人工智能技术基础

人工智能技术基础 1
内容提要　1
前　言　2
目　录　4
第　一章 趣谈/漫话人工智能　11
1．1　一个古老的职业　11
1．2　*后的观（占）星大师　12
1．3　中世纪的宇宙模型　13
1．4　八卦中的秘密　14
1．5　另一个苹果　16
1．6　神经网络发展　20
1．7　新时代的炼金术　21
1．8　深度学习和大数据　22
1．9　*后的围棋大师　23
本章小结　24
习题　24
第二章　学习在于实践-编程环境和基础　25
2．1编程环境管家-Anaconda管理工具　25
2．1．1　Anaconda 简介　25
2．1．2　如何安装　25
2．1．3　环境管理　28
2．2简明胶水语言-Python　29
2．2．1　简介　29
2．2．2　安装　29
2．2．3　基础语法　30
2．2．4　解决兔子繁殖问题　35
2．3　面向数组的计算-NumPy　36
2．3．1　简介　36
2．3．2　安装　36
2．3．3　基础语法　37
2．3．4　案例　38
2．4　机器学习百宝箱-Sklearn　41
2．4．1　简介　41
2．4．2　安装　41
2．5　大道至简-keras　42
2．5．1　简介　42
2．5．2　安装　42
本章小结　43
习题　43
第三章　穷举的魅力-搜索　44
3．1驴友的困惑-经典旅行问题　44
3．1．1　七桥问题　44
3．1．2　旅行商问题　45
3．1．3　迷宫问题　46
3．2搜索的积木-基础数据结构　46
3．2．1　树　46
3．2．2　图　47
3．2．3　栈　49
3．2．4　优先队列　50
3．3林深时见鹿-深度优先搜索　51
3．3．1　宽度优先搜索简介　51
3．3．2　使用DFS解决七桥问题　54
3．3．3　使用DFS解决旅行商问题　55
3．3．4　使用DFS解决迷宫问题　57
3．4近水楼台先得月-广度优先搜索　59
3．4．1　广度优先搜索简介　59
3．4．2使用BFS解决七桥问题　59
3．4．3　使用BFS解决旅行商问题　59
3．4．4　使用BFS解决迷宫问题　60
本章小结　60
习题　60
第四章　计算机里的物竞天择-进化算法　61
4．1　生物的演化规律-物种起源　61
4．2程序的优化方法-遗传算法　61
4．2．1　遗传学的启发　61
4．2．2　遗传定律　62
4．2．3　遗传算法　62
4．3基因优化的模拟-交叉变异　64
4．3．1　基因的二进制表示　64
4．3．2　适应度的选择方法　65
4．3．3　基因交叉计算　66
4．3．4　基因变异　67
4．4更高级的程序优化-进化算法　67
4．4．1　进化算法原理　67
4．4．2　数值优化应用实践　67
4．4．3　进化算法库Geatpy　69
4．5横看成岭侧成峰-多目标优化　72
4．5．1　帕累托*优　73
4．5．2　多目标优化算法　73
4．5．3　多目标优化实践　73
4．6麻雀虽小五脏俱全-其它进化算法　75
4．6．1　粒子群优化算法　75
4．6．2　蚁群算法　76
本章小结　77
习题　77
第五章　数据即规律-统计学习　78
5．1　润物细无声-教师和学习　78
5．2　理想中的世界-线性模型　80
5．3　物以类聚，人以群分-聚类　86
5．4　如何做出选择-决策树　87
5．5　维度的秘密-支持向量机　90
5．6　三个臭皮匠顶个诸葛亮--集成机器学习　93
5．7　本章小结　94
5．8　习题　95
第六章　描述万物的规律-神经网络　96
6．1　*简单的神经网络模型-感知机　96
6．2　神经网络的核心-非线性激活函数　97
6．3　感知机的缺陷-解决找茬（异或）难题　99
6．4　万能的神经网络-通用函数拟合　103
6．5　魔方缺了一面-利用反向传播求解神经网络　106
6．6　构建神经网络的积木-keras API函数　109
6．7　开始动手-神经网络应用　112
本章小结　116
习题　116
第七章　抽象的威力-深度学习　117
7．1被麻醉的猫-生物视觉原理　117
7．2深度学习的视觉-CNN模型　118
7．2．1　彩色图片数据组成　119
7．2．2　CNN是怎么工作的　119
7．2．3　CNN学到了什么　122
7．2．4　CNN应用实例—猫狗大战　123
7．3瞻前顾后的深度模型-RNN　130
7．3．1　RNN模型结构　130
7．3．2　往前看和往后看——双向RNN　132
7．3．3　RNN的其他应用　132
7．4　*大的烦恼就是记性太好-长短期记忆网络　132
7．4．1　梯度消失和梯度爆炸问题　132
7．5　本章小结　140
7．6　习题　140
7．7　拓展阅读　141
第八章　深度学习的集市　142
8．1学会识别不同的图像-图像分类　142
8．2寻找物体的相框-目标检测　150
8．2．1　数据集　150
8．2．2　基本原理　152
8．2．3　知名目标检测模型　153
8．3学会区分不同的物体边界-语义分割　158
8．3．1　数据集　158
8．3．2　基本原理　161
8．3．3　知名语义分割模型　161
本章小结　163
习题　163
第九章　基于关系的网络-GNN　164
9．1　关系的表述-又是图结构　164
9．1．1　灵活处理非欧数据的GNN　164
9．1．2　定义及概念介绍　165
9．2解决社交问题-原理和实践　167
9．2．1　GCN原理介绍　167
9．2．2　GCN的应用——微博用户性别预测（节点分类）　167
9．2．3　GCN的应用——闲鱼垃圾评论识别（边分类）　169
9．2．4　基于keras的GCN代码解析　171
9．3　改进GCN模型-GAT原理及应用　179
9．3．1　GAT原理介绍　179
9．3．2　GAT的应用——微博用户性别预测　180
9．3．3　基于keras的GAT代码解析　181
本章小结　184
习题　184
拓展阅读　184
第十章　巴甫洛夫的狗-智能体学习　185
10．1　灵感来源-反射学习　185
10．2　向狗学习-强化学习　185
10．2．1　发展历程　185
10．2．2　强化学习范式　186
10．2．3　值函数与策略函数　189
10．2．4　MDP求解方法　190
10．3　实现强化学习-两种策略　191
10．3．1　Off-policy学习　191
10．3．2　On-policy学习　191
10．4　引入万能的神经网络-深度强化学习　192
10．4．1　基于值函数的方法　193
10．4．2　基于策略梯度方法　193
10．5　解决更复杂的问题-分布式强化学习　194
10．5．1　Impala　194
10．5．2　SeedRL　195
10．5．3　Ape-X　196
10．5．4　Acme　196
10．6　史上*强大的狗-阿尔法狗（AlphaGo）　196
10．6．1　围棋简介　196
10．6．2　AlphaGo算法运行原理　197
10．6．3　与AlphaGo下棋小例子　199
10．7　走向更强-高级强化学习　200
10．7．1　分层强化学习　200
10．7．2　逆强化学习　200
10．7．3　元强化学习　201
10．7．4　多智能体强化学习　201
本章小结　202
第十一章　学会艺术创作-生成学习　203
11．1　和梵高学习画画-风格迁移模型　203
11．1．1　深度学习作画　203
11．1．2　第 一个风格迁移神经网络　205
11．1．3　固定风格任意内容的快速风格迁移　206
11．1．4　基于keras实现的Gatys风格迁移模型　207
11．2　失业的画家-生成对抗网络　214
11．2．1　对抗生成模型GAN　214
11．2．2　GAN原理解析　214
11．2．3　基于DCGAN的手写体数字生成　217
11．3　深度学习也“脆弱”-对抗攻击　221
11．4复活的唐诗-大规模预训练模型　223
11．4．1　大规模预训练”语言模型　223
11．4．2　BERT和GPT原理浅析　225
11．4．3　基于BERT和GPT的诗歌生成　226
本章小结　227
习题　227
拓展阅读　227
第十二章　学习使我快乐-自动学习　228
12．1　如何实现自动学习-AutoML原理　228
12．1．1　算法模型选择　229
12．1．2　超参数优化　230
12．1．3　网络结构优化　234
12．2　动手实践-AutoML实例　234
12．2．1　Auto-sklearn　234
12．2．2　分布式H2O　235
12．3　自动深度学习-AutoDL　236
12．3．1　深度学习概述　236
12．3．2　深度学习参数调节　236
12．4　自动强化学习-AutoRL　237
12．5　自动图神经网络-AutoGL　238
12．5．1　图神经网络简介　238
12．5．2　自动图神经网络　239
本章小结　242
参考文献　243