人工智能原理与应用教程

封面

版权信息

内容提要

前言

原理篇

第1章 人工智能概述

1.1 人工智能的概念

1.1.1 什么是智能

1.1.2 人工智能和智能

1.2 人工智能的起源和发展

1.2.1 人工智能简史

1.2.2 三大学派的比较

1.3 人工智能的生态设施

1.3.1 万物互联的智慧网络——物联网

1.3.2 数字化的云端力量——云计算

1.3.3 海量数据的处理分析——大数据

1.3.4 去中心化的信任机制——区块链

1.4 人工智能的软硬件设施

1.4.1 人工智能的软件

1.4.2 人工智能的硬件

1.5 人工智能的关键技术

参考文献

课后作业

第2章 机器学习

2.1 机器学习概述

2.1.1 机器学习的概念

2.1.2 机器学习的研究内容

2.1.3 机器学习的应用前景

2.2 机器学习的常用术语

2.3 机器学习的分类

2.3.1 按学习方式分类

2.3.2 按任务类型分类

2.3.3 按模型类型分类

2.4 机器学习项目的基本流程

2.4.1 明确问题

2.4.2 数据收集和预处理

2.4.3 模型选择和训练

2.4.4 模型评估和优化

2.5 深度学习概述

2.5.1 深度学习的概念

2.5.2 深度学习的起源和发展

2.5.3 深度学习在各领域的应用

2.6 强化学习概述

2.6.1 强化学习的概念

2.6.2 强化学习的基本模型

2.6.3 强化学习的分类

2.6.4 强化学习的方法

2.6.5 强化学习的应用案例

参考文献

课后作业

第3章 数据与特征

3.1 数据与特征概述

3.1.1 什么是数据与特征

3.1.2 特征工程的流程

3.2 常见数据结构

3.2.1 数组

3.2.2 张量

3.2.3 队列

3.2.4 树结构

3.2.5 图结构

3.3 数据与特征处理

3.3.1 数据清洗

3.3.2 特征编码

3.3.3 数据降维

参考文献

课后作业

第4章 神经网络模型与训练

4.1 神经网络概述

4.1.1 神经网络的概念

4.1.2 神经网络的演化过程

4.1.3 神经网络的原理

4.2 误差逆传播算法

4.2.1 链式法则

4.2.2 误差逆传播算法的公式推导

4.2.3 误差逆传播算法的计算示例

4.2.4 误差逆传播算法的一般计算过程

4.3 加速网络训练的优化器

4.3.1 梯度下降算法

4.3.2 动量梯度下降算法

4.3.3 AdaGrad算法

4.3.4 RMSProp算法

4.3.5 Adam算法

参考文献

课后作业

第5章 人工智能系统的架构、开发工具与部署方法

5.1 人工智能系统的架构

5.1.1 人工智能系统的组成

5.1.2 人工智能系统的应用案例

5.1.3 人工智能系统的发展与展望

5.2 人工智能应用的开发工具

5.2.1 Python集成开发环境——PyCharm

5.2.2 在线编程工具——Jupyter

5.2.3 深度学习框架——PyTorch

5.2.4 深度学习框架——TensorFlow

5.3 人工智能的部署方法

5.3.1 NVIDIA Jetson Nano开发套件

5.3.2 Docker应用容器引擎

5.3.3 Git分布式版本控制系统

5.3.4 Neo4j图数据库

参考文献