章 绪论
1.1 人工智能的历史及概念
1.1.1 人工智能的起源与历史
1.1.2 人工智能的概念
1.1.3 人工智能的特征
1.2 人工智能关键技术
1.2.1 机器学习
1.2.2 知识图谱
1.2.3 自然语言处理
1.2.4 人机交互
1.2.5 计算机视觉
1.2.6 生物特征识别
1.2.7 虚拟现实/增强现实
1.3 人工智能产业现状及趋势
1.3.1 智能基础设施
1.3.2 智能信息及数据
1.3.3 智能技术服务
1.3.4 人工智能行业应用
1.3.5 人工智能产业发展趋势
1.4 安全、伦理、隐私问题
1.4.1 人工智能的安全问题
1.4.2 人工智能的伦理问题
1.4.3 人工智能的隐私问题
1.5 人工智能专业课程体系
1.6 本章小结
习题
第2章 知识表示方法及搜索方法
2.1 知识表示方法
2.1.1 状态空间法
2.1.2 问题归约法
2.1.3 与或图表示法
2.1.4 谓词逻辑法
2.1.5 语义网络法
2.1.6 其他方法
2.2 搜索技术
2.2.1 图搜索策略
2.2.2 盲目搜索
2.2.3 启发式搜索
2.2.4 A算法
2.3 本章小结
习题
目录
人工智能导论
第3章 Python编程简介
3.1 IPython及其使用
3.1.1 IPython控制台
3.1.2 语句与表达式
3.1.3 错误信息
3.1.4 模块
3.2 数据结构
3.2.1 对象和方法
3.2.2 列表
3.2.3 数组
3.3 程序控制
3.3.1 分支结构
3.3.2 循环结构
3.4 脚本
3.4.1 脚本设计
3.4.2 脚本执行
3.5 输入、输出与可视化
3.5.1 输入与输出
3.5.2 数据可视化
3.6 本章小结
习题
第4章 分类与聚类
4.1 K最近邻算法
4.1.1 算法概述
4.1.2 基本思想
4.1.3 算法实践
4.2 朴素贝叶斯
4.2.1 算法概述
4.2.2 基本思想
4.2.3 算法实践
4.3 决策树
4.3.1 算法概述
4.3.2 基本思想
4.3.3 构造方法
4.3.4 算法实践
4.4 随机森林
4.4.1 算法概述
4.4.2 基本思想
4.4.3 算法实践
4.5 K均值聚类算法
4.5.1 算法概述
4.5.2 算法实践
4.6 本章小结
习题
第5章 回归
5.1 一元线性回归
5.1.1 线性关系
5.1.2 一元线性回归
5.2 多元线性回归
5.3 梯度下降法
5.3.1 梯度下降法的原理
5.3.2 基于梯度下降法的多元线性回归
5.4 Logistic回归
5.4.1 Logistic回归模型
5.4.2 Logistic回归应用
5.5 本章小结
习题
第6章 人工神经网络
6.1 感知机
6.1.1 感知机模型
6.1.2 感知机学习策略
6.1.3 应用感知机进行分类
6.1.4 感知机的局限性
6.2 多层感知机
6.2.1 多层感知机模型
6.2.2 多层感知机的训练——BP算法
6.3 多层感知机的应用
6.3.1 多层感知机逼近XOR问题
6.3.2 多层感知机识别手写数字
6.4 其他神经网络
6.4.1 递归神经网络
6.4.2 霍普菲尔德网络
6.4.3 玻尔兹曼机
6.4.4 自组织映射
6.5 本章小结
习题
第7章 深度学习
7.1 深度学习的历史和定义
7.1.1 深度学习的历史
7.1.2 深度学习的定义
7.2 深度学习模型
7.2.1 深度信念网络
7.2.2 卷积神经网络
7.2.3 长短时记忆
7.2.4 对抗生成网络
7.3 深度学习主要开发框架
7.3.1 Tensorflow
7.3.2 PyTorch与Caffe
7.3.3 飞桨
7.3.4 Keras
7.4 深度学习的应用
7.4.1 计算机视觉
7.4.2 语音与自然语言处理
7.4.3 推荐系统
7.4.4 自动驾驶
7.4.5 风格迁移
7.5 深度学习的展望
7.6 本章小结
习题
参考文献