图解人工智能电子书

版权声明

前言

关于本书

内容简介

目标读者

下载文件

第 1 章 人工智能的过去、现在和未来

01 人工智能

人工智能已遍布街头巷尾

02 人工智能的黎明时期

人工智能的诞生

突触可塑性

人工智能和图灵测试

图灵测试

03 人工智能的发展

1960 ～ 1980 年：专家系统和第一次人工智能热潮

1980 ～ 2000 年：第二次人工智能热潮和神经网络的寒冬期

2000 ～ 2010 年：统计机器学习方法和分布式处理技术的发展

2010年以后：深度神经网络带来图像识别性能的飞跃性提高，第三次人工智能热潮

加速产业上的应用

汽车产业

广告产业

BI 工具

对话式人工智能

医疗护理辅助

机器人产业

人工智能的未来

如何处理大数据

技术奇点来临

第 2 章 规则系统及其变体

01 规则系统

条件分支程序

规则的设计和问题公式化

例：根据温度设置空调出风量的处理

人名识别处理

构建决策树

02 知识库

增加或修改规则

可以供人类和程序搜索的系统

UniProtKB

03 专家系统

专家系统：利用专家的判定规则进行推理

早期的专家系统 DENDRAL

由 DENDRAL 衍生而来的 MYCIN

推理机的种类和方法

04 推荐引擎

预测并推荐相似内容的推荐系统

基于内容的推荐

基于协同过滤的个性化推荐

第 3 章 自动机和人工生命程序

01 人工生命模型

何谓生命

生命游戏

规则

流行病模型

02 有限自动机

自动机

自动机和语言理论

03 马尔可夫模型

马尔可夫性质和马尔可夫过程

随机过程和马尔可夫链

04 状态驱动智能体

游戏人工智能

智能体

棋盘游戏

棋盘游戏和博弈论

基于复杂智能体的游戏

第 4 章 权重和寻找最优解

01 线性问题和非线性问题

两个变量之间的相关性

线性问题

映射

非线性问题

02 回归分析

求解线性问题

回归分析

线性回归

求线性回归方程的例子

多元回归

自变量个数增加后的不便之处

多项式回归

过拟合的弊端

最小二乘法

逻辑回归

03 加权回归分析

最小二乘法的改进

LOWESS

L2 正则化和L1正则化

04 相似度的计算

相似度的种类和计算方法

余弦相似度

相关系数

斯皮尔曼秩相关系数

肯德尔秩相关系数

相关函数

编辑距离

编辑距离

汉明距离

马氏距离

Jaccard 系数

第 5 章 权重和优化程序

01 图论

图

无向图和有向图

图的矩阵表示法

树状图

02 图谱搜索和最优化

搜索树的构建场景

搜索树的遍历方法

搜索树在搜索时所需的列表

高效的搜索方法

路径成本

用于制定策略的方法

动态规划算法

03 遗传算法

遗传算法的结构

术语和流程

评价

淘汰（选择）

交叉

变异

遗传算法的应用示例

04 神经网络

Hebb 定律和形式神经元

神经网络

激活函数

感知器

玻尔兹曼机

反向传播算法

多层感知器

自组织

第 6 章 统计机器学习（概率分布和建模）

01 统计模型和概率分布

现象基于概率发生

机器学习

广义线性模型和基函数

主要的基函数

1. 正态分布

2. 伽马分布

3. 指数分布

4. 贝塔分布

5. 狄利克雷分布

6. 二项分布

7. 负二项分布

8. 泊松分布

9. 卡方分布

10. 超几何分布

11. 洛伦兹分布

12. Logistic 分布

13. 韦布尔分布

损失函数和梯度下降法

02 贝叶斯统计学和贝叶斯估计

贝叶斯定理

例 1：检查的阳性预测值

例 2：目击出租车的颜色

最大似然估计和 EM 算法

贝叶斯估计

贝叶斯估计

后验中位数估计

MAP 估计

贝叶斯判别分析

R 语言中的线性判别和二次判别分析

03 MCMC 方法

圆周率的近似值计算问题

蒙特卡罗方法

层次贝叶斯模型

04 HMM 和贝叶斯网络

隐马尔可夫模型

贝叶斯网络

第 7 章 统计机器学习（无监督学习和有监督学习）

01 无监督学习

有监督学习和无监督学习

聚类和 K-means 算法

主成分分析

奇异值分解

独立成分分析

自组织特征映射

02 有监督学习

支持向量机

贝叶斯过滤器·朴素贝叶斯分类器

ID3 算法（构建决策树）

用 ID3 算法构建决策树

随机森林

合理性检验

判别模型的评估和 ROC 曲线

ROC 曲线的评估方法

hold - out 检验和交叉检验

第 8 章 强化学习和分布式人工智能

01 集成学习

集成学习

Bagging

与随机森林的差异

Boosting

AdaBoost

02 强化学习

强化学习理论

随机系统

策略和强化学习

回报和价值函数

累积折扣回报

状态价值函数

动作价值函数

贝尔曼方程

Q 学习

贪心算法

随机化算法

ε-贪心算法

玻尔兹曼选择算法

03 迁移学习

域和域自适应

半监督学习与迁移学习的区别

多任务学习

元学习

04 分布式人工智能

智能体

黑板模型

第 9 章 深度学习

01 多层神经网络

多层感知器

激活函数和梯度消失问题

随机梯度下降法

训练误差和测试误差

正则化和 Dropout

网络学习的改进

数据归一化

数据增强

使用多种神经网络

学习率的确定方法

02 受限玻尔兹曼机

玻尔兹曼机和受限玻尔兹曼机

预训练

03 深度神经网络

有监督学习和无监督学习

深度信念网络

自编码器

稀疏编码

04 卷积神经网络

卷积操作

卷积神经网络的结构

05 循环神经网络

循环神经网络的结构

长短期记忆网络

第 10 章 图像和语音的模式识别

01 模式识别

模式识别

02 特征提取方法

基于传统数学分析的特征提取

傅里叶变换

小波变换

基于矩阵分解的特征提取

03 图像识别

计算机视觉

基于图像处理的图像识别方法

基于深度学习的识别方法

基于特征提取的图像变换

04 语音识别

声音的信息表达

语音识别的方法

语音识别系统

语音合成

第 11 章 自然语言处理和机器学习

01 句子的结构和理解

自然语言处理

分词和词素分析

02 知识获取和统计语义学

知识获取

03 结构分析

句法分析

谓词性结构分析

短语结构分析

深度学习

04 文本生成

汉字转换

机器翻译

文本自动摘要

图像自动标注和句子创作

注意力机制

利用长短期记忆网络生成音乐，利用循环神经网络生成电影剧本

微软小冰和对话即平台

第 12 章 知识表示和数据结构

01 数据库

数据库及其类型

文件系统

关系型数据库

SQL

NoSQL

XML

KVS

面向文档的数据库

HDF 5

图形数据库

02 检索

文本检索的方法

数据库检索

B 树和 B+ 树

全文检索

倒排索引

小波矩阵

BWT

03 语义网络和语义网

语义网络

本体

链接数据

RDF

SPARQL

第 13 章 分布式计算

01 分布式计算和并行计算

分布式计算和并行计算

02 硬件配置

网格计算

GPGPU

众核处理器

FPGA

03 软件配置

多进程

多线程

Apache Hadoop（MapReduce）

HDFS

MapReduce

YARN

Hadoop 的使用方法

Apache Spark

RDD

分区

04 机器学习平台和深度学习平台

主要的机器学习平台

Google Cloud Platform

Microsoft Azure Machine Learning

Amazon Machine Learning

Bluemix / IBM 沃森

主要的深度学习平台

Caffe

Theano

Chainer

TensorFlow

MXNet

Keras

编程语言

第 14 章 人工智能与海量数据和物联网

01 数据膨胀

存储分配

对象存储

文件存储

对象存储

文件存储和对象存储

关注个人信息

个人信息保护法

匿名处理信息

02 物联网和分布式人工智能

物联网带来的测量数据规模膨胀

物联网和机器人

03 脑功能分析和机器人

探索脑功能

小脑模型

04 创新系统

通过自主学习来理解概念：元认知

元认知

日本国内的人工智能活动

作者简介

看完了