目录
第一部分绪论
第1章绪论
1．1人工智能简介
1．1．1人工智能的发展历史
1．1．2人工智能的流派
1．2机器学习发展及应用
1．2．1机器学习发展历史
1．2．2机器学习流派
1．2．3机器学习应用
1．3机器学习基本概念
1．3．1基本术语
1．3．2归纳学习
1．3．3归纳偏好
1．3．4学习三要素
1．3．5学习效果评估
1．4机器学习类型
1．4．1经典学习
1．4．2自监督学习
1．4．3集成学习
1．4．4强化学习
1．5常用理论与定理
1．5．1PAC学习理论
1.5.2VC理论
1．5．3没有免费午餐定理
1．5．4奥卡姆剃刀原理
1．5．5丑小鸭定理
1．5．6收益递减规律
1．6小结与延伸阅读
习题
参考文献
第二部分数 据 表 示
第2章基础数据类型
2．1结构化数据
2．1．1结构化数据概念
2．1．2结构化数据特点
2．1．3结构化数据表示
2．2非结构化数据
2．2．1非结构化数据概念
2．2．2非结构化数据特点
2．2．3非结构化数据表示
2．3基础数据结构
2．3．1向量
2．3．2矩阵
2．3．3张量
2．4小结与延伸阅读
习题
第3章文本数据
3．1文本数据基本特点
3．1．1特征稀疏性
3．1．2语义复杂性
3．2文本数据预处理
3．2．1文本清洗
3．2．2分词
3．2．3文本标注
3．2．4词形还原与词干提取
3．3文本数据表示
3．3．1离散表示法
3．3．2分布表示法
3．4小结与延伸阅读
习题
参考文献
第4章图像数据
4．1图像数据基本特点
4．1．1局部相关性
4．1．2尺度可变性
4．1．3光照可变性
4．2图像数据预处理
4．2．1图像清洗和噪声去除
4．2．2色彩空间转换
4．2．3对比度增强
4．2．4直方图均衡化
4．3图像数据表示
4．3．1离散表示法
4．3．2分布表示法
4．4小结与延伸阅读
习题
参考文献
第5章音频数据
5．1音频数据基本特点
5．1．1连续性
5．1．2时序性
5．2音频数据预处理
5．2．1音频清洗
5．2．2采样频率和位宽转换
5．2．3分帧处理
5．2．4时频分析
5．3音频数据表示
5．3．1离散表示法
5．3．2分布表示法
5．4小结与延伸阅读
习题
参考文献
第6章视频数据
6．1视频数据基本特点
6．1．1时空特性
6．1．2多模态性
6．2视频数据的预处理
6．2．1视频清洗
6．2．2视频解码与数据解析
6．2．3去抖动与画质增强
6．3视频数据表示
6．3．1离散表示法
6．3．2分布表示法
6．4小结与延伸阅读
习题
参考文献
第7章数据表示总结与挑战
7．1数据挑战
7．1．1数据质量
7．1．2数据偏差
7．1．3数据安全
7．2小结与展望
7．2．1小结
7．2．2展望
习题
第三部分学 习 模 型
第8章线性模型
8．1线性回归
8．1．1概念介绍
8．1．2方法介绍
8．2Logistic回归
8．2．1概念介绍
8．2．2方法介绍
8．3线性判别分析
8．3．1概念介绍
8．3．2方法介绍
8．4应用案例
8．5小结与延伸阅读
习题
参考文献
第9章贝叶斯决策
9．1贝叶斯决策理论
9．2朴素贝叶斯分类器
9．2．1基本方法
9．2．2模型学习
9．3贝叶斯网络
9．3．1贝叶斯网络结构
9．3．2模型学习
9．3．3后验推断
9．4应用案例
9．5小结与延伸阅读
习题
参考文献
第10章聚类分析
10．1聚类基本概念
10．1．1距离度量
10．1．2度量指标
10．2原型聚类
10．2．1K均值
10．2．2高斯混合模型
10.2.3Kmodes
10．3密度聚类
10．4层次聚类
10.5谱聚类
10.5.1构图
10.5.2切图
10.5.3谱聚类的概率解释
10.5.4谱聚类算法
10．6应用案例
10．7小结与延伸阅读
习题
参考文献
第11章生成模型
11．1生成模型概述
11．1．1密度估计
11．1．2数据生成
11．1．3特征学习
11．2变分自编码器
11．2．1基本概念
11．2．2方法介绍
11．2．3变分自编码器的变种
11．3扩散模型
11．3．1基本概念
11．3．2方法介绍
11．3．3扩散模型的变种
11．4应用案例
11．5小结与延伸阅读
习题
参考文献
第12章对比学习
12．1对比学习基本概念
12．1．1正负样本构建策略
12．1．2数据增广方法
12．2对比学习损失
12．2．1三元组损失
12．2．2N元组损失
12．2．3噪声对比估计
12．3对比学习架构
12．3．1对称架构
12．3．2非对称架构
12．4掩码机制
12．4．1掩码自编码器
12．4．2掩码扩散模型
12．5应用案例
12．6小结与延伸阅读
习题
参考文献
第13章集成学习
13．1集成学习思想
13．2Boosting集成学习
13．2．1基本思路
13．2．2AdaBoost算法
13．2．3训练误差分析
13．2．4提升树
13．3Bagging集成学习
13．3．1自助采样法
13．3．2Bagging算法
13．4决策树与随机森林
13．4．1决策树原理
13．4．2决策树构建与剪枝
13．4．3随机森林
13．5神经网络Dropout
13．5．1Dropout基本原理
13．5．2Dropout的集成解释
13．6应用案例
13．7小结与延伸阅读
习题
参考文献
第14章强化学习
14．1强化学习思想
14．2基于值函数的强化学习
14．2．1动态规划算法
14．2．2蒙特卡罗方法
14．2．3时序差分学习方法
14．2．4深度Q网络
14．3基于策略函数的强化学习
14．3．1REINFORCE算法
14．3．2带基准线的REINFORCE算法
14．4演员评论员算法
14．4．1演员评论员算法基础
14．4．2算法变种(A2C和A3C)
14．5应用案例
14．6小结与延伸阅读
习题
参考文献
第15章学习模型总结与挑战
15．1学习挑战
15．1．1模型复杂性
15．1．2模型泛化性
15．1．3学习稳定性
15．2小结与展望
15．2．1小结
15．2．2展望
习题
参考文献
第四部分算 法 平 台
第16章算法平台概述
16．1算法平台发展简介
16．2算法平台体系结构
16．3传统算法平台挑战
16．4现代算法平台功能
16．5小结与延伸阅读
习题
参考文献
第17章算法开发与优化
17．1算法开发与调试
17．1．1算法开发硬件准备
17．1．2算法开发软件环境
17．1．3算法调试工具
17．2模型训练与优化
17．2．1特征提取
17．2．2目标优化
17．2．3模型训练
17．2．4分布式训练
17．3模型性能评估
17．3．1模型验证
17．3．2准确性评估
17．3．3安全性评估
17．3．4可解释性评估
17．4小结与延伸阅读
习题
参考文献
第18章算法部署与扩展
18．1算法部署与服务化
18．1．1网络服务部署
18．1．2跨应用集成部署
18．1．3云服务部署
18．1．4边缘设备部署
18．2算法测试
18．2．1测试属性
18．2．2测试组件
18．2．3测试工作流程
18．3算法迭代优化
18．3．1性能监控
18．3．2模型管理
18．3．3A/B测试
18．3．4模型持续集成交付
18．4小结与延伸阅读
习题
参考文献
第19章算法平台总结与挑战
19．1平台挑战
19．1．1平台的高效性
19．1．2平台的可靠性
19．2小结与展望
19．2．1小结
19．2．2展望
参考文献
