《人工智能》选取人工智能的9个核心方向，包括搜索、机器学习、线性回归、决策树、集成学习、神经网络、计算机视觉、自然语言处理与强化学习，系统梳理关键知识点，并详细介绍基础原理与重要算法，同时，加入了对前沿知识的介绍与对核心成果的分析和说明。同时，书中的每一章均配备作业题与编程练习，让读者们在练习当中加深对算法与原理的理解。本书内容的选取建立在对大学人工智能教育知识体系的完整梳理之上；章节中对原理与具体的算法均进行了详尽的介绍。
本书可作为人工智能本科生的教材，也可作为人工智能的人门参考书。

第0章 绪论
第1章 数学基础
1.1 导数
1.1.1 导数的定义
1.1.2 高阶导数与偏导数
1.1.3 导数与函数极值
1.2 概率论基础
1.2.1 事件与概率
1.2.2 随机变量与概率分布
1.2.3 期望、方差与协方差
1.3 矩阵基础
习题
第2章 搜索
引言
2.1 搜索问题的定义
2.2 搜索算法基础
2.3 盲目搜索
2.3.1 图搜索
2.3.2 深度优先搜索
2.3.3 宽度优先搜索
2.3.4 复杂度分析及算法改进
2.4 启发式搜索
2.4.1 贪婪搜索
2.4.2 A*搜索算法
2.4.3 A*搜索算法的最优性
2.4.4 启发函数的设计
2.4.5 双向搜索
2.5 局部搜索
2.5.1 爬山法
2.5.2 模拟退火
2.5.3 遗传算法
2.6 对抗搜索
2.6.1 极小极大搜索
2.6.2 Alpha-Beta剪枝搜索
2.6.3 蒙特卡罗树搜索
本章总结
历史回顾
习题
第3章 机器学习
引言
3.1 监督学习的概念
3.2 数据集与损失函数
3.3 泛化
3.4 过拟合与欠拟合
3.5 创建数据集
3.6 无监督学习与半监督学习
3.6.1 K平均算法
3.6.2 谱聚类算法
本章总结
历史回顾
习题
参考文献
第4章 线性回归
引言
4.1 线性回归
4.2 优化方法
4.3 二分类问题
4.4 多分类问题
4.5 岭回归
4.6 套索回归
4.7 支持向量机算法
本章总结
习题
第5章 决策树模型
引言
5.1 决策树的例子
5.2 决策树的定义
5.3 决策树的训练算法
5.3.1 叶子预测值的计算
5.3.2 分割条件的选取
5.3.3 决策树结构的选择
5.3.4 防止过拟合
5.3.5 伪代码
5.3.6 缺失值处理
5.3.7 离散型特征处理方法与特征工程
本章总结
历史回顾
习题
参考文献
第6章 集成学习
引言
6.1 集成学习
6.1.1 一个理想化模型
6.1.2 引导聚集方法
6.1.3 提升算法
6.2 随机森林
6.2.1 随机森林的算法描述
6.2.2 关于随机性的探讨
6.3 梯度提升
6.3.1 梯度提升的概念
6.3.2 梯度提升树
6.3.3 GBDT中的防过拟合方法
6.3.4 GBDT的高效开源实现
本章总结
历史回顾
习题
参考文献
第7章 神经网络初步
引言
7.1 深度线性网络
7.2 非线性神经网络
7.3 反向传播计算导数
7.4 优化器
7.5 权值初始化
7.5.1 Xavier初始化
7.5.2 Kaiming初始化
7.6 权值衰减
7.7 权值共享与卷积
7.8 循环神经网络
本章总结
历史回顾
习题
第8章 计算机视觉
引言
8.1 什么是计算机视觉
8.2 图像的形成
8.2.1 小孔相机模型
8.2.2 数字图像
8.3 线性滤波器
8.4 边缘检测
8.5 立体视觉
8.6 卷积神经网络
8.7 物体检测
8.8 语义分割
本章总结
历史回顾
习题
参考文献
第9章 自然语言处理
引言
9.1 语言模型
9.1.1 为什么需要语言模型？什么是语言模型？
9.1.2 n-gram模型
9.1.3 最大似然估计
9.1.4 困惑度
9.1.5 实用技巧
9.1.6 语言模型的应用
9.1.7 字模型与词模型
9.1.8 中文与英文的差别
9.2 向量语义
9.2.1 语义
9.2.2 词向量
9.2.3 Word2vec
9.2.4 可视化示例
9.3 基于神经网络的语言模型处理
9.3.1 基于神经网络的bigram模型
9.3.2 训练神经网络
9.3.3 基于神经网络的n-gram模型
9.3.4 基于LSTM的语言模型
9.4 基于神经网络的机器翻译
9.4.1 Seq2Seq模型
9.4.2 生成最佳的输出语句: Beam Search
9.4.3 基于注意力机制的Seq2Seq模型
9.4.4 Transformer模型
9.5 语言模型预训练
9.5.1 GPT: generative pretrained Transformer
9.5.2 BERT: bidirectional encoder representations from Transformers
9.5.3 判别式与生成式建模方式的讨论
本章总结
历史回顾
习题
第10章 马尔可夫决策过程与强化学习
引言
10.1 马尔可夫链
10.1.1 例子
10.1.2 马尔可夫链定义
10.1.3 马尔可夫链稳态分布
10.2 马尔可夫决策过程
10.2.1 路线规划
10.2.2 马尔可夫决策过程的定义
10.3 马尔可夫决策过程的求解算法及分析
10.3.1 马尔可夫决策过程算法
10.3.2 算法收敛性分析
10.4 强化学习
10.4.1 Q-Learning
10.4.2 深度强化学习
本章总结
历史回顾
参考文献
习题
附录A 数学基础
A.1 导数
A.2 概率
A.3 矩阵