目录

第1章绪论

1.1人工智能的概念、起源与发展

1.1.1人工智能的概念

1.1.2人工智能的起源

1.1.3人工智能的发展

1.2人工智能的主要学派

1.2.1符号主义学派

1.2.2连接主义学派

1.2.3行为主义学派

1.3主要应用领域

1.4机器学习算法与scikitlearn库

1.4.1机器学习

1.4.2scikitlearn库

1.5案例分析：  算法学习平台构建

1.5.1基于scikitlearn库的机器学习平台构建

1.5.2基于TensorFlow框架的深度学习平台构建

1.6阅读材料

1.7本章小结

习题

第2章搜索策略

2.1概述

2.2图搜索

2.2.1广度优先搜索

2.2.2深度优先搜索

2.3启发式搜索

2.4博弈

2.5案例分析：  八数码问题

2.5.1八数码问题

2.5.2八数码问题的Python语言示例

2.6阅读材料

2.7本章小结

习题

第3章线性回归及分类算法

3.1概述

3.2线性回归算法

3.2.1回归分析

3.2.2线性模型

3.3逻辑回归算法

3.3.1Logistic函数

3.3.2Logistic回归的损失函数

3.4基于距离的分类算法

3.4.1距离度量

3.4.2分类算法的理解

3.4.3KNN算法

3.4.4kd树

3.5基于概率论的朴素贝叶斯算法

3.5.1概率论知识

3.5.2朴素贝叶斯算法

3.6案例分析：  糖尿病预测问题

3.6.1糖尿病预测问题

3.6.2糖尿病预测问题的Python语言示例

3.7阅读材料

3.8本章小结

习题

第4章决策树 

4.1概述

4.2CLS算法

4.3ID3算法和C4.5算法

4.4决策树的修剪

4.5案例分析：  决策树

4.5.1scikitlearn中的决策树

4.5.2实例参考解决方案

4.6阅读材料

4.7本章小结

习题

第5章支持向量机

5.1概述

5.2硬间隔SVM与软间隔SVM

5.2.1硬间隔SVM

5.2.2软间隔SVM

5.3核函数与非线性SVM

5.3.1核函数的定义

5.3.2核函数的应用

5.3.3常用核函数

5.3.4非线性SVM算法

5.4多类分类SVM

5.4.1onevsall策略

5.4.2onevsone策略

5.5案例分析：  手写数字数据集

5.5.1手写数字数据集

5.5.2基于scikitlearn库实现的手写体数字识别实例

5.6阅读材料

5.7本章小结

习题

第6章聚类

6.1概述

6.2聚类基本思想和算法分类及分析

6.2.1聚类的基本思想

6.2.2聚类分析的分类

6.2.3聚类分析的步骤

6.3聚类算法中相似性度量

6.3.1距离度量

6.3.2相似性系数度量

6.4聚类算法

6.4.1划分聚类法中的k均值算法

6.4.2层次聚类法中的层次聚类

6.4.3基于密度的DBSCAN算法

6.5聚类评估

6.5.1估计聚类趋势

6.5.2确定数据集中的簇数

6.5.3测定聚类质量

6.6案例分析：  scikitlearn中的聚类算法实践

6.6.1距离计算的实现

6.6.2scikitlearn中的k均值算法

6.6.3scikitlearn中的DBSCAN算法

6.7阅读材料

6.8本章小结

习题

第7章反向传播神经网络

7.1概述

7.2反向传播神经网络模型

7.2.1神经网络拓扑结构

7.2.2神经网络的传递函数

7.3反向传播神经网络算法

7.4反向传播神经网络缺陷

7.5案例分析：  scikitlearn中反向传播神经网络应用

7.6阅读材料

7.7本章小结

习题

第8章卷积神经网络

8.1概述

8.2卷积神经网络模型

8.3典型的卷积神经网络模型

8.3.1LeNet5

8.3.2AlexNet

8.3.3VGG16

8.3.4ResNet

8.4卷积神经网络的常用框架

8.5案例分析：  基于TensorFlow的卷积神经网络应用

8.6阅读材料

8.7本章小结

习题

第9章生成对抗网络

9.1概述

9.2生成对抗网络的基本介绍

9.2.1生成对抗网络的基本概念

9.2.2目标函数

9.2.3常见的生成模型

9.2.4生成对抗网络常见的模型结构

9.3关于生成对抗网络隐空间的理解

9.4生成对抗网络的应用

9.4.1图像

9.4.2序列生成

9.4.3半监督学习

9.4.4域适应

9.4.5其他应用

9.5阅读材料

9.6本章小结

习题

第10章强化学习

10.1概述

10.2强化学习建模

10.2.1马尔可夫性

10.2.2马尔可夫决策过程

10.3值函数与最优值函数

10.3.1值函数

10.3.2最优值函数

10.4基于模型的强化学习方法

10.4.1策略评估

10.4.2策略改进

10.4.3策略迭代

10.4.4值迭代

10.5无模型的强化学习方法

10.5.1蒙特卡罗方法

10.5.2时间差分方法

10.6阅读材料

10.7本章小结

习题

第11章模糊计算

11.1概述

11.2模糊集合

11.2.1模糊集合的概念

11.2.2模糊集合的表示方法

11.2.3模糊集合的运算

11.3隶属度函数

11.3.1隶属度函数的确定

11.3.2常用的隶属度函数

11.4模糊矩阵和模糊关系

11.4.1模糊矩阵

11.4.2模糊关系

11.5模糊决策

11.5.1模糊变换

11.5.2模糊判决

11.5.3模糊蕴涵关系

11.5.4模糊推理

11.6案例分析：  一个简单的模糊控制器

11.7阅读材料

11.8本章小结

习题

第12章群体智能算法

12.1概述

12.1.1群智能算法的发展历程

12.1.2群体智能算法的主要代表算法

12.1.3群智能算法的特点

12.2遗传算法

12.2.1遗传算法的基本原理

12.2.2遗传算法实现步骤

12.2.3基于遗传算法的应用案例

12.3粒子群算法

12.3.1粒子群算法的基本原理

12.3.2粒子群算法实现步骤

12.3.3基于粒子群算法的应用案例

12.4蚁群算法

12.4.1蚁群算法的基本原理

12.4.2蚁群算法实现步骤

12.4.3基于蚁群算法的应用案例

12.5案例分析：  流水线调度问题

12.6阅读材料

12.7本章小结

习题

第13章人工智能的争论与展望

13.1人工智能的争论

13.1.1对人工智能理论与方法的争论

13.1.2对强弱人工智能的争论

13.2人工智能的展望

13.2.1黑盒与可解释人工智能

13.2.2机器学习与机器教学

13.2.3冯·诺依曼计算与神经形态计算

13.2.4数字与量子计算机

13.2.5电子与脑机接口设备

13.3本章小结

参考文献