第一章 人工智能概論 1
1．1 引言 2
1．1．1 人工智能是什么 2
1．1．2 人工智能的兩位奠基人 3
1．1．3 達特茅斯會議 9
1．1．4 人工智能發(fā)展的歷程 10
1．1．5 關鍵事件 13
1．2 身邊的人工智能 15
1．2．1 下棋高手 15
1．2．2 自動駕駛 18
1．2．3 機器翻譯 20
1．2．4 圖像識別 21
1．2．5 智能回答 24
1．2．6 目標檢測 26
1．3 人工智能的發(fā)展趨勢 29
第二章 Python語言基礎 31
2．1 Python概述 32
2．1．1 Python語言簡介 32
2．1．2 Python開發(fā)環(huán)境搭建 33
2．2 Python基礎語法及運算符 38
2．2．1 基礎語法 38
2．2．2 變量 40
2．2．3 運算符 40
2．3 控制結構 42
2．3．1 順序結構 42
2．3．2 分支結構 42
2．3．3 循環(huán)結構 43
2．4 數(shù)據(jù)結構 46
2．4．1 字符串 46
2．4．2 列表 48
2．4．3 元組 50
2．4．4 字典 50
2．5 函數(shù)的設計與調用 51
2．5．1 函數(shù)的定義與調用 51
2．5．2 常用函數(shù) 53
2．5．3 標準庫與擴展庫對象的導入和使用 55
第三章 智能計算方法 57
3．1 暴力搜索算法 58
3．1．1 暴力搜索算法的原理 58
3．1．2 暴力搜索算法的優(yōu)點和缺點 60
3．2 爬山算法 63
3．2．1 爬山算法的原理 64
3．2．2 爬山算法的優(yōu)點和缺點 64
3．3 模擬退火算法 68
3．3．1 模擬退火算法的原理 69
3．3．2 模擬退火算法的優(yōu)點和缺點 70
3．4 遺傳算法 75
3．4．1 遺傳算法的原理 75
3．4．2 遺傳算法的優(yōu)點和缺點 78
第四章 經(jīng)典機器學習 85
4．1 小明識數(shù) 86
4．2 機器識數(shù)：K最近鄰分類算法 88
4．2．1 K最近鄰分類算法的原理 88
4．2．2 KNN算法的基本步驟 89
4．2．3 k值對結果的影響 90
4．2．4 使用KNN算法預測樣本的步驟 92
4．3 支持向量機分類 100
4．3．1 多類分類問題轉化為二分類問題 100
4．3．2 支持向量機 103
4．4 機器學習的實用技巧 111
4．4．1 特征工程 111
4．4．2 數(shù)據(jù)標準化 118
4．4．3 超參數(shù)搜索 120
4．4．4 模型驗證 121
4．5 無監(jiān)督學習 124
4．5．1 聚類 124
4．5．2 降維 125
第五章 深度學習技術 137
5．1 人工神經(jīng)網(wǎng)絡 138
5．1．1 神經(jīng)元模型 139
5．1．2 前饋神經(jīng)網(wǎng)絡 139
5．2 卷積神經(jīng)網(wǎng)絡 146
5．2．1 卷積層 146
5．2．2 池化層 147
5．2．3 典型的卷積網(wǎng)絡結構 148
5．3 循環(huán)神經(jīng)網(wǎng)絡 153
5．3．1 循環(huán)神經(jīng)網(wǎng)絡的結構 154
5．3．2 基礎循環(huán)神經(jīng)網(wǎng)絡的局限 155
5．3．3 長短期記憶網(wǎng)絡 155
5．3．4 門控循環(huán)單元網(wǎng)絡 156
5．4 小結 162
參考文獻 163
使用說明 164