人工智能算法分析

第1章 绪论 1
1.1　人类的学习与机器的学习 2
1.1.1 人类的学习 2
1.1.2 机器的学习 3
1.2　机器学习与机器智能 6
1.2.1 机器学习的概念 6
1.2.2 机器学习如何实现机器智能 7
1.3　机器学习的发展历程 7
1.4　机器学习的类型 9
1.5 机器学习的主要方法 10
1.6　机器学习的主要算法 13
1.6.1 传统机器学习算法 14
1.6.2 新型机器学习算法 15
1.7　机器学习的典型应用与发展趋势 17
1.7.1 机器学习的典型应用 17
1.7.2 机器学习的发展趋势 18
1.8　如何阅读本书 19
总结 20
习题 20
第2章 机器学习经典分类算法 23
2.1　回归算法 24
2.1.1 基本形式 24
2.1.2 线性回归 24
2.1.3 逻辑回归 26
2.1.4 线性回归案例分析 27
2.1.5 逻辑回归案例分析 33
2.2　决策树算法 37
2.2.1 树形决策过程 37
2.2.2 训练算法 38
2.2.3 案例分析 43
2.3　支持向量机 47
2.3.1 线性分类器 47
2.3.2 支持向量机原理 48
2.3.3 案例分析 51
2.4　kNN算法 53
2.4.1 基本概念 54
2.4.2 预测算法 54
2.4.3 距离定义 55
2.4.4 案例分析 57
2.5　贝叶斯算法 59
2.5.1 贝叶斯决策 59
2.5.2 朴素贝叶斯分类器 60
2.5.3 正态贝叶斯分类器 62
2.5.4 案例分析 64
总结 67
习题 67
第3章 机器学习经典聚类及集成与随机森林算法 69
3.1　k-means算法 70
3.1.1 相似性的度量 70
3.1.2 k-means算法原理 71
3.1.3 k-means算法的改进 73
3.1.4 Mean Shift算法 74
3.1.5 案例分析 76
3.2　AdaBoost算法 79
3.2.1 AdaBoost算法介绍 79
3.2.2 AdaBoost算法分类 83
3.2.3 案例分析 84
3.3　马尔可夫算法 88
3.3.1 马尔可夫算法介绍 88
3.3.2 隐马尔可夫算法介绍 91
3.3.3 案例分析 93
3.4　随机森林算法 96
3.4.1 集成学习 97
3.4.2 随机森林概述 98
3.4.3 训练算法 98
3.4.4 变量的重要性 99
3.4.5 案例分析 100
总结 102
习题 103
第4章 深度学习 105
4.1　深度学习及其研究现状 106
4.1.1 深度学习概念 106
4.1.2 深度学习研究现状 106
4.2　人工神经网络 107
4.2.1 全连接神经网络 107
4.2.2 反向传播算法 111
4.2.3 案例分析 115
4.3　生成对抗网络 119
4.3.1 生成对抗网络结构 119
4.3.2 模型的训练 120
4.3.3 GAN的改进模型 124
4.3.4 案例分析 131
4.4　循环神经网络 135
4.4.1 循环神经网络概述 135
4.4.2 循环神经网络结构 136
4.4.3 循环神经网络训练 138
4.4.4 挑战与改进措施 139
4.4.5 案例分析 141
总结 144
习题 144
第5章 强化学习 146
5.1　强化学习及其研究现状 147
5.1.1 马尔可夫模型 147
5.1.2 策略 148
5.1.3 强化学习研究现状 150
5.2　Q-学习算法 150
5.2.1 Q-学习算法的基本原理 151
5.2.2 Q-学习算法的结构 151
5.2.3 采用神经网络实现Q-学习算法 153
5.2.4 Q-学习算法的改进 154
5.2.5 Q-学习算法的应用案例 156
5.3　蒙特卡洛算法 160
5.3.1 简单介绍 160
5.3.2 经验轨迹 161
5.3.3 蒙特卡洛算法的数学原理 164
5.3.4 蒙特卡洛算法的特点 165
5.3.5 蒙特卡洛预测 165
5.3.6 蒙特卡洛预测算法的实现 166
5.4　动态规划算法 169
5.4.1 策略评估 170
5.4.2 策略改进 171
5.4.3 策略迭代 172
5.4.4 值迭代 173
5.4.5 案例分析 174
总结 176
习题 177
第6章 迁移学习 179
6.1　迁移学习及其研究现状 179
6.1.1 迁移学习概念 179
6.1.2 迁移学习研究现状 180
6.2　TrAdaBoost算法 181
6.2.1 背景 181
6.2.2 算法介绍 181
6.2.3 算法改进 184
6.2.4 案例分析 186
6.3　层次贝叶斯算法 190
6.3.1 背景 190
6.3.2 算法介绍 191
6.3.3 案例分析 194
总结 196
习题 197
第7章 联邦学习 199
7.1　联邦学习及其研究现状 199
7.1.1 联邦学习概念 199
7.1.2 联邦学习研究现状 201
7.2　联邦平均算法 202
7.2.1 联邦优化 203
7.2.2 算法原理 205
7.2.3 安全的联邦平均算法 207
7.2.4 联邦平均算法的改进 207
7.2.5 案例分析 209
7.3　纵向联邦学习算法 215
7.3.1 安全联邦线性回归 215
7.3.2 安全联邦提升树 217
7.3.3 案例分析 221
总结 224
习题 224
第8章 因果学习 227
8.1　因果学习及其研究现状 228
8.1.1 因果学习概念 228
8.1.2 因果学习研究现状 229
8.2　结构因果模型 229
8.2.1 两种类型的因果陈述 229
8.2.2 SCM的标准表示 232
8.2.3 SCM的改进型 233
8.2.4 案例分析 236
8.3　多变量结构识别算法 239
8.3.1 基于独立的方法 240
8.3.2 基于分数的方法 242
8.3.3 多变量加性噪声模型 244
8.3.4 案例分析 246
总结 248
习题 249
第9章 文本挖掘 251
9.1　文本挖掘概念与现状 251
9.1.1 文本挖掘概念 251
9.1.2 文本挖掘现状 252
9.2　Word2vec-词嵌入 252
9.2.1 背景介绍 253
9.2.2 Word2vec-词嵌入——基于神经网络学习单词表示 256
9.2.3 案例分析 265
9.3　递归神经网络 270
9.3.1 递归神经网络介绍 270
9.3.2 递归神经网络分类 274
9.3.3 案例分析 276
总结 282
习题 283
第10章 图像处理 285
10.1　图像处理概念与现状 285
10.1.1 图像处理概念 285
10.1.2 图像处理现状 286
10.2　条件图像到图像翻译 286
10.2.1 条件图像到图像翻译的概念 286
10.2.2 cd-GAN 287
10.2.3 DosGAN 289
10.2.4 案例分析 291
10.3　解纠缠图像到图像翻译 295
10.3.1 解纠缠图像到图像翻译的概念 295
10.3.2 InterfaceGAN 295
10.3.3 SeFa 298
10.3.4 案例分析 300
总结 304
习题 304
第11章 人工智能大模型 307
11.1　人工智能大模型概念与现状 307
11.1.1 人工智能大模型概念 307
11.1.2 人工智能大模型现状 308
11.2　Transformer 308
11.2.1 背景 308
11.2.2 模型结构 309
12.2.3 为什么使用自注意力 312
11.2.4 案例分析 313
11.3　GPT 317
11.3.1 GPT-1 317
11.3.2 GPT-2 320
11.3.3 GPT-3 323
11.3.4 案例分析 326
总结 331
习题 331