人工智能算法入門

第1章 走進人工智能
1.1 認識人工智能 1
1.2 人工智能發展簡史 4
1.3 人工智能涉足的領域 15
1.4 人工智能算法是如何設計的? 32
1.5 本章小結 35
1.6 思考與練習題 35
第2章 基礎知識
2.1 模型評價──人工智能算法好壞的評判依據 36
2.2 模型選擇不當的後果與影響 47
2.3 數據可視化──直觀感受數據的分布 50
2.4 scikit-learn機器學習庫 56
2.5 本章小結 58
2.6 思考與練習題 58
第3章 最優化方法——尋找目標函數最優解
3.1 凸優化 59
3.2 最小二乘法──構建目標函數 65
3.3 梯度下降法──求解目標函數 70
3.4 牛頓法──矩陣求解 77
3.5 本章小結 83
3.6 思考與練習題 84
第4章 K 近鄰——近朱者赤,近墨者黑
4.1 KNN原理 85
4.2 KNN算法 87
4.3 KNN算法的優缺點 97
4.4 非參數估計——先確定區域,再確定近鄰樣本數量 97
4.5 KNN與非參數估計的比較 115
4.6 本章小結 116
4.7 思考與練習題 117
第5章 貝葉斯分類——一種基於推理的概率估計方法
5.1 貝葉斯學派與頻率學派的相愛相殺 118
5.2 重溫貝葉斯定理 123
5.3 貝葉斯方法在機器學習中的應用 134
5.4 設計貝葉斯分類器:識別鱸魚和三文魚 141
5.5 正態貝葉斯分類器 150
5.6 本章小結 153
5.7 思考與練習題 153
第6章 支持向量機——一種可用於高維數據的分類方法
6.1 線性分類器 154
6.2 線性SVM——完美的線性分類器 166
6.3 如何解決線性不可分問題——非線性SVM與核函數 175
6.4 超過兩類樣本的分類問題如何解決? 184
6.5 本章小結 189
6.6 思考與練習題 190
第7章 決策樹——一種模仿人類決策過程的方法
7.1 認識決策樹 191
7.2 熵與信息增益 193
7.3 如何構造決策樹 197
7.4 由決策樹告訴你是否相親 215
7.5 本章小結 225
7.6 思考與練習題 225
第8章 物以類聚
8.1 認識聚類 227
8.2 k均值聚類——依據距離的方法 231
8.3 基於密度的聚類——依據密度的方法 243
8.4 基於層次的聚類——自底而上的方法 249
8.5 高斯混合聚類——基於概率的方法 256
8.6 譜聚類——基於圖切分的方法 267
8.7 本章小結 279
8.8 思考與練習題 279
第9章 回歸分析
9.1 線性回歸——預測連續性數據 281
9.2 邏輯回歸 298
9.3 本章小結 310
9.4 思考與練習題 310
第10章 人工神經網絡與深度學習
1 0.1 聯結主義——從單層感知機到多層感知機 312
1 0.2 BP神經網絡——一種前饋神經網絡 317
1 0.3 初識深度學習 335
1 0.4 卷積神經網絡 341
1 0.5 循環神經網絡 360
1 0.6 本章小結 369
1 0.7 思考與練習題 369
第11章 自然語言處理技術
1 1.1 計算機是如何理解人類語言的 370
1 1.2 結構分析——計算機學習人類語言的過程 391
1 1.3 文本分類 394
1 1.4 本章小結 406
1 1.5 思考與練習題 407
參考文獻 409