人工智能基础及应用

第1章人工智能简介

1.1人工智能定义

1.2人工智能发展历史与三大学派

1.2.1人工智能发展历史

1.2.2三大学派

1.3国内外发展现状、挑战与未来趋势

1.3.1国内外发展现状

1.3.2面临的问题

1.3.3未来发展趋势

习题

参考文献

第2章数学基础

2.1矩阵及其运算

2.1.1向量

2.1.2矩阵

2.1.3矩阵运算

2.1.4范数

2.2导数与微分

2.2.1导数

2.2.2微分

2.2.3偏导数

2.3泰勒展开式

2.4梯度及其运算

2.4.1梯度

2.4.2梯度下降

2.5概率论相关知识

2.5.1概率

2.5.2条件概率

2.5.3随机变量的分布函数

2.5.4数学期望

习题

参考文献

第3章机器学习的起点： 线性回归

3.1线性回归模型建立

3.1.1机器学习角度

3.1.2统计学角度

3.2线性回归原理

习题

参考文献

第4章支持向量机

4.1线性可分支持向量机

4.1.1线性可分支持向量机的定义

4.1.2函数间隔与几何间隔

4.1.3间隔*化

4.1.4线性可分支持向量机学习的对偶算法

4.2线性支持向量机

4.2.1线性支持向量机的定义

4.2.2线性支持向量机学习的对偶算法

4.2.3支持向量

4.2.4合页损失函数

4.3非线性支持向量机

4.3.1核技巧

4.3.2常见的核函数

4.3.3非线性支持向量机

习题

参考文献

第5章神经网络及基本结构

5.1神经元介绍

5.2感知机

5.3神经网络的基本结构

5.4反向传播

5.5梯度下降算法

习题

参考文献

第6章卷积神经网络

6.1卷积神经网络发展历史

6.2卷积神经网络结构

6.2.1卷积层

6.2.2池化层

6.2.3softmax分类函数

6.3卷积神经网络常用的损失函数

6.4卷积神经网络常用的训练算法

6.4.1随机梯度下降算法

6.4.2RMSProp优化算法

6.4.3Adam优化算法

习题

参考文献

第7章循环神经网络

7.1循环神经网络原理

7.1.1RNN的基本结构

7.1.2RNN的前向传播

7.1.3RNN的反向传播

7.1.4双向RNN

7.1.5基于编码解码的序列到序列架构

7.2长期依赖问题及优化

7.3基于门结构的RNN

7.3.1门结构

7.3.2LSTM

7.3.3GRU

7.4注意力机制

7.4.1NLP中注意力机制的起源

7.4.2注意力机制的标准形式

7.4.3注意力机制的变形

习题

参考文献

第8章分类与聚类

8.1基于判别函数的分类方法

8.1.1广义判别函数法

8.1.2分段线性判别函数法

8.2基于已知样本类别的分类方法

8.2.1参数估计法

8.2.2非参数估计

8.3基于未知样本类别的聚类方法

8.3.1基于距离阈值的聚类算法

8.3.2层次聚类法

8.3.3动态聚类算法

习题

参考文献

第9章应用实例

9.1MATLAB基础

9.1.1常量

9.1.2变量

9.1.3数组

9.1.4矩阵

9.1.5函数

9.1.6循环语句

9.1.7条件语句

9.2几个典型案例

9.2.1房价预测

9.2.2支持向量机的二分类应用

9.2.3豆瓣读书评价分析

9.2.4手写数字识别

9.2.5基于循环神经网络的情感分类

9.2.6国民健康状况研究

参考文献

参考答案