人工智能概论

第 1 章　绪论 1.1　人工智能的基本概念 5 1.2　人工智能的发展历史 9 1.3　人工智能的研究范式 13 1.4　人工智能的应用领域 16 1.5　小结 19 第 2 章　基本分类 2.1　分类的概念 20 2.2　向量的基本运算 24 2.3　分类器 26 2.4　分类识别技术 .28 2.4.1　感知机 29 2.4.2　导数与微分 34 2.4.3　梯度下降法 36 2.4.4　SVM42 2.5　测试与分类实现 47 2.5.1　测试 47 2.5.2　分类实现 47 2.5.3　多分类识别 48 2.6　小结 51 第 3 章　回归与聚类 3.1　基本概念 52 3.1.1　机器学习的类别 52 3.1.2　变量之间的关系 54 3.2　回归 55 3.2.1　回归的概念 55 3.2.2　线性回归 57 3.2.3　逻辑回归 66 3.3　聚类 71 3.3.1　聚类的概念 72 3.3.2　K 均值聚类算法 74 3.3.3　层次聚类算法 75 3.4　相似度计算 75 3.5　小结 80 第 4 章　神经网络与深度学习 4.1　人工神经网络的发展历史 81 4.2　神经网络的分类 85 4.2.1　生物神经网络 85 4.2.2　人工神经网络 86 4.3　浅层神经网络 88 4.3.1　多输出感知机 88 4.3.2　多层神经网络 89 4.4　深度学习 97 4.4.1　深度学习模型 97 4.4.2　激活函数 99 4.4.3　深度学习的特点及发展 100 4.5　小结 101 第 5 章　图像信息处理 5.1　人眼成像 102 5.2　图像信息处理的基本概念 104 5.3　图像采集及处理发展历史 111 5.4　数字图像处理 116 5.4.1　图像的基本运算 116 5.4.2　图像增强 120 5.4.3　图像分割 125 5.4.4　图像压缩 126 5.5　数字图像分析 127 5.6　视频分析 131 5.6.1　视频的概念 131 5.6.2　运动检测 133 5.6.3　目标跟踪 135 5.7　卷积神经网络 CNN 136 5.7.1　卷积 138 5.7.2　卷积层 141 5.7.3　池化层 144 5.7.4　AlexNet 147 5.8　小结 150 第 6 章 自然语言处理 6.1　自然语言处理的发展历史 152 6.2　自然语言处理典型应用 155 6.3　自然语言处理基本技术 157 6.3.1　词法分析 158 6.3.2　句法分析 162 6.3.3　语义分析 163 6.3.4　语用分析 164 6.4　自然语言特征提取 164 6.4.1　词袋模型 BOW 165 6.4.2　N-Gram 模型 166 6.4.3　Word2Vec 模型 168 6.4.4　循环神经网络 RNN 174 6.5　小结 176