 無監(jiān)督學習 69
3.3.1 經(jīng)典算法1：K-均值算法 70
3.3.2 經(jīng)典算法2：主成分分析 73
3.4 弱監(jiān)督學習 76
3.4.1 主動學習 77
3.4.2 半監(jiān)督學習 78
3.4.3 遷移學習 80
3.4.4 多示例學習 81
本章小結(jié) 82
習題 82
本章參考文獻 82
第4章 人工智能之深度學習 83
4.1 深度學習概述 84
4.1.1 前向神經(jīng)網(wǎng)絡(luò)模型 84
4.1.2 生成模型 86
4.1.3 序列模型 86
4.2 人工神經(jīng)網(wǎng)絡(luò) 87
4.2.1 概述 87
4.2.2 激活函數(shù) 91
4.2.3 損失函數(shù) 95
4.3 神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化與學習 100
4.3.1 梯度下降 101
4.3.2 反向傳播算法 102
4.4 經(jīng)典神經(jīng)網(wǎng)絡(luò) 107
4.4.1 經(jīng)典神經(jīng)網(wǎng)絡(luò)1：卷積神經(jīng)網(wǎng)絡(luò) 107
4.4.2 經(jīng)典神經(jīng)網(wǎng)絡(luò)2：循環(huán)神經(jīng)網(wǎng)絡(luò) 117
4.4.3 經(jīng)典神經(jīng)網(wǎng)絡(luò)3：生成對抗網(wǎng)絡(luò) 124
4.4.4 經(jīng)典神經(jīng)網(wǎng)絡(luò)4：注意力機制網(wǎng)絡(luò) 128
4.5 深度學習前沿 134
4.5.1 自監(jiān)督學習 134
4.5.2 可解釋性深度學習 135
4.5.3 對抗攻擊與防御 135
4.5.4 超大規(guī)模模型 136
本章小結(jié) 137
習題 138
本章參考文獻 139
第5章 人工智能之強化學習 140
5.1 強化學習概述 141
5.2 強化學習之馬爾可夫決策過程 142
5.2.1 馬爾可夫過程 142
5.2.2 馬爾可夫獎勵過程 142
5.2.3 馬爾可夫決策過程 143
5.3 強化學習中的目標函數(shù) 144
5.3.1 值函數(shù) 144
5.3.2 貝爾曼方程 144
5.4 強化學習算法 145
5.4.1 動態(tài)規(guī)劃 146
5.4.2 蒙特卡羅法 148
5.4.3 時序差分法 151
5.4.4 深度Q 網(wǎng)絡(luò) 154
5.4.5 連續(xù)動作空間深度強化學習簡單示例 157
本章小結(jié) 159
習題 159
本章參考文獻 159

應(yīng)用篇 人工智能開發(fā)平臺及應(yīng)用 161
第6章 人工智能開發(fā)平臺 162
6.1 Python 語言簡介 162
6.1.1 Python 常用數(shù)據(jù)結(jié)構(gòu) 163
6.1.2 函數(shù) 164
6.1.3 類 165
6.2 機器學 臺 165
6.2.1 NumPy 166
6.2.2 Pandas 166
6.2.3 Scikit-Learn 167
6.2.4 Scipy 168
6.2.5 應(yīng)用實戰(zhàn) 168
6.3 深度學習開發(fā)框架 172
6.3.1 總述 172
6.3.2 TensorFlow 172
6.3.3 PyTorch 174
6.3.4 飛槳（PaddlePaddle） 176
6.3.5 應(yīng)用實戰(zhàn) 177
本章小結(jié) 182
習題 182
本章參考文獻 184
第7章 人工智能應(yīng)用及展望 185
7.1 人工智能與自然語言處理 186
7.1.1 自然語言處理的基本概念 186
7.1.2 自然語言處理的發(fā)展歷史 187
7.1.3 自然語言處理的研究方向 188
7.2 人工智能與圖像處理 196
7.2.1 圖像增強 197
7.2.2 圖像復原 199
7.2.3 圖像編碼 201
7.2.4 圖像分割 204
7.2.5 圖像識別與分類 205
7.3 人工智能與機器人 207
7.3.1 機器人概念 207
7.3.2 根據(jù)機器人發(fā)展階段分類 208
7.3.3 根據(jù)應(yīng)用環(huán)境分類 209
7.4 人工智能與視頻理解 210
7.4.1 動作識別 211
7.4.2 時序動作定位 215
7.4.3 視頻向量化 217
7.5 人工智能與元宇宙 219
7.5.1 元宇宙的基本概念 219
7.5.2 元宇宙中基礎(chǔ)技術(shù) 221
7.6 人工智能未來展望 223
7.6.1 研究熱點預測 223
7.6.2 人工智能倫理與治理 226
本章小結(jié) 228
習題 228
本章參考文獻 228

后記 229