人工智能和深度学习导论电子书

内 容 提 要

译 者 序

前 言

目标

你能从本书中学到什么

阅读本书需要多少Keras知识

需要学习本书的理论部分吗

代码示例的创建

本书的技术预备知识

本书的非技术预备知识

如何设置命令shell

读完本书，下一步是什么

第1章 人工智能导论

1.1 什么是人工智能

1.2 图灵测试

1.3 启发式方法

1.4 知识表示

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

1.12 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

2.5 使用数据集

2.6 什么是正则化

2.7 偏差-方差权衡

2.8 模型的度量指标

2.9 其他有用的统计学术语

2.10 什么是线性回归

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

2.17 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

3.2 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

3.8 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

3.12 常见的激活函数

3.13 ReLU和ELU激活函数

3.14 Sigmoid、Softmax、Softplus和tanh激活函数的相似性

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

3.17 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

4.3 什么是感知器

4.4 人工神经网络剖析

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

4.9 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

5.2 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

5.6 在TensorFlow中使用LSTM（可选）

5.7 什么是GRU

5.8 什么是自动编码器

5.9 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

6.2 流行的NLP算法

6.3 什么是词嵌入

6.4 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0

6.5 什么是Translatotron

6.6 深度学习和NLP

6.7 NLU与NLG

6.8 什么是强化学习

6.9 从NFA到MDP

6.10 epsilon贪心算法

6.11 贝尔曼方程

6.12 强化学习工具包和框架

6.13 什么是深度强化学习

6.14 总结

附录A Keras简介

A.1 什么是Keras

A.2 创建基于Keras的模型

A.3 Keras和线性回归

A.4 Keras、MLP和MNIST数据集

A.5 Keras、CNN和cifar10数据集

A.6 在Keras中调整图像大小

A.7 Keras和提前停止（1）

A.8 Keras和提前停止（2）

A.9 Keras模型的度量指标

A.10 保存和恢复Keras模型

A.11 总结

附录B TF 2简介

B.1 什么是TF 2

B.2 其他基于TF 2的工具包

B.3 TF 2即时执行

B.4 TF 2张量、数据类型和原始类型

B.5 TF 2中的常量

B.6 TF 2中的变量

B.7 tf.rank() API

B.8 tf.shape() API

B.9 TF 2中的变量（重新审视）

B.10 TF 2中的@tf.function是什么

B.11 在TF 2中使用@tf.function

B.12 TF 2中的算术运算

B.13 TF 2中算术运算的注意事项

B.14 TF 2的内置函数

B.15 计算TF 2中的三角函数值

B.16 计算TF 2中的指数值

B.17 在TF 2中使用字符串

B.18 在TF 2中使用带有各种张量的运算符

B.19 TF 2中的二阶张量（1）

B.20 TF 2中的二阶张量（2）

B.21 TF 2中两个二阶张量的乘法

B.22 将Python数组转换为TF 2张量

B.23 微分和TF 2中的tf.GradientTape

B.24 tf.GradientTape的示例

B.25 谷歌Colaboratory

B.26 其他云平台

B.27 总结

附录C pandas简介

C.1 什么是pandas

C.2 带标签的pandas数据帧

C.3 pandas数值数据帧

C.4 pandas布尔数据帧

C.5 pandas数据帧和随机数

C.6 组合pandas数据帧（1）

C.7 组合pandas数据帧（2）

C.8 pandas数据帧的数据处理（1）

C.9 pandas数据帧的数据处理（2）

C.10 pandas数据帧的数据处理（3）

C.11 pandas数据帧和CSV文件

C.12 pandas数据帧和Excel电子表格（1）

C.13 pandas数据帧和Excel电子表格（2）

C.14 读取具有不同分隔符的数据文件

C.15 使用sed命令转换数据（可选）

C.16 选择、添加和删除数据帧中的列

C.17 pandas数据帧和散点图

C.18 pandas数据帧和直方图

C.19 pandas数据帧和简单统计

C.20 pandas数据帧的标准化

C.21 pandas数据帧、NumPy函数和大型数据集

C.22 使用pandas序列

C.23 pandas中有用的单行命令

C.24 什么是Jupyter

C.25 总结