HCIA-AI學習指南

華為技術有限公司，成立於 1987 年，總部位於廣東省深圳市龍崗區。華為是全球領先的資訊與通信技術（ICT）解決方案供應商，專註於 ICT 領域，堅持穩健經營、持續創新、開放合作，在電信運營商、企業、終端及雲計算等領域構建了端到端的解決方案優勢，為運營商客戶、企業客戶及消費者提供具有競爭力的 ICT 解決方案、產品與服務，並致力於實現未來資訊社會，構建更美好的全聯接世界。

第 1章 人工智能概述 2

1.1 智能與人工智能 4

1.2 電腦的誕生 5

1.3 達特茅斯會議 7

1.4 三大學派 9

1.5 機器學習與深度學習 13

1.6 人工智能的應用 16

習題1 19

第 2章 數學基礎 22

2.1 線性代數 24

2.1.1 矢量的概念 24

2.1.2 矢量的基本運算 25

2.1.3 矢量的坐標表示法 26

2.1.4 矢量的方向角 27

2.1.5 矢量的點積 28

2.1.6 矩陣的概念 29

2.1.7 矩陣的基本運算 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 線性相關性 37

2.1.11 逆矩陣 40

2.1.12 本徵值與本徵矢量 45

2.1.13 張量 49

2.2 微積分 54

2.2.1 導數與偏導數 54

2.2.2 超曲面與超平面 58

2.2.3 方向導數與梯度 61

2.2.4 函數圖像中的特殊點 65

2.2.5 凸集與凸函數 72

2.2.6 矩陣函數 74

2.3 概率與統計 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 97

習題2 103

第3章 機器學習 110

3.1 機器學習的基本概念 112

3.2 機器學習方法分類 119

3.3 機器學習的三要素 121

3.4 機器學習的整體流程 126

3.5 常見的機器學習算法 131

3.5.1 線性回歸 131

3.5.2 邏輯回歸 138

3.5.3 K-NN 144

3.5.4 K-Means 149

3.5.5 SVM 152

3.5.6 PCA 158

3.5.7 樸素貝葉斯 168

3.5.8 決策樹 174

3.5.9 隨機森林 189

3.5.10 集成學習 193

3.6 機器學習的性能評估 198

習題3 200

第4章 深度學習 204

4.1 生物神經網絡 206

4.1.1 大腦與神經元 206

4.1.2 神經元之間的連接 207

4.1.3 神經信息處理過程 209

4.1.4 記憶與學習 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 模式識別初探 217

4.2.3 感知器 222

4.2.4 多線性可分問題 232

4.2.5 XOR問題 236

4.3 多層感知器 238

4.3.1 並行排列和串行連接 238

4.3.2 多層感知器的基本結構 243

4.3.3 多層感知器的設計與運作 247

4.3.4 前向計算與後向計算 249

4.3.5 梯度下降法 259

4.3.6 BP算法 263

4.3.7 批量訓練方式 277

4.3.8 初始位置與偽極小值點 283

4.3.9 學習率 285

4.3.10 欠擬合與過擬合 287

4.3.11 規模與容量 290

4.3.12 欠訓練與過度訓練 293

4.3.13 結構變化 295

4.4 捲積神經網絡 296

4.4.1 捲積運算與相關運算 296

4.4.2 捲積特徵映射圖 297

4.4.3 池化特徵映射圖 304

4.4.4 激活特徵映射圖 313

4.4.5 CNN的一般結構 314

4.4.6 LeNet-5 323

4.4.7 Hubel-Wiesel實驗 333

4.5 循環神經網絡 334

4.5.1 時序性 334

4.5.2 單向RNN 342

4.5.3 雙向RNN 345

4.5.4 BPTT算法 349

4.5.5 梯度消失問題 352

4.5.6 LSTM 356

習題4 364

第5章 編程實驗 366

5.1 實驗環境安裝 368

5.1.1 安裝Python 368

5.1.2 安裝MindSpore 372

5.1.3 安裝Jupyter 372

5.1.4 安裝工具庫 373

5.2 線性回歸 375

5.2.1 示例驗證 375

5.2.2 房價預測 377

5.2.3 三維情況 380

5.3 邏輯回歸 382

5.3.1 跳高問題 382

5.3.2 房屋出租 384

5.3.3 數據標準化 386

5.4 K-Means與GNB 390

5.4.1 K-Means 390

5.4.2 GNB 393

5.5 MindSpore基礎 394

5.5.1 張量的屬性 394

5.5.2 張量的生成 396

5.5.3 張量的運算和操作 400

5.5.4 數據集的加載和處理 403

5.5.5 網絡的構建 408

5.5.6 損失函數 424

5.6 手寫體數字識別 429

5.6.1 設計概要 429

5.6.2 數據準備 430

5.6.3 構建MLP 433

5.6.4 確定訓練參數及相關選項 434

5.6.5 模型的編譯 434

5.6.6 設置檢查點 434

5.6.7 模型的訓練 435

5.6.8 模型的評估 437

5.6.9 模型的加載 437

附錄 習題答案 440

習題1答案 440

習題2答案 441

習題3答案 449

習題4答案 449