人工智能

《人工智能》選取人工智能的9個核心方向，包括搜索、機器學習、線性迴歸、決策樹、集成學習、神經網絡、計算機視覺、自然語言處理與強化學習，系統梳理關鍵知識點，並詳細介紹基礎原理與重要算法，同時，加入了對前沿知識的介紹與對核心成果的分析和説明。同時，書中的每一章均配備作業題與編程練習，讓讀者們在練習當中加深對算法與原理的理解。本書內容的選取建立在對大學人工智能教育知識體系的完整梳理之上；章節中對原理與具體的算法均進行了詳盡的介紹。 ^[1] 

第0章緒論

第1章數學基礎

1.1導數

1.1.1導數的定義

1.1.2高階導數與偏導數

1.1.3導數與函數極值

1.2概率論基礎

1.2.1事件與概率

1.2.2隨機變量與概率分佈

1.2.3期望、方差與協方差

1.3矩陣基礎

習題

第2章搜索

引言

2.1搜索問題的定義

2.2搜索算法基礎

2.3盲目搜索

2.3.1圖搜索

2.3.2深度優先搜索

2.3.3寬度優先搜索

2.3.4複雜度分析及算法改進

2.4啓發式搜索

2.4.1貪婪搜索

2.4.2A*搜索算法

2.4.3A*搜索算法的最優性

2.4.4啓發函數的設計

2.4.5雙向搜索

2.5局部搜索

2.5.1爬山法

2.5.2模擬退火

2.5.3遺傳算法

2.6對抗搜索

2.6.1極小極大搜索

2.6.2AlphaBeta剪枝搜索

2.6.3蒙特卡羅樹搜索

本章總結

歷史回顧

習題

第3章機器學習

引言

3.1監督學習的概念

3.2數據集與損失函數

3.3泛化

3.4過擬合與欠擬合

3.5創建數據集

3.6無監督學習與半監督學習

3.6.1K平均算法

3.6.2譜聚類算法

本章總結

歷史回顧

習題

參考文獻 ^[1] 

第4章線性迴歸

引言

4.1線性迴歸

4.2優化方法

4.3二分類問題

4.4多分類問題

4.5嶺迴歸

4.6套索迴歸

4.7支持向量機算法

本章總結

習題

第5章決策樹模型

引言

5.1決策樹的例子

5.2決策樹的定義

5.3決策樹的訓練算法

5.3.1葉子預測值的計算

5.3.2分割條件的選取

5.3.3決策樹結構的選擇

5.3.4防止過擬合

5.3.5偽代碼

5.3.6缺失值處理

5.3.7離散型特徵處理方法與特徵工程

本章總結

歷史回顧

習題

參考文獻

第6章集成學習

引言

6.1集成學習

6.1.1一個理想化模型

6.1.2引導聚集方法

6.1.3提升算法

6.2隨機森林

6.2.1隨機森林的算法描述

6.2.2關於隨機性的探討

6.3梯度提升

6.3.1梯度提升的概念

6.3.2梯度提升樹

6.3.3GBDT中的防過擬合方法

6.3.4GBDT的高效開源實現

本章總結

歷史回顧

習題

參考文獻

第7章神經網絡初步

引言

7.1深度線性網絡

7.2非線性神經網絡

7.3反向傳播計算導數

7.4優化器

7.5權值初始化

7.5.1Xavier初始化

7.5.2Kaiming初始化

7.6權值衰減

7.7權值共享與卷積

7.8循環神經網絡

本章總結

歷史回顧

習題

第8章計算機視覺

引言

8.1什麼是計算機視覺

8.2圖像的形成

8.2.1小孔相機模型

8.2.2數字圖像

8.3線性濾波器

8.4邊緣檢測

8.5立體視覺

8.6卷積神經網絡

8.7物體檢測

8.8語義分割

本章總結

歷史回顧

習題

參考文獻

第9章自然語言處理

引言

9.1語言模型

9.1.1為什麼需要語言模型？什麼是語言模型？

9.1.2ngram模型

9.1.3最大似然估計

9.1.4困惑度

9.1.5實用技巧

9.1.6語言模型的應用

9.1.7字模型與詞模型

9.1.8中文與英文的差別

9.2向量語義

9.2.1語義

9.2.2詞向量

9.2.3Word2vec

9.2.4可視化示例

9.3基於神經網絡的語言模型處理

9.3.1基於神經網絡的bigram模型

9.3.2訓練神經網絡

9.3.3基於神經網絡的ngram模型

9.3.4基於LSTM的語言模型

9.4基於神經網絡的機器翻譯

9.4.1Seq2Seq模型

9.4.2生成最佳的輸出語句： Beam Search

9.4.3基於注意力機制的Seq2Seq模型

9.4.4Transformer模型

9.5語言模型預訓練

9.5.1GPT： generative pretrained Transformer

9.5.2BERT: bidirectional encoder representations from

Transformers

9.5.3判別式與生成式建模方式的討論

本章總結

歷史回顧

習題

第10章馬爾可夫決策過程與強化學習

引言

10.1馬爾可夫鏈

10.1.1例子

10.1.2馬爾可夫鏈定義

10.1.3馬爾可夫鏈穩態分佈

10.2馬爾可夫決策過程

10.2.1路線規劃

10.2.2馬爾可夫決策過程的定義

10.3馬爾可夫決策過程的求解算法及分析

10.3.1馬爾可夫決策過程算法

10.3.2算法收斂性分析

10.4強化學習

10.4.1QLearning

10.4.2深度強化學習

本章總結

歷史回顧

參考文獻

習題

附錄A數學基礎

A.1導數

A.2概率

A.3矩陣 ^[2] 

姚期智，中國科學院院士，2000年獲得計算機科學領域最高獎圖靈獎。現任清華大學交叉信息研究院院長、教授，清華學堂計算機科學實驗班（姚班）首席教授，主要研究方向為算法、密碼學、量子計算、人工智能。 ^[3]