本书首先介绍了人工智能的基础知识，然后分别介绍了机器学习、深度学习、自然语言处理和强化学习中的重点概念和实践过程，包含逻辑斯谛回归、k最近邻、决策树、随机森林、支持向量机、卷积神经网络、循环神经网络、LSTM、自动编码器等。此外，本书的附录部分还分别简单介绍了Keras、TensorFlow、pandas等人工智能相关的工具。
本书适用于高等院校电子信息类专业的人工智能导论课程，也适合想要对人工智能、机器学习和深度学习快速了解和掌握的专业人士阅读参考。

方延风，高级工程师，现在福建省科学技术信息研究所任职，毕业于清华大学，获得计算机技术工程硕士学位，美国俄勒冈大学访问学者，曾出版过多本计算机图书，目前的研究方向是文本数据挖掘、自然语言处理（Natural Language Processing，NLP）、信息检索技术等。他主要翻译了第1章及第6～10章的内容。

第1章 人工智能导论
1.1 什么是人工智能
1.2 图灵测试
1.2.1 图灵测试的定义
1.2.2 询问者测试
1.3 启发式方法
1.4 知识表示
1.4.1 基于逻辑的解决方案
1.4.2 语义网络
1.5 人工智能和博弈
1.6 专家系统
1.7 神经计算
1.8 演化计算
1.9 自然语言处理
1.10 生物信息学
1.11 人工智能的主要部分
1.11.1 机器学习
1.11.2 深度学习
1.11.3 强化学习
1.11.4 机器人学
1.11.5 自然语言处理
1.12 代码示例
1.13 总结
第2章 机器学习概述
2.1 什么是机器学习
2.2 机器学习算法的类型
2.3 特征工程、特征选择和特征提取
2.4 降维
2.4.1 PCA
2.4.2 协方差矩阵
2.5 使用数据集
2.5.1 训练数据与测试数据
2.5.2 什么是交叉验证
2.6 什么是正则化
2.6.1 机器学习和特征缩放
2.6.2 数据归一化与标准化
2.7 偏差-方差权衡
2.8 模型的度量指标
2.8.1 R2的局限性
2.8.2 混淆矩阵
2.8.3 准确率、精确率、召回率
2.8.4 ROC曲线
2.9 其他有用的统计学术语
2.9.1 F1值是什么
2.9.2 p值是什么
2.10 什么是线性回归
2.10.1 线性回归与曲线拟合
2.10.2 什么时候解是精确值
2.10.3 什么是多元分析
2.11 其他类型的回归
2.12 使用平面中的线（可选）
2.13 用NumPy和matplotlib画散点图（1）
2.14 用NumPy和matplotlib画散点图（2）
2.15 用NumPy和matplotlib画二次散点图
2.16 MSE公式
2.16.1 误差类型列表
2.16.2 非线性最小二乘法
2.17 手动计算MSE
2.18 用np.linspace()API近似线性数据
2.19 用np.linspace()API计算MSE
2.20 用Keras进行线性回归
2.21 总结
第3章 机器学习分类器
3.1 什么是分类
3.1.1 什么是分类器
3.1.2 常见的分类器
3.1.3 二元分类与多类别分类
3.1.4 多标签分类
3.2 什么是线性分类器
3.3 什么是kNN
3.4 什么是决策树
3.5 什么是随机森林
3.6 什么是SVM
3.7 什么是贝叶斯推理
3.7.1 贝叶斯定理
3.7.2 一些贝叶斯术语
3.7.3 什么是最大后验假设
3.7.4 为什么使用贝叶斯定理
3.8 什么是朴素贝叶斯分类器
3.9 训练分类器
3.10 评估分类器
3.11 什么是激活函数
3.11.1 为什么需要激活函数
3.11.2 激活函数是如何工作的
3.12 常见的激活函数
3.12.1 Python中的激活函数
3.12.2 Keras中的激活函数
3.13 ReLU和ELU激活函数
3.13.1 ReLU激活函数
3.13.2 ELU激活函数
3.14 Sigmoid、Softmax、Softplus和tanh激活函数的相似性
3.14.1 Sigmoid激活函数
3.14.2 Softmax激活函数
3.14.3 Softplus激活函数
3.14.4 tanh激活函数
3.15 Sigmoid、Softmax和Hardmax激活函数之间的差异
3.16 什么是逻辑斯谛回归
3.16.1 设置阈值
3.16.2 逻辑斯谛回归：重要假设
3.16.3 线性可分数据
3.17 Keras、逻辑斯谛回归和Iris数据集
3.18 总结
第4章 深度学习概述
4.1 Keras和异或函数XOR
4.2 什么是深度学习
4.2.1 什么是超参数
4.2.2 深度学习体系架构
4.2.3 深度学习所能解决的问题
4.2.4 未来的挑战
4.3 什么是感知器
4.3.1 感知器函数的定义
4.3.2 感知器的详细视图
4.4 人工神经网络剖析
4.4.1 初始化模型的超参数
4.4.2 激活函数
4.4.3 损失函数
4.4.4 优化器
4.4.5 学习率
4.4.6 丢弃率
4.5 什么是反向误差传播
4.6 什么是多层感知器
4.7 数据点是如何被正确分类的
4.8 CNN的高阶视图
4.8.1 一个极简的CNN
4.8.2 卷积层
4.8.3 ReLU激活函数
4.8.4 最大池化层
4.9 在MNIST数据集上显示图像
4.10 Keras和MNIST数据集
4.11 Keras、CNN和MNIST数据集
4.12 用CNN分析音频信号
4.13 总结
第5章 深度学习体系架构：RNN和LSTM
5.1 什么是RNN
5.1.1 RNN剖析
5.1.2 什么是BPTT
5.2 在Keras中使用RNN
5.3 在Keras中使用RNN和MNIST数据集
5.4 在TensorFlow中使用RNN（可选）
5.5 什么是LSTM
5.5.1 LSTM剖析
5.5.2 双向LSTM
5.5.3 LSTM公式
5.5.4 LSTM超参数调优
5.6 在TensorFlow中使用LSTM（可选）
5.7 什么是GRU
5.8 什么是自动编码器
5.8.1 自动编码器和主成分分析
5.8.2 什么是可变自动编码器
5.9 什么是GAN
5.10 创建GAN
5.11 总结
第6章 自然语言处理和强化学习
6.1 使用NLP
6.1.1 NLP技术
6.1.2 Transformer架构和NLP