人工智能算法从基础到实战电子书

题名页

版权页

目录

1.1 什么是人工智能

1.2 人工智能简史

1.3 人工智能应用

1.4 本章小结

2.1 线性代数基础

2.1.1 向量的定义

2.1.2 向量运算

2.1.3 矩阵的定义

2.1.4 矩阵基本运算

2.1.5 矩阵特征值与特征向量

2.2 概率统计基础

2.2.1 随机事件及其概率

2.2.2 条件概率

2.2.3 独立性

2.2.4 随机变量

2.2.5 边缘分布

2.2.6 大数定律

2.3 数据分析基础

2.3.1 假设检验

2.3.2 方差分析

2.3.3 相关分析

2.4 机器学习基础

2.4.1 机器学习分类

2.4.2 机器学习性能度量

2.4.3 模型过拟合与欠拟合

2.5 深度学习基础

2.5.1 深度学习发展过程

2.5.2 深度学习任务

2.6 本章小结

3.1 线性回归

3.1.1 一元线性回归

3.1.2 多元线性回归

3.1.3 回归诊断

3.2 正则化回归

3.2.1 Ridge回归

3.2.2 Lasso回归

3.2.3 弹性网回归

3.3 逻辑回归

3.4 时间序列回归

3.4.1 白噪声检验与平稳检验

3.4.2 自相关与偏自相关

3.4.3 ARMA模型

3.4.4 ARIMA模型

3.4.5 SARIMA模型

3.4.6 Prophet算法

3.5 本章小结

4.1 相似性度量

4.1.1 距离度量

4.1.2 分布度量

4.2 聚类分析

4.2.1 聚类的基本概念

4.2.2 k均值聚类

4.2.3 层次聚类

4.2.4 密度聚类

4.3 数据降维

4.3.1 主成分分析

4.3.2 局部线性嵌入（LLE）

4.3.3 t分布-随机邻近嵌入（t-SNE）

4.4 关联规则

4.4.1 关联规则基本概念

4.4.2 Apriori算法

4.4.3 FP-Growth算法

4.5 稀疏表示与字典学习

4.6 本章小结

5.1 决策树

5.1.1 决策树简介

5.1.2 节点特征选择

5.1.3 决策树算法

5.1.4 决策树剪枝

5.2 集成学习

5.2.1 集成学习模式与方法

5.2.2 随机森林算法

5.2.3 AdaBoost算法

5.2.4 梯度提升树算法

5.3 k近邻

5.4 判别分析

5.4.1 线性判别分析

5.4.2 二次判别分析

5.5 贝叶斯分类

5.5.1 贝叶斯定理

5.5.2 朴素贝叶斯分类器

5.6 支持向量机

5.6.1 支持向量与最大间隔

5.6.2 线性支持向量机建模

5.6.3 非线性支持向量机与核方法

5.7 本章小结

6.1 人工神经网络

6.1.1 感知机与全连接神经网络

6.1.2 梯度下降算法

6.2 卷积神经网络

6.2.1 卷积

6.2.2 池化

6.2.3 Dropout

6.2.4 LeNet-5网络

6.2.5 AlexNet网络

6.2.6 VGG网络

6.2.7 GoogLeNet网络

6.2.8 ResNet网络

6.2.9 DenseNet网络

6.2.10 MobileNet网络

6.3 循环神经网络

6.3.1 RNN

6.3.2 LSTM网络

6.3.3 GRU

6.4 自编码器模型

6.4.1 自编码器

6.4.2 变分自编码器

6.4.3 生成扩散模型（diffusion models）

6.5 自注意力机制与Transformer

6.5.1 自注意力

6.5.2 交叉注意力

6.5.3 Transformer

6.6 生成对抗网络

6.6.1 生成对抗网络基本工作原理

6.6.2 条件生成对抗网络（CGAN）

6.6.3 Wasserstein GAN(WGAN)

6.6.4 深度卷积生成对抗网络（DCGAN）

6.6.5 循环生成对抗网络（CycleGAN）

6.7 图神经网络

6.7.1 图卷积网络

6.7.2 图注意力网络

6.7.3 图自编码网络

6.7.4 时空图神经网络

6.8 强化学习

6.8.1 Q-Learning

6.8.2 深度Q网络（deep Q-networks）

6.8.3 Actor-Critic方法

6.9 本章小结

7.1 图像分类

7.1.1 ViT

7.1.2 Swin Tramsformer

7.1.3 CLIP模型

7.1.4 MaxViT

7.2 目标检测

7.2.1 R-CNN系列算法

7.2.2 YOLO系列算法

7.2.3 SSD系列算法

7.2.4 目标检测评价指标

7.3 语义分割

7.3.1 FCN语义分割网络

7.3.2 SegNet语义分割网络

7.3.3 U-Net语义分割网络

7.3.4 DeepLab系列语义分割网络

7.3.5 Segment Anything Model(SAM)

7.3.6 语义分割评价指标

7.4 图像风格迁移

7.4.1 固定风格固定内容的风格迁移

7.4.2 固定风格任意内容的快速风格迁移

7.4.3 图像迁移学习分类

7.5 图像去噪

7.5.1 基于卷积神经网络的去噪方法

7.5.2 基于生成对抗网络的去噪方法

7.5.3 图像去噪评价指标

7.6 本章小结

8.1 文本数据处理

8.1.1 字符串处理

8.1.2 中文分词

8.1.3 词频统计与可视化

8.2 文本特征表示

8.2.1 N-gram与TF-IDF矩阵

8.2.2 词嵌入

8.3 文本聚类

8.3.1 LDA主题模型

8.3.2 深度文本聚类算法

8.4 文本分类

8.4.1 FastText文本分类

8.4.2 TextCNN文本分类

8.4.3 TextRNN文本分类

8.4.4 TextRCNN文本分类

8.5 大模型

8.5.1 BERT

8.5.2 GPT

8.5.3 Meta LLaMA

8.5.4 GLM

8.5.5 大模型微调

8.6 多模态大模型

8.6.1 主流多模态大模型

8.6.2 多模态大模型架构

8.6.3 多模态大模型未来趋势

8.7 本章小结

9.1 数据预处理与探索

9.1.1 自变量数据可视化探索

9.1.2 因变量数据可视化探索

9.2 数据特征选择

9.3 线性回归模型

9.3.1 逐步线性回归预测

9.3.2 Lasso回归模型预测

9.4 集成学习回归模型

9.4.1 随机森林回归预测

9.4.2 提升树回归预测

9.5 支持向量机回归

9.6 本章小结

10.1 数据准备

10.2 主成分分析降维

10.2.1 特征主成分分析

10.2.2 样本主成分分析

10.3 t-SNE与LLE降维

10.3.1 t-SNE降维

10.3.2 LLE降维

10.4 k均值聚类

10.4.1 主成分特征k均值聚类

10.4.2 t-SNE特征k均值聚类

10.5 密度聚类

10.6 层次聚类

10.7 本章小结

11.1 数据准备与探索

11.2 Apriori算法关联规则分析

11.2.1 发现频繁项集

11.2.2 关联规则挖掘与分析

11.3 FP-Growth算法关联规则分析

11.3.1 发现频繁项集

11.3.2 关联规则发现与分析

11.4 本章小结

12.1 k近邻分类

12.2 基于决策树算法分类

12.2.1 决策树分类

12.2.2 随机森林分类

12.3 支持向量机分类

12.3.1 线性SVM

12.3.2 非线性SVM

12.4 全连接网络分类

12.5 逻辑回归分类

12.6 本章小结

13.1 CIFAR10图像数据准备与探索

13.2 LeNet-5实现CIFAR10图像分类

13.2.1 LeNet-5网络搭建

13.2.2 LeNet-5网络训练与测试

13.3 ResNet实现CIFAR10图像分类

13.3.1 ResNet网络搭建

13.3.2 ResNet-50网络训练与测试

13.4 ViT实现CIFAR10图像分类

13.4.1 ViT网络搭建

13.4.2 ViT网络训练与预测

13.5 预训练网络的CIFAR10图像分类

13.6 基于LoRA微调的CIFAR10图像分类

13.7 本章小结