人工智能（大學(xué)版）

第1部分 認(rèn)識(shí)數(shù)學(xué)
第1章 微積分基礎(chǔ)
1.1 導(dǎo)數(shù)
1.2 偏導(dǎo)數(shù)
第2章 線性代數(shù)
2.1 對(duì)線性代數(shù)的基本認(rèn)識(shí)
2.2 向量
2.2.1 數(shù)軸
2.2.2 向量的定義及其幾何意義
2.2.3 向量的運(yùn)算及其幾何意義
2.2.4 向量的內(nèi)積、長(zhǎng)度、夾角
2.3 向量組
2.3.1 向量組的線性相關(guān)性
2.3.2 向量組的秩(也就是矩陣的秩)
2.4 線性空間
2.4.1 線性空間的定義
2.4.2 線性空間的基、維數(shù)與坐標(biāo)
2.4.3 線性空間的幾何意義
2.4.4 正交向量組
2.4.5 規(guī)范正交基
2.4.6 線性變換
2.5 矩陣的基本運(yùn)算
2.5.1 矩陣的加法和減法
2.5.2 矩陣的數(shù)乘
2.5.3 矩陣的點(diǎn)乘
2.5.4 矩陣的轉(zhuǎn)置
2.5.5 矩陣的逆
第3章 概率論
3.1 什么是概率
3.2 概率的性質(zhì)
3.3 條件概率
3.4 全概率公式
3.5 貝葉斯公式
3.6 概率的計(jì)算
3.6.1 第一類方法：求頻率
3.6.2 第二類方法：古典概型的概率值的計(jì)算
3.6.3 第三類方法：利用概率的性質(zhì)以及條件概率、全概率公式、貝葉斯公式
3.6.4 第四類方法：其他方法
第4章 優(yōu)化理論
4.1 最小二乘法
4.2 梯度下降算法
4.3 拉格朗日乘數(shù)法
4.4 極大似然估計(jì)
4.4.1 似然和概率
4.4.2 極大似然估計(jì)，似然函數(shù)
4.4.3 極大似然估計(jì)量的計(jì)算
4.4.4 例子
第2部分 人工智能的編程基礎(chǔ)
第5章 Anaconda環(huán)境的安裝和Python開發(fā)環(huán)境
5.1 Anaconda環(huán)境的安裝
5.2 命令行開發(fā)環(huán)境的使用
5.3 圖形化開發(fā)環(huán)境spyder的使用
5.4 學(xué)習(xí)編程語(yǔ)言的基本路徑
第6章 關(guān)鍵字、標(biāo)識(shí)符、數(shù)據(jù)和變量
6.1 關(guān)鍵字
6.2 標(biāo)識(shí)符
6.3 數(shù)據(jù)和變量
11.2 字典的定義
11.3 字典的基本操作
第12章 模塊、包和模塊的導(dǎo)入
第13章 矩陣運(yùn)算——Numpy
第14章 數(shù)據(jù)的圖形化顯示——Matplotlib
第3部分 人工智能的基礎(chǔ)理論和經(jīng)典算法
第15章 人工智能技術(shù)概述
15.1 人工智能的基本概念
15.2 人工智能的發(fā)展歷程
15.2.1 人工智能的誕生
15.2.2 人工智能的第一次高峰
15.2.3 人工智能第一次低谷
15.2.4 人工智能的崛起
15.2.5 人工智能再次崛起
15.3 人工智能的應(yīng)用場(chǎng)景
15.3.1 人臉識(shí)別
15.3.2 語(yǔ)音技術(shù)
15.3.3 機(jī)器會(huì)思考嗎
15.3.4 審美和創(chuàng)造
15.3.5 思想的巨人，行動(dòng)的矮子
15.3.6 無人駕駛汽車
15.3.7 人工智能在各個(gè)行業(yè)的應(yīng)用
15.4 人工智能與機(jī)器學(xué)習(xí)的基本概念和方法
15.5 數(shù)據(jù)集的表示方法
15.6 數(shù)據(jù)的特征歸一化
15.7 回歸的概念和研究方法
15.8 分類問題和分類器
15.9 損失函數(shù)和梯度下降
第16章 線性回歸算法
16.1 線性回歸算法
16.2 非線性問題的求解，過擬合和正則化
16.2.1 非線性問題的求解
第4部分 人工智能的典型案例
第28章 計(jì)算機(jī)視覺
28.1 圍棋子的識(shí)別
28.2 幾何形狀的識(shí)別與測(cè)量
28.3 人臉檢測(cè)
第29章 語(yǔ)音識(shí)別
29.1 語(yǔ)音識(shí)別技術(shù)介紹
29.2 使用Speech Recognition進(jìn)行語(yǔ)音識(shí)別
第30章 自然語(yǔ)言處理
30.1 識(shí)別性別
30.2 文本情感分析
第31章 深度學(xué)習(xí)框架——TensorFlow
31.1 TensorFlow簡(jiǎn)介
31.2 TensorFlow的安裝
31.3 TensorFlow的基本概念
31.3.1 數(shù)據(jù)流圖
31.3.2 TensorFlow 2.0的架構(gòu)
31.3.3 TensorFlow-keras
31.4 用TensorFlow實(shí)現(xiàn)分類模型
第32章 卷積神經(jīng)網(wǎng)絡(luò)之圖像分類
第33章 循環(huán)神經(jīng)網(wǎng)絡(luò)之文本分類
參考文獻(xiàn)