前言
第1章 走進人工智能
1.1 人工智能發(fā)展史
1.1.1 人工智能起源
1.1.2 人工智能發(fā)展之路
1.2 什么是人工智能？
1.3 人工智能典型應用場景
1.4 人工智能研究領域
本章小結
本章習題
第2章 人工智能數(shù)值計算
2.1 線性代數(shù)
2.1.1 概念和符號
2.1.2 矩陣基本運算
2.1.3 矩陣計算例子
2.1.4 矩陣的轉置
2.2 概率統(tǒng)計
2.2.1 隨機試驗（E）
2.2.2 頻率與概率
2.2.3 貝葉斯定理
2.3 NumPy軟件包
2.3.1 NumPy的優(yōu)勢
2.3.2 NumPy安裝
2.4 NumPy函數(shù)
2.4.1 NumPy中的數(shù)組對象
2.4.2 常用算術函數(shù)
2.4.3 常用數(shù)學統(tǒng)計函數(shù)
2.4.4 反應數(shù)據(jù)波動函數(shù)
本章小結
本章習題
第3章 知識表示
3.1 知識及知識表示
3.1.1 知識及知識表示
3.1.2 知識元素
3.1.3 知識分類
3.2 知識表示
3.2.1 一階謂詞邏輯法
3.2.2 產(chǎn)生式表示法
3.2.3 框架表示法
3.2.4 語義網(wǎng)絡
本章小結
本章習題
第4章 機器學習初探
4.1 機器學習
4.1.1 什么是學習？
4.1.2 機器學習研究
4.1.3 機器學習流程
4.2 機器學習類型
4.3 機器學習算法
4.4 機器學習模型
4.5 機器學習應用領域
本章小結
本章習題
第5章 神經(jīng)網(wǎng)絡
5.1 神經(jīng)網(wǎng)絡的發(fā)展歷程
5.2 神經(jīng)網(wǎng)絡的基本原理
5.2.1 神經(jīng)元
5.2.2 激活函數(shù)
5.2.3 損失函數(shù)
5.2.4 梯度下降
5.2.5 參數(shù)調(diào)整
5.3 手寫數(shù)字識別
本章小結
本章習題
第6章 人工智能視覺技術
6.1 圖像處理技術
6.1.1 圖像的基本原理
6.1.2 圖像增強技術
6.1.3 圖像降噪方法
6.1.4 圖像對齊
6.2 圖像識別技術
6.2.1 模板匹配法
6.2.2 特征提取法
6.2.3 神經(jīng)網(wǎng)絡識別
6.3 深度學習
6.3.1 深度學習簡介
6.3.2 深度學習模型
6.3.3 深度學習應用
6.4 CNN貓狗識別
本章小結
本章習題
第7章 人工智能語音工程
7.1 語音處理技術
7.1.1 語音處理技術
7.1.2 語音信號數(shù)字化處理
7.1.3 語音特征提取
7.2 語音識別技術
7.2.1 模板訓練法
7.2.2 神經(jīng)網(wǎng)絡法
7.3 RNN技術在語音識別中的應用
7.3.1 RNN結構
7.3.2 LSTM結構
7.3.3 網(wǎng)絡訓練
本章小結
本章習題
參考文獻
附錄 Python常用機器學習模塊