人工智能

第1章 神奇的人工智能 1.1 什么是人工智能 1.2 人工智能简史 1.2.1 数理逻辑：人工智能的前期积累 1.2.2 图灵：人工智能的真正创始人 1.2.3 达特茅斯会议：AI的开端 1.2.4 人工智能的三起两落 1.3 机器学习：现代人工智能的灵魂 1.3.1 什么是机器学习 1.3.2 机器学习发展史 1.3.3 机器学习的基本框架 1.4 让人惊讶的“学习” 1.4.1 从猴子摘香蕉到星际大战 1.4.2 集体学习的机器人 1.4.3 图片和文字理解 1.4.4 Alpha Go 1.4.5 ChatGPT 1.4.6 人工智能与科学研究 1.4.7 机器智能会超过人类智能吗 1.5 开始你的机器学习之旅 1.5.1 训练、验证与测试 1.5.2 Occam剃刀准则 1.5.3 没有免费的午餐 1.5.4 对初学者的几点建议 1.6 AIDemo实践系统 1.6.1 -AlDemo环境搭建 1.6.2 AIDemo实践基础 1.6.3 人脸检测（Face-detection）： 个实践程序 第2章 人脸识别 2.1 人脸识别概述 2.1.1 什么是人脸识别 2.1.2 人脸识别系统的基本组成 2.1.3 人脸识别简史 2.2 基于特征脸的人脸识别 2.2.1 主成分分析 2.2.2 支持向量机 2.3 基于深度学习的人脸识别 2.3.1 神经网络的故事 2.3.2 神经网络结构 2.3.3 深度学习 2.3.4 基于深度卷积网络的人脸识别 2.3.5 基于DNN的人脸识别性能 2.4 深度神经网络的其他应用 2.4.1 人脸检测 2.4.2 人脸正规化 2.4.3 图像生成 2.4.4 图像风格转换 2.5 图像处理技术的应用场景 2.6 AI实践：人脸识别 思考题 第3章 语音处理 3.1 语音的产生与感知 3.1.1 语音的产生 3.1.2 语音的感知 3.2 语音识别概述 3.2.1 什么是语音识别 3.2.2 语音识别简史 3.3 基于GMM-HMM的语音识别 3.3.1 MFCC特征提取 3.3.2 GMM-HMM声学模型 3.3.3 N-Gram语言模型 3.3.4 解码过程 3.4 基于深度学习的语音识别 3.4.1 DNN特征提取 3.4.2 DNN静态建模 3.4.3 RNN动态建模 3.5 说话人识别 3.5.1 传统GMM-UBM系统 3.5.2 基于DNN 的说话人识别系统 3.6 语音合成 3.6.1 参数合成 3.6.2 拼接合成 3.6.3 统计模型合成 3.6.4 神经模型合成 3.7 语音技术的应用场景 3.8 AI实践：语音信号处理 3.8.1 实践说明 3.8.2 实践步骤 思考题 第4章 语言理解 4.1 人类语言的复杂性 4.1.1 结构复杂性 4.1.2 语义复杂性 4.1.3 知识复杂性 4.1.4 时空复杂性 4.1.5 应用复杂性 4.1.6 什么是语言理解 4.2 传统语言理解方法 4.2.1 词法分析 4.2.2 句法分析 4.2.3 语义分析 4.3 基于深度学习的语言理解方法 4.3.1 词向量 4.3.2 句向量 4.3.3 上下文相关建模与基础模型 4.3.4 传统方法和深度学习方法对比 4.4 机器翻译 4.4.1 机器翻译的历史 4.4.2 统计机器翻译 4.4.3 神经机器翻译 4.5 语言理解的其他应用 4.5.1 搜索引擎 4.5.2 系统 4.5.3 会话机器人 4.6 自然语言处理技术应用场景 4.7 AI实践：计算中文词向量 思考题 第5章 机器人设计 5.1 现代机器人发展史 5.2 基于设计的机器人 5.2.1 操作机器人 5.2.2 移动机器人 5.3 基于学习的机器人 5.3.1 简单的例子：模仿学习 5.3.2 强化学习 5.3.3 强化学习的学习对象 5.4 深度强化学习方法 5.4.1 Atari游戏 5.4.2 AlphaGo Zero 5.4.3 实体机器人 5.4.4 两种机器人的比较 5.5 机器人的应用场景 5.6 AI实践：AI机器人 思考题 第6章 思维与智能 6.1 形象思维 6.1.1 诗词生成 6.1.2 Deep Dream 6.2 逻辑思维 6.2.1 定理证明： 逻辑推理 6.2.2 阅读理解：非 逻辑推理 6.3 机器学习人类思维的应用场景 6.4 AI实践：Deep Dream 思考题 参考文献