人工智能导论:案例与实践

第1章 绪论
1．1 人工智能
1．1．1 人工智能的诞生
1．1．2人工智能三种主流方法
1．1．3 人工智能的过去和未来
1．2 机器学习
1．2．1 机器学习的定义
1．2．2 机器学习的分类
1．3 深度学习
1．3．1 发展历史
1．3．2 感知机模型
1．3．3 多层感知机
1．3．4 应用领域
1．4 新一代人工智能的崛起
1．5 深度学习框架
1．5．1 深度学习框架
1．5．2 使用飞桨框架完成人工智能任务的流程
1．6 实践基础
1．6．1 环境准备
1．6．2 张量表示
1．6．3 自动微分机制
1．6．4 飞桨中的模型与层
习题
参考文献

第2章 机器学习：监督学习
2．1 回归分析
2．1．1 概述
2．1．2 线性回归
2．1．3 实践：基于线性回归的波士顿房价预测实验
2．1．4 逻辑斯谛回归
2．1．5 实践：基于逻辑斯谛回归算法的希格斯玻色子信号预测实验
2．1．6 小结
2．2 决策树
2．2．1 概述
2．2．2 决策树原理
2．2．3 决策树构建
2．2．4 决策树延展
2．2．5 实践：基于决策树算法的动物分类实验
2．2．6 小结
2．3 集成学习
2．3．1 概述
2．3．2 Bagging：随机森林
2．3．3 实践：基于随机森林算法的鲍鱼年龄预测实验
2．3．4 Boosting： AdaBoost
2．3．5 实践：基于梯度提升树算法的葡萄酒质量分类实验
2．3．6 小结
2．4 支持向量机
2．4．1 概述
2．4．2 硬间隔支持向量机
2．4．3 软间隔支持向量机
2．4．4 非线性支持向量机
2．4．5 基于支持向量机算法的银行营销数据分类实验
2．4．6 小结
习题
参考文献


第3章 机器学习：无监督学习
3．1 k-means聚类
3．1．1 概述
3．1．2 k-means原理
3．1．3 k-means延展
3．1．4 实践：基于k-means算法的鸢尾花聚类实验
3．1．5 小结
3．2 特征降维
3．2．1 概述
3．2．2 特征降维
3．2．3 主成分分析
3．2．4 线性判别分析
3．2．5 实践：基于线性判别算法的红酒类型分类实验
3．2．6 特征脸方法
3．2．7 实践：基于主成分分析算法的人脸识别与重建实验
3．2．8 小结
3．3 *大期望算法
3．3．1 概述
3．3．2 高斯分布——*大似然估计
3．3．3 混合高斯模型——*大期望
3．3．4 硬币投掷案例
3．3．5 实践：基于*大期望算法的鸢尾花分类实验
3．3．6 小结
习题
参考文献


第4章 深度学习
4．1 前馈神经网络
4．1．1 基本概念
4．1．2 网络训练
4．1．3 训练技巧
4．1．4 实践：基于前馈神经网络完成房价预测任务
4．2 卷积神经网络
4．2．1 计算机视觉概述
4．2．2 卷积神经网络基础
4．2．3 经典卷积神经网络
4．2．4 实践：基于AlexNet实现花卉识别
4．3 循环神经网络
4．3．1 概念原理
4．3．2 经典RNN网络
4．3．3 实践：基于LSTM实现电影评论的情感分析
4．4 生成对抗网络
4．4．1 概念原理
4．4．2 经典GAN网络
4．4．3 实践：基于GAN生成手写数字识别对抗网络
4．5 深度学习的应用
4．5．1 实践：基于U-Net实现宠物图像分割
4．5．2 实践：基于BiLSTMCRF实现命名实体识别
4．5．3 实践：基于ERNIE实现文本分类
习题
参考文献

第5章 强化学习
5．1 基础篇
5．1．1 概念及原理
5．1．2 马尔可夫模型
5．1．3 策略学习
5．1．4 贝尔曼方程
5．2 方法篇
5．1 概述
5．2．2 基于价值的方法
……