人工智能算法分析

第1章緒論1  
1.1 人類的學與機器的學2  
1.1.1 人類的學2  
1.1.2 機器的學3  
1.2 機器學與機器智能6  
1.2.1 機器學的概念6  
1.2.2 機器學如何實現機器智能7  
1.3 機器學的發展歷程7  
1.4 機器學的類型9  
1.5 機器學的主要方法10  
1.6 機器學的主要算法13  
1.6.1 傳統機器學算法14  
1.6.2 新型機器學算法15  
1.7 機器學的典型應用與發展趨勢17  
1.7.1 機器學的典型應用17  
1.7.2 機器學的發展趨勢18  
1.8 如何閱讀本書19 
總結20 
題20  
第2章機器學分類算法23  
2.1 回歸算法24  
2.1.1 基本形式24  
2.1.2 線性回歸24  
2.1.3 邏輯回歸26  
2.1.4 線性回歸案例分析27  
2.1.5 邏輯回歸案例分析33  
2.2 決策樹算法37  
2.2.1 樹形決策過程37  
2.2.2 訓練算法38  
2.2.3 案例分析43  
2.3 支持向量機47  
2.3.1 線性分類器47 
2.3.2 支持向量機原理48  
2.3.3 案例分析51  
2.4 kNN算法53  
2.4.1 基本概念54  
2.4.2 預測算法54  
2.4.3 距離定義55  
2.4.4 案例分析57  
2.5 貝葉斯算法59  
2.5.1 貝葉斯決策59  
2.5.2 樸素貝葉斯分類器60  
2.5.3 正態貝葉斯分類器62  
2.5.4 案例分析64 
總結67 
題67 
第3章機器學聚類及集成與隨機森林算法69  
3.1 k-means算法70  
3.1.1 相似性的度量70  
3.1.2 k-means算法原理71  
3.1.3 k-means算法的改進73  
3.1.4 Mean Shift算法74  
3.1.5 案例分析76  
3.2 AdaBoost算法79  
3.2.1 AdaBoost算法介紹79  
3.2.2 AdaBoost算法分類83  
3.2.3 案例分析84  
3.3 馬爾可夫算法88  
3.3.1 馬爾可夫算法介紹88  
3.3.2 隱馬爾可夫算法介紹91  
3.3.3 案例分析93  
3.4 隨機森林算法96 
3.4.1 集成學97  
3.4.2 隨機森林概述98  
3.4.3 訓練算法98  
3.4.4 變量的重要性99  
3.4.5 案例分析100 
總結102 
題103 
第4章深度學105  
4.1 深度學及其研究現狀106  
4.1.1 深度學概念106  
4.1.2 深度學研究現狀106  
4.2 人工經網絡107  
4.2.1 全連接經網絡107  
4.2.2 反向傳播算法111  
4.2.3 案例分析115  
4.3 生成對抗網絡119  
4.3.1 生成對抗網絡結構119  
4.3.2 模型的訓練120  
4.3.3 GAN的改進模型124  
4.3.4 案例分析131  
4.4 循環經網絡135  
4.4.1 循環經網絡概述135  
4.4.2 循環經網絡結構136  
4.4.3 循環經網絡訓練138  
4.4.4 挑戰與改進措施139  
4.4.5 案例分析141 
總結144 
題144 
第5章強化學146  
5.1 強化學及其研究現狀147  
5.1.1 馬爾可夫模型147  
5.1.2 策略148 
5.1.3 強化學研究現狀150  
5.2 Q-學算法150  
5.2.1 Q-學算法的基本原理151  
5.2.2 Q-學算法的結構151  
5.2.3 採用經網絡實現Q-學算法153  
5.2.4 Q-學算法的改進154  
5.2.5 Q-學算法的應用案例156  
5.3 蒙卡洛算法160  
5.3.1 簡單介紹160  
5.3.2 經驗軌跡161  
5.3.3 蒙卡洛算法的數學原理164  
5.3.4 蒙卡洛算法的點165  
5.3.5 蒙卡洛預測165  
5.3.6 蒙卡洛預測算法的實現166  
5.4 動態規划算法169  
5.4.1 策略評估170  
5.4.2 策略改進171  
5.4.3 策略迭代172  
5.4.4 值迭代173  
5.4.5 案例分析174 
總結176 
題177 
第6章遷移學179  
6.1 遷移學及其研究現狀179  
6.1.1 遷移學概念179  
6.1.2 遷移學研究現狀180  
6.2 TrAdaBoost算法181  
6.2.1 背景181  
6.2.2 算法介紹181  
6.2.3 算法改進184 
6.2.4 案例分析186  
6.3 層次貝葉斯算法190  
6.3.1 背景190  
6.3.2 算法介紹191  
6.3.3 案例分析194 
總結196 
題197 
第7章聯邦學199  
7.1 聯邦學及其研究現狀199  
7.1.1 聯邦學概念199  
7.1.2 聯邦學研究現狀201  
7.2 聯邦平均算法202  
7.2.1 聯邦化203  
7.2.2 算法原理205  
7.2.3 的聯邦平均算法207  
7.2.4 聯邦平均算法的改進207  
7.2.5 案例分析209  
7.3 縱向聯邦學算法215  
7.3.1 聯邦線性回歸215  
7.3.2 聯邦提升樹217  
7.3.3 案例分析221 
總結224 
題224 
第8章因果學227  
8.1 因果學及其研究現狀228  
8.1.1 因果學概念228  
8.1.2 因果學研究現狀229  
8.2 結構因果模型229  
8.2.1 兩種類型的因果陳述229  
8.2.2 SCM的標準表示232  
8.2.3 SCM的改進型233  
8.2.4 案例分析236 
8.3 多變量結構識別算法239  
8.3.1 基於獨立的方法240  
8.3.2 基於分數的方法242  
8.3.3 多變量加性噪聲模型244  
8.3.4 案例分析246 
總結248 
題249 
第9章文本挖掘251  
9.1 文本挖掘概念與現狀251  
9.1.1 文本挖掘概念251  
9.1.2 文本挖掘現狀252  
9.2 Word2vec-詞嵌入252  
9.2.1 背景介紹253  
9.2.2 Word2vec-詞嵌入——基於經網絡學單詞表示256  
9.2.3 案例分析265  
9.3 遞歸經網絡270  
9.3.1 遞歸經網絡介紹270  
9.3.2 遞歸經網絡分類274  
9.3.3 案例分析276 
總結282 
題283  
第10章圖像處理285  
10.1 圖像處理概念與現狀285  
10.1.1 圖像處理概念285  
10.1.2 圖像處理現狀286  
10.2 條件圖像到圖像翻譯286  
10.2.1 條件圖像到圖像翻譯的概念286  
10.2.2 cd-GAN 287  
10.2.3 DosGAN 289  
10.2.4 案例分析291 
10.3 解糾纏圖像到圖像翻譯295  
10.3.1 解糾纏圖像到圖像翻譯的概念295  
10.3.2 InterfaceGAN 295  
10.3.3 SeFa 298  
10.3.4 案例分析300 
總結304 
題304  
第11章人工智能大模型307  
11.1 人工智能大模型概念與現狀307  
11.1.1 人工智能大模型概念307  
11.1.2 人工智能大模型現狀308  
11.2 Transformer 308  
11.2.1 背景308  
11.2.2 模型結構309  
12.2.3 為什麼使用自註意力312  
11.2.4 案例分析313  
11.3 GPT 317  
11.3.1 GPT-1 317  
11.3.2 GPT-2 320  
11.3.3 GPT-3 323  
11.3.4 案例分析326 
總結331 
題331