香港六合彩-澳门六合彩-时时彩_百家乐平台_全讯网财富 (中国)·官方网站

前輔文
第1章 緒論
  1.1 人工智能的起源
  1.2 可計算載體：形式化與機械化
  1.3 智能計算方法
  1.4 新一代人工智能
  1.5 本書知識點脈絡與教學內容安排
  1.6 小結
  延伸閱讀：當前是從過去拔萃出來的投影
  本章習題
第2章 知識表達與推理
  2.1 知識表示方法
  2.2 命題邏輯
  2.3 謂詞邏輯
  2.4 知識圖譜推理
   2.4.1 FOIL歸納推理
   2.4.2 路徑排序推理
   2.4.3 分布式表示下的知識推理
  2.5 概率推理
   2.5.1 貝葉斯網絡
   2.5.2 馬爾可夫邏輯網絡
  2.6 因果推理
   2.6.1 辛普森悖論
   2.6.2 因果干預與do算子
   2.6.3 因果效應差
   2.6.4 反事實推理
  2.7 小結
  延伸閱讀：推理即計算
  本章習題
第3章 搜索探尋與問題求解
  3.1 搜索基本概念
   3.1.1 搜索基本問題和求解
   3.1.2 搜索算法的評價指標
   3.1.3 搜索算法框架
  3.2 貪婪最佳優先搜索
  3.3 A*搜索
  3.4 最小最大搜索
  3.5 alpha-beta剪枝搜索
  3.6 蒙特卡洛樹搜索
   3.6.1 探索與利用機制的平衡
   3.6.2 上限置信區間算法
   3.6.3 蒙特卡洛樹搜索算法
  3.7 小結
  延伸閱讀：突破組合爆炸之難與陷入地平線問題之困
  本章習題
第4章 機器學習
  4.1 機器學習基本概念
  4.2 模型評估與參數估計
   4.2.1 經驗風險與期望風險
   4.2.2 模型性能度量方法
   4.2.3 參數優化：頻率學派與貝葉斯學派
  4.3 回歸分析
  4.4 決策樹
   4.4.1 決策樹分類案例
   4.4.2 構建決策樹
  4.5 k均值聚類
  4.6 監督學習：特征降維
  4.7 無監督學習：特征降維
   4.7.1 方差、協方差和相關系數
   4.7.2 主成分分析
   4.7.3 特征人臉法
  4.8 演化學習
  4.9 小結
  延伸閱讀：二戰中德軍每個月生產多少坦克？
  本章習題
第5章 神經網絡與深度學習
  5.1 人工神經網絡概述
  5.2 前饋神經網絡
   5.2.1 神經元
   5.2.2 感知機
   5.2.3 前饋神經網絡
  5.3 神經網絡參數優化
   5.3.1 損失函數
   5.3.2 梯度下降
   5.3.3 誤差反向傳播
   5.3.4 誤差反向傳播與參數更新示例
  5.4 卷積神經網絡
   5.4.1 卷積計算
   5.4.2 池化
  5.5 循環神經網絡
   5.5.1 循環神經網絡模型
   5.5.2 長短時記憶網絡
   5.5.3 門控循環單元
  5.6 注意力機制
  5.7 神經網絡正則化
  5.8 深度學習在自然語言和計算機視覺中的應用
   5.8.1 詞向量模型
   5.8.2 圖像分類與目標定位
  5.9 小結
  延伸閱讀：爬上樹梢與攀登月球
  本章習題
第6章 強化學習
  6.1 強化學習問題定義
   6.1.1 強化學習基本概念
   6.1.2 馬爾可夫決策過程
   6.1.3 強化學習問題定義
   6.1.4 貝爾曼方程
  6.2 基于價值的強化學習
   6.2.1 策略迭代基本模式
   6.2.2 策略優化定理
   6.2.3 策略評估方法
   6.2.4 基于價值的強化學習算法
   6.2.5 探索與利用
   6.2.6 參數化與深度強化學習
  6.3 基于策略的強化學習
   6.3.1 策略梯度定理
   6.3.2 基于蒙特卡洛采樣的策略梯度法
   6.3.3 Actor-Critic算法
  6.4 深度強化學習應用
   6.4.1 深度強化學習在圍棋游戲中的應用
   6.4.2 深度強化學習在實際應用中的問題
  6.5 小結
  延伸閱讀：最優化之策與試錯術之諫的姻緣結合
  本章習題
第7章 人工智能博弈
  7.1 博弈論的相關概念
   7.1.1 博弈論的誕生
   7.1.2 博弈論術語與囚徒困境
   7.1.3 博弈的分類
   7.1.4 納什均衡
   7.1.5 人工智能與博弈論
  7.2 博弈策略求解
   7.2.1 研究的問題
   7.2.2 虛擬遺憾最小化算法
   7.2.3 安全子博弈
  7.3 博弈規則設計
   7.3.1 研究的問題
   7.3.2 雙邊匹配算法
   7.3.3 單邊匹配算法
  7.4 非完全信息博弈的實際應用
  7.5 小結
  延伸閱讀：規避隨機性與命運——骰子占卜到算法博弈
  本章習題
第8章 人工智能倫理與安全
  8.1 人工智能倫理
   8.1.1 倫理概念起源
   8.1.2 科技的雙重屬性
  8.2 人工智能模型安全
   8.2.1 攻擊方法
   8.2.2 防御方法
   8.2.3 隱私保護
  8.3 人工智能可解釋性
  8.4 小結
  延伸閱讀：人有人的用處
  本章習題
第9章 人工智能架構與系統
  9.1 人工智能基礎軟硬件框架
   9.1.1 智能計算支撐框架
   9.1.2 智能計算結構與計算架構
  9.2 人工智能芯片
  9.3 人工智能系統
   9.3.1 人工智能編程框架
   9.3.2 分布式神經網絡訓練算法與系統
   9.3.3 分布式訓練系統網絡通信的異構硬件優化
   9.3.4 大規模機器學習系統部署
  9.4 小結
  延伸閱讀：咸與維新——計算機體系架構的黃金時代
  本章習題
第10章 人工智能應用
  10.1 語言基礎模型（大模型）
   10.1.1 語言基礎模型的發展歷程
   10.1.2 語言大模型的建模
   10.1.3 語言模型案例
  10.2 自然語言中的機器翻譯
  10.3 圖像分類與視覺對象定位
  10.4 語音識別與合成
   10.4.1 語音識別技術
   10.4.2 語音合成技術
  10.5 科學計算
  10.6 跨媒體智能
  10.7 機器人控制
  10.8 小結
  延伸閱讀：人工智能效應之奇怪悖論
附錄A 進階知識點
  附錄A.1 Ada Boosting算法
  附錄A.2 非負矩陣分解
  附錄A.3 主題建模
  附錄A.4 隱馬爾可夫模型
  附錄A.5 樸素貝葉斯概率圖模型
  附錄A.6 生成式對抗學習
  附錄A.7 圖神經網絡
  附錄A.8 多智能體博弈
  附錄A.9 人工智能體
附錄B 人工智能知識點演變
  附錄B.1 計算機課程體系
  附錄B.2 計算機課程體系中人工智能知識點
  附錄B.3 ACM和IEEE-CS制定的新版人工智能知識點
  附錄B.4 “101計劃”中人工智能課程知識點體系