第1章 人工智能概述
1.1 智能与人工智能
1.2 计算机的诞生
1.3 达特茅斯会议
1.4 三大学派
1.5 机器学习与深度学习
1.6 人工智能的应用
习题1
第2章 数学基础
2.1 线性代数
2.1.1 矢量的概念
2.1.2 矢量的基本运算
2.1.3 矢量的坐标表示法
2.1.4 矢量的方向角
2.1.5 矢量的点积
2.1.6 矩阵的概念
2.1.7 矩阵的基本运算
2.1.8 矢量的矩阵表示法
2.1.9 矩阵的初等变换
2.1.10 线性相关性
2.1.11 逆矩阵
2.1.12 本征值与本征矢量
2.1.13 张量
2.2 微积分
2.2.1 导数与偏导数
2.2.2 超曲面与超平面
2.2.3 方向导数与梯度
2.2.4 函数图像中的特殊点
2.2.5 凸集与凸函数
2.2.6 矩阵函数
2.3 概率与统计
2.3.1 条件概率公式
2.3.2 全概率公式
2.3.3 贝叶斯公式
2.3.4 期望值与方差
2.3.5 熵
2.3.6 最大似然估计
习题2
第3章 机器学习
3.1 机器学习的基本概念
3.2 机器学习方法分类
3.3 机器学习的三要素
3.4 机器学习的整体流程
3.5 常见的机器学习算法
3.5.1 线性回归
3.5.2 逻辑回归
3.5.3 K-NN
3.5.4 K-Means
3.5.5 SVM
3.5.6 PCA
3.5.7 朴素贝叶斯
3.5.8 决策树
3.5.9 随机森林
3.5.10 集成学习
3.6 机器学习的性能评估
习题3
第4章 深度学习
4.1 生物神经网络
4.1.1 大脑与神经元
4.1.2 神经元之间的连接
4.1.3 神经信息处理过程
4.1.4 记忆与学习
4.1.5 人脑与电脑
4.2 麦卡洛克皮兹模型与感知器
4.2.1 麦卡洛克皮兹模型
4.2.2 模式识别初探
4.2.3 感知器
4.2.4 多线性可分问题
4.2.5 XOR问题
4.3 多层感知器
4.3.1 并行排列和串行连接
4.3.2 多层感知器的基本结构
4.3.3 多层感知器的设计与运作
4.3.4 前向计算与后向计算
4.3.5 梯度下降法
4.3.6 BP算法
4.3.7 批量训练方式
4.3.8 初始位置与伪极小值点
4.3.9 学习率
4.3.10 欠拟合与过拟合
4.3.11 规模与容量
4.3.12 欠训练与过度训练
4.3.13 结构变化
4.4 卷积神经网络
4.4.1 卷积运算与相关运算
4.4.2 卷积特征映射图
4.4.3 池化特征映射图
4.4.4 激活特征映射图
4.4.5 CNN的一般结构
4.4.6 LeNet
4.4.7 Hubel-Wiesel实验
4.5 循环神经网络
4.5.1 时序性
4.5.2 单向RNN
4.5.3 双向RNN
4.5.4 BPTT算法
4.5.5 梯度消失问题
4.5.6 LSTM
习题4
第5章 编程实验
5.1 实验环境安装
5.1.1 安装Python
5.1.2 安装MindSpore
5.1.3 安装Jupyter
5.1.4 安装工具库
5.2 线性回归
5.2.1 示例验证
5.2.2 房价预测
5.2.3 三维情况
5.3 逻辑回归
5.3.1 跳高问题
5.3.2 房屋出租
5.3.3 数据标准化
5.4 K-Means与GNB
5.4.1 K-Means
5.4.2 GNB
5.5 MindSpore基础
5.5.1 张量的属性
5.5.2 张量的生成
5.5.3 张量的运算和操作
5.5.4 数据集的加载和处理
5.5.5 网络的构建
5.5.6 损失函数
5.6 手写体数字识别
5.6.1 设计概要
5.6.2 数据准备
5.6.3 构建MLP
5.6.4 确定训练参数及相关选项
5.6.5 模型的编译
5.6.6 设置检查点
5.6.7 模型的训练
5.6.8 模型的评估
5.6.9 模型的加载
附录 习题答案
习题1答案
习题2答案
习题3答案
习题4答案
展开
