第 1 章　緒論

1.1　人工智能的基本概念 5

1.2　人工智能的發(fā)展歷史 9

1.3　人工智能的研究范式 13

1.4　人工智能的應(yīng)用領(lǐng)域 16

1.5　小結(jié) 19

第 2 章　基本分類

2.1　分類的概念 20

2.2　向量的基本運(yùn)算 24

2.3　分類器 26

2.4　分類識(shí)別技術(shù) .28

2.4.1　感知機(jī) 29

2.4.2　導(dǎo)數(shù)與微分 34

2.4.3　梯度下降法 36

2.4.4　SVM42

2.5　測(cè)試與分類實(shí)現(xiàn) 47

2.5.1　測(cè)試 47

2.5.2　分類實(shí)現(xiàn) 47

2.5.3　多分類識(shí)別 48

2.6　小結(jié) 51

第 3 章　回歸與聚類

3.1　基本概念 52

3.1.1　機(jī)器學(xué)習(xí)的類別 52

3.1.2　變量之間的關(guān)系 54

3.2　回歸 55

3.2.1　回歸的概念 55

3.2.2　線性回歸 57

3.2.3　邏輯回歸 66

3.3　聚類 71

3.3.1　聚類的概念 72

3.3.2　K 均值聚類算法 74

3.3.3　層次聚類算法 75

3.4　相似度計(jì)算 75

3.5　小結(jié) 80

第 4 章　神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

4.1　人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 81

4.2　神經(jīng)網(wǎng)絡(luò)的分類 85

4.2.1　生物神經(jīng)網(wǎng)絡(luò) 85

4.2.2　人工神經(jīng)網(wǎng)絡(luò) 86

4.3　淺層神經(jīng)網(wǎng)絡(luò) 88

4.3.1　多輸出感知機(jī) 88

4.3.2　多層神經(jīng)網(wǎng)絡(luò) 89

4.4　深度學(xué)習(xí) 97

4.4.1　深度學(xué)習(xí)模型 97

4.4.2　激活函數(shù) 99

4.4.3　深度學(xué)習(xí)的特點(diǎn)及發(fā)展 100

4.5　小結(jié) 101

第 5 章　圖像信息處理

5.1　人眼成像 102

5.2　圖像信息處理的基本概念 104

5.3　圖像采集及處理發(fā)展歷史 111

5.4　數(shù)字圖像處理 116

5.4.1　圖像的基本運(yùn)算 116

5.4.2　圖像增強(qiáng) 120

5.4.3　圖像分割 125

5.4.4　圖像壓縮 126

5.5　數(shù)字圖像分析 127

5.6　視頻分析 131

5.6.1　視頻的概念 131

5.6.2　運(yùn)動(dòng)檢測(cè) 133

5.6.3　目標(biāo)跟蹤 135

5.7　卷積神經(jīng)網(wǎng)絡(luò) CNN 136

5.7.1　卷積 138

5.7.2　卷積層 141

5.7.3　池化層 144

5.7.4　AlexNet 147

5.8　小結(jié) 150

第 6 章 自然語言處理

6.1　自然語言處理的發(fā)展歷史 152

6.2　自然語言處理典型應(yīng)用 155

6.3　自然語言處理基本技術(shù) 157

6.3.1　詞法分析 158

6.3.2　句法分析 162

6.3.3　語義分析 163

6.3.4　語用分析 164

6.4　自然語言特征提取 164

6.4.1　詞袋模型 BOW 165

6.4.2　N-Gram 模型 166

6.4.3　Word2Vec 模型 168

6.4.4　循環(huán)神經(jīng)網(wǎng)絡(luò) RNN 174

6.5　小結(jié) 176