人工智能導論實踐教程

目錄

第1章  人工智能概述  1

1.1  人工智能的起源  2

1.1.1  人工智能的科學基礎與技術發展  2

1.1.2  人工智能的實踐應用與研究方向  3

1.1.3  機器學習與人工智能對話系統的誕生  4

1.1.4  人工智能的早期投資與期望  5

1.1.5  人工智能的預言與現實的碰撞  5

1.1.6  人工智能的寒冬與專家系統的興起  5

1.1.7  日本的第五代計算機項目與全球投資動向  5

1.1.8  人工智能的學術進展與文化影響  6

1.1.9  人工智能的商業挑戰與研究的再次受阻  6

1.1.10  人工智能的歷史轉折點與深藍的勝利  7

1.2  近現代人工智能的發展  7

1.2.1  深藍的勝利與人工智能的局限性  8

1.2.2  人工智能的理解與處理復雜性  8

1.2.3  人工智能的數學基礎與神經網絡發展  8

1.2.4  人工智能在視覺識別領域的進步  9

1.2.5  OpenAI的發展與人工智能的風險管理  9

1.3  人工智能的基本概念  10

1.3.1  人工智能的定義與範疇  10

1.3.2  人工智能的目標與應用  11

1.4  本章小結  11

1.5  本章習題  12

第2章  大數據與人工智能  14

2.1  大數據  14

2.1.1  什麼是大數據  14

2.1.2  大數據相關技術  15

2.1.3  大數據與人工智能的關系及其在實踐中的應用  18

2.2  大數據基礎  19

2.2.1  數據類型與來源  19

2.2.2  數據存儲與管理  20

2.2.3  數據預處理與清洗  22

2.3  本章小結  23

2.4  本章習題  24

第3章  機器學習  25

3.1  機器學習基礎  25

3.1.1  機器學習概述  25

3.1.2  機器學習的分類  26

3.1.3  機器學習的原理  27

3.2  數據預處理  29

3.2.1  機器學習中的數據清洗  30

3.2.2  特征選擇與特征工程  31

3.2.3  數歸一體化與標準化  31

3.2.4  數據集處理  32

3.3  監督學習算法  33

3.3.1  回歸算法  34

3.3.2  分類算法  36

3.4  非監督學習算法  37

3.4.1  聚類算法  38

3.4.2  降維算法  38

3.4.3  基於神經網絡的非監督學習  39

3.4.4  關聯規則學習  40

3.5  本章小結  46

3.6  本章習題  47

第4章  神經網絡  49

4.1  神經網絡簡介  50

4.2  深度學習  51

4.2.1  深度學習的發展  51

4.2.2  深度學習的基礎  53

4.2.3  深度學習的相關算法  60

4.2.4  深度學習的主流框架及應用  62

4.3  深度神經網絡的實際應用  63

4.3.1  神經網絡與深度學習  63

4.3.2  計算機視覺  64

4.3.3  自然語言處理  64

4.3.4  語音處理  65

4.3.5  推薦系統  65

4.3.6  醫療健康  65

4.3.7  金融科技  66

4.3.8  自動駕駛  66

4.3.9  遊戲與娛樂  66

4.3.10  工業自動化  67

4.3.11  智能家居  67

4.4  本章小結  69

4.5  本章習題  70

第5章  自然語言處理  71

5.1  自然語言處理基礎  72

5.1.1  自然語言處理概述  72

5.1.2  自然語言處理的應用領域  74

5.2  自然語言處理與相關技術  76

5.2.1  自然語言學基礎  76

5.2.2  文本預處理  77

5.2.3  語言模型  78

5.2.4  文本分類  79

5.2.5  語義分析與情感分析  80

5.2.6  文本生成和對話系統  81

5.3  自然語言處理實訓練習  82

5.3.1  語料預處理  83

5.3.2  正向最大匹配法和逆向最大匹配法  86

5.3.3  隱馬爾可夫模型和Viterbi算法  88

5.3.4  jieba分詞  90

5.4  本章小結  92

5.5  本章習題  92

第6章  計算機視覺  94

6.1  計算機視覺基礎  94

6.1.1　計算機視覺的概念  94

6.1.2　早期計算機視覺的發展與研究  95

6.1.3　計算機視覺的多學科融合  95

6.2  計算機視覺原理  96

6.2.1　OpenCV與機器學習之間的關系  96

6.2.2　計算機視覺處理流程  99

6.3  深度學習在計算機視覺中的應用  108

6.3.1　深度學習的基本原理  108

6.3.2　深度學習在圖像分類中的應用  108

6.3.3　深度學習在物體檢測中的應用  109

6.3.4　深度學習在圖像分割中的應用  109

6.3.5　深度學習在其他視覺任務中的應用  110

6.3.6　深度學習在計算機視覺中的挑戰和未來發展方向  110

6.4  本章小結  122

6.5  本章習題  122

第7章  人工智能導論實踐與應用  124

7.1  人工智能與Python  124

7.1.1　人工智能的發展  125

7.1.2　Python的起源與發展  125

7.2  如何搭建Python環境  126

7.2.1　Python 3.8.5簡介  126

7.2.2　Python 3.8.5安裝準備  126

7.2.3　安裝工具  127

7.2.4　環境配置  127

7.3  Python 3.8.5安裝實踐  135

7.3.1　Windows 系統安裝  135

7.3.2　Linux系統安裝  138

7.3.3　macOS系統安裝  140

7.4  Python 3.8.5安裝相關疑難解答  141

7.4.1　常見安裝問題  141

7.4.2　高級安裝問題  142

7.5  Python 3.8.5環境配置和使用  142

7.5.1　環境變量配置  143

7.5.2　Python命令行使用  143

7.6  虛擬環境管理  144

7.6.1　使用virtualenv創建虛擬環境  145

7.6.2　管理和激活虛擬環境  145

7.7  Python開發工具  146

7.7.1　TensorFlow  146

7.7.2　PyTorch  147

7.7.3　Keras  149

7.7.4　Scikit-learn  151

7.7.5　Pandas  153

7.7.6　NumPy  156

7.7.7　Scipy  158

7.7.8　NLTK  161

7.7.9　Gensim  163

7.7.10　Scikit-image  165

7.7.11　H2O  167

7.8  人工智能在實際領域的應用  169

7.8.1　醫療領域  169

7.8.2　金融領域  171

7.8.3　自動駕駛與輔助駕駛  173

7.8.4　智慧交通  175

7.8.5　智能制造與工業4.0  177

7.9  本章小結  179

7.10  本章習題  179

第8章  人工智能與社會學  181

8.1  人工智能與大模型的關系  182

8.1.1　人工智能與大模型的定義與基礎  182

8.1.2　大模型在人工智能中的角色  182

8.1.3　大模型的特點  183

8.1.4　大模型在人工智能中的挑戰  183

8.2  人工智能與人的區別  184

8.3  人工智能的道德倫理  185

8.4  人工智能與法律  187

8.5  本章小結  190

8.6  本章習題  190

參考文獻  191