包邮人工智能算法实例集锦(Python语言)

第1章 人工智能概述 1 1.1 人工智能的定义 1 1.2 人工智能的发展 2 1.3 人工智能算法简介 4 本章小结 5 第2章 人工智能算法框架 6 2.1 Python与人工智能的关系 6 2.2 常用的Python深度学习库 7 2.3 TensorFlow简介及安装 8 2.4 TensorFlow的低级库 9 2.4.1 TensorFlow核心 9 2.4.2 数据流图或计算图 19 2.4.3 TensorBoard 26 2.5 TensorFlow的高级库 28 2.5.1 TF Estimator 28 2.5.2 TF Slim 29 2.5.3 TF Learn 30 2.5.4 Pretty Tensor 34 2.5.5 Sonnet 34 本章小结 35 第3章 启发式算法 37 3.1 启发式算法概述 37 3.2 常用启发式算法 38 3.2.1 模拟退火算法 38 3.2.2 遗传算法 46 3.2.3 蚁群算法 53 3.2.4 人工蜂群算法 65 3.2.5 布谷鸟算法 70 3.2.6 萤火虫算法 75 本章小结 79 第4章 监督学习与无监督学习 80 4.1 监督学习与无监督学习简介 80 4.2 监督学习之分类 80 4.2.1 决策树算法 80 4.2.2 *邻近规则算法 85 4.2.3 朴素贝叶斯算法 88 4.2.4 逻辑回归算法 91 4.2.5 SVM算法 95 4.2.6 随机森林算法 97 4.2.7 AdaBoost算法 102 4.2.8 BP网络算法 105 4.3 监督学习之回归 109 4.3.1 线性回归 109 4.3.2 CART回归 115 4.3.3 岭回归 119 4.3.4 套索回归 122 4.4 无监督学习之聚类 125 4.4.1 K-means聚类 125 4.4.2 DBSCAN密度聚类 130 4.5 无监督学习之降维 133 4.5.1 主成分分析算法(PCA) 134 4.5.2 线性判断分析(LDA) 136 4.5.3 局部线性嵌入(LLE) 139 本章小结 142 第5章 深度学习 143 5.1 深度学习简介 143 5.1.1 深度学习的概念 143 5.1.2 深度学习的特点 144 5.1.3 深度学习的应用 144 5.2 卷积神经网络 145 5.2.1 卷积神经网络的原理 146 5.2.2 LeNet 152 5.2.3 AlexNet 154 5.2.4 VGG16 156 5.2.5 GoogLeNet 159 5.2.6 ResNet 164 5.2.7 DenseNet 172 5.3 循环神经网络 181 5.3.1 RNN 182 5.3.2 GRU 187 5.3.3 LSTM 191 5.4 生成对抗网络 201 5.4.1 GAN 201 5.4.2 SGAN 206 5.4.3 CGAN 209 5.4.4 WGAN 212 5.4.5 DCGAN 217 5.4.6 InfoGAN 225 5.4.7 LSGAN 240 本章小结 246 第6章 强化学习 247 6.1 强化学习简介 247 6.1.1 强化学习的概念 247 6.1.2 强化学习的分类 247 6.2 基于概率的强化学习方法 248 6.2.1 基于概率的强化学习方法简介 248 6.2.2 Policy Gradients算法 249 6.3 基于价值的强化学习方法 254 6.3.1 基于价值的强化学习方法简介 254 6.3.2 Q-Learning算法 254 6.3.3 Sarsa算法 261 6.3.4 Deep Q Network算法 265 6.4 基于概率和价值的强化学习方法 272 6.4.1 基于概率和价值的强化学习方法简介 272 6.4.2 Actor-Critic算法 272 6.4.3 DDPG算法 278 6.4.4 A3C算法 283 本章小结 288 第7章 人工智能未来展望 289 7.1 算法理论和设备基础 289 7.1.1 算法理论 289 7.1.2 设备基础 290 7.2 人工智能应用 290 本章小结 291 参考文献 292