第 1章 人工智能概述2
1.1 智能與人工智能4
1.2 計(jì)算機(jī)的誕生5
1.3 達(dá)特茅斯會(huì)議7
1.4 三大學(xué)派9
1.5 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)13
1.6 人工智能的應(yīng)用16
習(xí)題119
第 2章 數(shù)學(xué)基礎(chǔ)22
2.1 線性代數(shù)24
2.1.1 矢量的概念24
2.1.2 矢量的基本運(yùn)算25
2.1.3 矢量的坐標(biāo)表示法26
2.1.4 矢量的方向角27
2.1.5 矢量的點(diǎn)積28
2.1.6 矩陣的概念29
2.1.7 矩陣的基本運(yùn)算30
2.1.8 矢量的矩陣表示法33
2.1.9 矩陣的初等變換34
2.1.10 線性相關(guān)性37
2.1.11 逆矩陣40
2.1.12 本征值與本征矢量45
2.1.13 張量49
2.2 微積分54
2.2.1 導(dǎo)數(shù)與偏導(dǎo)數(shù)54
2.2.2 超曲面與超平面58
2.2.3 方向?qū)��?shù)與梯度61
2.2.4 函數(shù)圖像中的特殊點(diǎn)65
2.2.5 凸集與凸函數(shù)72
2.2.6 矩陣函數(shù)74
2.3 概率與統(tǒng)計(jì)81
2.3.1 條件概率公式81
2.3.2 全概率公式83
2.3.3 貝葉斯公式86
2.3.4 期望值與方差88
2.3.5 熵92
2.3.6 最大似然估計(jì)97
習(xí)題2103
第3章 機(jī)器學(xué)習(xí)110
3.1 機(jī)器學(xué)習(xí)的基本概念112
3.2 機(jī)器學(xué)習(xí)方法分類119
3.3 機(jī)器學(xué)習(xí)的三要素121
3.4 機(jī)器學(xué)習(xí)的整體流程126
3.5 常見(jiàn)的機(jī)器學(xué)習(xí)算法131
3.5.1 線性回歸131
3.5.2 邏輯回歸138
3.5.3 K-NN144
3.5.4 K-Means149
3.5.5 SVM152
3.5.6 PCA158
3.5.7 樸素貝葉斯168
3.5.8 決策樹(shù)174
3.5.9 隨機(jī)森林189
3.5.10 集成學(xué)習(xí)193
3.6 機(jī)器學(xué)習(xí)的性能評(píng)估198
習(xí)題3200
第4章 深度學(xué)習(xí)204
4.1 生物神經(jīng)網(wǎng)絡(luò)206
4.1.1 大腦與神經(jīng)元206
4.1.2 神經(jīng)元之間的連接207
4.1.3 神經(jīng)信息處理過(guò)程209
4.1.4 記憶與學(xué)習(xí)210
4.1.5 人腦與電腦211
4.2 麥卡洛克 皮茲模型與感知器213
4.2.1 麥卡洛克 皮茲模型213
4.2.2 模式識(shí)別初探217
4.2.3 感知器222
4.2.4 多線性可分問(wèn)題232
4.2.5 XOR問(wèn)題236
4.3 多層感知器238
4.3.1 并行排列和串行連接238
4.3.2 多層感知器的基本結(jié)構(gòu)243
4.3.3 多層感知器的設(shè)計(jì)與運(yùn)作247
4.3.4 前向計(jì)算與后向計(jì)算249
4.3.5 梯度下降法259
4.3.6 BP算法263
4.3.7 批量訓(xùn)練方式277
4.3.8 初始位置與偽極小值點(diǎn)283
4.3.9 學(xué)習(xí)率285
4.3.10 欠擬合與過(guò)擬合287
4.3.11 規(guī)模與容量290
4.3.12 欠訓(xùn)練與過(guò)度訓(xùn)練293
4.3.13 結(jié)構(gòu)變化295
4.4 卷積神經(jīng)網(wǎng)絡(luò)296
4.4.1 卷積運(yùn)算與相關(guān)運(yùn)算296
4.4.2 卷積特征映射圖297
4.4.3 池化特征映射圖304
4.4.4 激活特征映射圖313
4.4.5 CNN的一般結(jié)構(gòu)314
4.4.6 LeNet-5323
4.4.7 Hubel-Wiesel實(shí)驗(yàn)333
4.5 循環(huán)神經(jīng)網(wǎng)絡(luò)334
4.5.1 時(shí)序性334
4.5.2 單向RNN342
4.5.3 雙向RNN345
4.5.4 BPTT算法349
4.5.5 梯度消失問(wèn)題352
4.5.6 LSTM356
習(xí)題4364
第5章 編程實(shí)驗(yàn)366
5.1 實(shí)驗(yàn)環(huán)境安裝368
5.1.1 安裝Python368
5.1.2 安裝MindSpore372
5.1.3 安裝Jupyter372
5.1.4 安裝工具庫(kù)373
5.2 線性回歸375
5.2.1 示例驗(yàn)證375
5.2.2 房?jī)r(jià)預(yù)測(cè)377
5.2.3 三維情況380
5.3 邏輯回歸382
5.3.1 跳高問(wèn)題382
5.3.2 房屋出租384
5.3.3 數(shù)據(jù)標(biāo)準(zhǔn)化386
5.4 K-Means與GNB390
5.4.1 K-Means390
5.4.2 GNB393
5.5 MindSpore基礎(chǔ)394
5.5.1 張量的屬性394
5.5.2 張量的生成396
5.5.3 張量的運(yùn)算和操作400
5.5.4 數(shù)據(jù)集的加載和處理403
5.5.5 網(wǎng)絡(luò)的構(gòu)建408
5.5.6 損失函數(shù)424
5.6 手寫(xiě)體數(shù)字識(shí)別429
5.6.1 設(shè)計(jì)概要429
5.6.2 數(shù)據(jù)準(zhǔn)備430
5.6.3 構(gòu)建MLP433
5.6.4 確定訓(xùn)練參數(shù)及相關(guān)選項(xiàng)434
5.6.5 模型的編譯434
5.6.6 設(shè)置檢查點(diǎn)434
5.6.7 模型的訓(xùn)練435
5.6.8 模型的評(píng)估437
5.6.9 模型的加載437
附錄 習(xí)題答案440
習(xí)題1答案440
習(xí)題2答案441
習(xí)題3答案449
習(xí)題4答案449