人工智慧從小白到大神

《人工智慧從小白到大神》是2021年中國水利水電出版社出版的圖書。

基本介紹

• 中文名：人工智慧從小白到大神
• 出版時間：2021年1月1日
• 出版社：中國水利水電出版社
• ISBN：9787517088776

內容簡介

《人工智慧 從小白到大神（案例 視頻）》主要從人工智慧的發展之路說起，結合豐富的套用與實戰實例，詳細闡述了 Python 入門、人工智慧數學基礎、手工打造神經網路、TensorFlow 與 PyTorch、卷積神經網路、目標分類、目標檢測、圖像語義分割、循環神經網路、自然語言處理、生成對抗網路、強化學習等行業前沿知識。

《人工智慧 從小白到大神（案例 視頻）》以實踐為導向，著重介紹人工智慧套用，突破原有對人工智慧的晦澀講解方式，通過微課視頻、章節習題以及實驗代碼，幫助讀者簡單、快速地獲取專業知識， 自主動手解決實際問題。

《人工智慧 從小白到大神（案例·視頻）》適合高校相關專業的教學套用以及對人工智慧感興趣的讀者從人工智慧“小白”到“大神”的進階學習。

圖書目錄

第1章峰迴路轉的A之路

1.1人工智慧是什麼

1.2AI的三起兩落

1.2.1第一次起落(1956-1966年，

1967-1975年)

1.2.2第二次起落

1.2.3第三次興起

1.3力挽狂瀾的辛頓

1.4震驚世界的AlphaGo

1.5百花齊放的A時代

1.6習題

第2章Python入門

2.1基礎知識

2.1.1標識符

2.1.2關鍵字

2.1.3注釋

2.1.4行與縮進

2.1.5多行語句

2.1.6數據類型

2.2列表、元組和字典

2.2.1序列

2.2.2列表

2.2.3元組

2.2.4字典

2.3條件和循環

2.3.1條件語句

2.3.2循環語句

2.4函式與模組

2.4.1函式

2.4.2常Python模組

2.5Python據分析

2.5.1NumPy基礎

2.5.2Matplotlib

2.5.3其他庫簡介

2.6習題

第3章人工智慧數學基礎

3.1線性代數

3.1.1向量和向量空間

3.1.2矩陣

3.1.3矩陣運算

3.1.4矩陣類型

3.2微積分

3.2.1函式

3.2.2函式的性質

3.2.3反函式

3.2.4複合函式

3.2.5導數

3.3機率論與數理統計

3.3.I樣本空間與隨機事件

3.3.2頻率與機率

3.3.3等可能概型（古典機率）

3.3.4條件機率

3.3.5離散隨機變數及其分布

3.4習題

第4章手工打造神經網路

4.1神經元

4.2人工神經網路的結構

4.2.1多層前饋神經網路

4.2.2反向傳播算法

4.3梯度消失與梯度爆炸

4.3.I背景

4.3.2梯度消失

4.3.3梯度爆炸

4.3.4解決方法

4.4損失函式

4.4.I二元交叉熵

4.4.2交叉熵

4.4.3損失函式總結

4.5激活函式

4.5.1Sigmoid函式

4.5.2雙曲正切函式

4.5.3線性整流函式

4.6實戰：手工搭建神經網路

4.6.!定義Neural Network()類

4.6.2處理數據集

4.7習題

第5章TensorFlow與PyTorch

5.1TensorFlow的

5.1.1 TensorFlow

5.1.2TensorFlow

5.1.3TensorFlow的基本法

5.2PyTorch的使

5.2.1PyTorch

5.2.2PyTorch的基法

5.3其他深度學習框架

5.3.1 Keras

5.3.2Caffe

5.3.3MXNet

5.3.4Sonnet

5.3.5Deeplearning4j

5.4習題

第6章卷積神經網路

6.1卷積神經網路概述

6.1.1起源與發展

6.1.2套用概況

6.2卷積神經網路結構

6.2.1總體結構

6.2.2卷積層

6.2.3池化層

6.3訓練卷積神經網路

6.3.1數據增強

6.3.2歸一化

6.3.3模型調優

6.4實戰：手寫數字識別分類

6.4.1試驗環境

6.4.2數據集準備

6.4.3程式代碼

6.5習題

第7章目標分類

7.1目標分類概述

7.1.1目標分類的概念

7.1.2目標分類的種類

7.1.3模型健壯性判斷

7.1.4常用的數據集

7.2常用模型

7.2.1前期方法

7.2.2後期方法

7.3實戰：CIFAR數據集分類和貓狗分類.

7.3.I基於TensorFlow的VGGNet-16

分類實現

7.3.2基於PyTorch的ResNet貓狗識別.

7.4習題

8.1目標檢測概述

8.2區域卷積神經網路

8.2.1 R-CNN

8.2.2Fast R-CNN

8.2.3Faster R-CNN

8.2.4Mask R-CNN

8.3YOLO卷積神經

8.3.1YOLO

8.3.2YOLOV2/YOL09000

8.3.3YOLOv3

8.3.4Darknet

8.4單發多框檢測(SSD)

8.4.I定義模型

8.4.2訓練模型

8.5實戰：基於YOLOv3的目標檢測

8.6習題

第9章圖像語義分割

9.1圖像語義分割概述

9.2分割方法

9.2.I傳統方法

9.2.2深度學習圖像分割方法

9.3實戰：自然圖像分割模型FCN

9.4實戰：醫學圖像分割模型U-Net

9.5習題

第10章循環神經網路

10.1循環神經網路概述

10.2理論基礎

10.3長短期記憶網路

10.3.1長短期記憶網路簡介

10.3.2循環神經網路的變種

10.4實戰：股票預測

10.4.1 TensorFlow 2.0cell

10.4.2通過cell類構建RNN

10.4.3股票預測

10.5習題

第11章自然語言處理

11.1自然語言處理概述

11.1.I機器翻譯

11.1.2信息檢索

11.1.3自動文摘

11.1.4問答系統

11.1.5信息過濾

11.1.6信息抽取

11.1.7文本分類

11.1.8語音識別

11.2常用技術

11.2.1分詞

11.2.2停用詞過濾

11.2.3詞幹提取

11.2.4詞形還原

11.2.5命名實體識別

11.2.6序列標註

11.2.7詞向量與詞嵌入

11.3實戰：動手寫Word2Vec

11.3.IWord2Vec簡介

1132Word2Wec模型

11.4實戰：基於LSTM的評論情感分析

11.4.1數據預處理

11.4.2模型搭建

11.4.3訓練

11.4.4測試結果

11.5習題

第12章生成對抗網路

12.1生成對抗網路概述

12.2GAN結構的變體

12.2.IDCGAN

12.2.2WGAN

12.2.3LSGAN

12.2.4SRGAN

12.2.5 AEGAN

12.2.6 CGAN

12.3GAN套用

12.3.1圖像領域套用

12.3.2非圖像領域套用

12.3.3醫療（異常檢測）領域套用.

12.4實戰：用DCGAN生成圖像

12.5習題

第13章強化學習

13.1強化學習問題

13.1.1強化學習的特點

13.1.2強化學習的組成部分

13.2馬爾可夫決策過程和動態規劃

13.2.1馬爾可夫決策過程

13.2.2動態規劃

13.3基於值函式的學習方法

13.3.1蒙特卡洛算法

13.3.2時序差分算法

13.4基於策略函式的學習算法

13.5Actor-Critic算法

13.6習題

附錄A雲創人工智慧工程師認證

附錄BAIRack人工智慧實驗平台介紹

參考文獻