青少年機器學習圖解：零基礎入門到實戰

小高知宏，日本福井大學工學研究科教授。其主要著作有日本歐姆社出版的《從基礎開始學會TCP／IP Java網絡程序設計第2版》《初學Al程序設計——用C語言制作人工智能和人工無能》《初學機器學習》《基於AI的大規模數據處理入門》等。

譯者序
前言
寫在前面：前往機器學習之國吧
第1章 入口：到底什麼是機器學習
1.1 機器學習是什麼
1.2 AI能做什麼
1.3 生物和計算機各有其學習方法
1.4 計算機的學習方法
1.5 機器學習能做些什麼
1.5.1 語音識別
1.5.2 圖像識別
專欄：強AI和弱AI
App的獨白
第2章 遊客咨詢中心：機器學習的種類和原理
2.1 機器學習分好幾種
2.2 讓老師來告訴你正確答案——監督學習
2.2.1 教師數據和標簽
2.2.2 監督學習的原理
2.3 全靠自己學習——無監督學習
2.4 從試錯中汲取經驗——強化學習
專欄：機器學習種種
2.5 使用學到的知識——泛化、任務和算法
2.6 小心不要學過頭了——過擬合
App的獨白
專欄：奧卡姆剃刀和沒有免費午餐定理
第3章 分類小鎮：k近鄰算法、SVM和決策樹
3.1 按照分布方式進行分類——k近鄰算法
3.2 一刀兩斷爽快分類——SVM
3.3 用○和×來分類——決策樹
3.4 如何構建決策樹
3.5 由大量決策樹組成的森林——隨機森林
App的獨白
專欄：醜小鴨定理
第4章 優化小鎮：進化計算和群體智能
4.1 什麼是優化
4.2 通過模仿生物來優化信息——進化計算
4.2.1 生物進化的原理
4.2.2 什麼是進化計算
4.2.3 進化計算的代表選手——遺傳算法
4.2.4 遺傳算法的原理
4.2.5 更加覆雜的操作——遺傳編程
4.3 從生物群體的行為中汲取經驗——群體智能
4.3.1 像螞蟻一樣找到捷徑——蟻群優化算法
4.3.2 通過大數尋找答案——粒子群優化算法
4.3.3 像魚一樣尋找食物——AFSA
App的獨白
第5章 試錯小鎮：強化學習
5.1 什麼是強化學習
5.2 隨機重覆試驗——蒙特卡洛法
5.3 如何更高效地進行試驗——Q學習
5.4 利用Q學習走出迷宮
App的獨白
第6章 神經網絡小鎮1：神經網絡
6.1 神經元和神經網絡
6.2 對神經元的模仿——人工神經元
6.3 對神經網絡的模仿——人工神經網絡
6.4 神經網絡是如何學習的
6.5 視覺仿真——感知機
6.6 高速學習——反向傳播
6.7 神經網絡的種類1——階層型
6.8 神經網絡的種類2——全連接型和循環型
6.8.1 找出“東西”——識別
6.8.2 操作“東西”——控制
6.8.3 思考“東西”——判斷
6.9 總會有“結果”輸出，這樣好嗎
App的獨白
第7章 神經網絡小鎮2：深度學習
7.1 什麼是深度學習
7.2 模擬人類視覺的神經網絡
7.3 這是狗還是貓——CNN的圖像識別
7.4 CNN是如何實現高性能的
7.5 分析隨時間變化的數據——RNN和LSTM
7.6 制作與真品一模一樣的仿品——GAN
7.7 使用深度學習實現自動翻譯
7.8 從經驗中學習的深度學習——深度強化學習
第8章 出口：開始機器學習吧
8.1 機器學習使用的語言——Python
8.2 用於機器學習的軟件1——TensorFlow和Keras
8.3 用於機器學習的軟件2——Caffe、PyTorch和PaddlePaddle
App的獨白
寫在最後：學習AI的參考文獻