人工智慧極簡入門

《人工智慧極簡入門》是2021年清華大學出版社出版的圖書。

基本介紹

• 中文名：人工智慧極簡入門
• 作者：張玉宏
• 類別：教材
• 出版社：清華大學出版社
• 出版時間：2021年4月
• 開本：16 開
• 裝幀：平裝-膠訂
• ISBN：9787302569701

內容簡介

本書較為系統地介紹了人工智慧的發展歷史、經典算法和前沿技術，並對算法背後的思維方式進行了哲學思辨。內容既包括經典算法（如k近鄰、貝葉斯、決策樹和神經網路等），又涵蓋前沿技術（如深度學習、自然語言處理等）。本書所有算法均配備對應的實戰項目（包括Excel版本和/或Python版本），以幫助讀者在實踐中理解原理。 本書適合高等學校理工科或人文學科的“人工智慧”通識課教學使用，也適合作為對人工智慧有入門需求的研究生、工程師和研究人員的學習資料。

圖書目錄

第1章光輝歲月： 人工智慧的那些人和事1

1.1追問智慧型的本質1

1.2複雜機器與智慧型3

1.3遠古人工智慧發展簡史4

1.3.1遠古神器與機器4

1.3.2複雜機器與智慧型6

1.3.3計算自動化的發展脈絡10

1.3.4機器與類人機器15

1.3.5思維邏輯化的演變19

1.4現代人工智慧的誕生28

1.4.1簡潔優雅的圖靈測試28

1.4.2群星閃耀的達特茅斯會議32

1.5人工智慧的三個流派35

1.5.1符號主義35

1.5.2聯結主義38

1.5.3行為主義40

1.6人工智慧的定義42

1.7人工智慧的研究領域43

1.7.1認知建模43

1.7.2知識表示43

1.7.3機器感知44

1.7.4自動推理44

1.7.5機器學習45

1.7.6問題求解與博弈45

1.7.7自然語言處理46

1.7.8深度神經網路47

1.7.9智慧型信息檢索47

1.8本章小結48

1.9思考與練習49

參考文獻50

第2章機器學習： 各司其職的四大門派51

2.1人工智慧的兩種研究範式51

2.2從學習到機器學習53

2.2.1什麼是學習53

2.2.2學習有何用54

2.2.3什麼是機器學習56

2.2.4機器學習的本質57

2.2.5傳統編程與機器學習的差別58

2.2.6為什麼機器學習不容易59

2.3監督學習61

2.3.1感性認知監督學習61

2.3.2監督學習的工作流程62

2.3.3分類與回歸的區分63

2.3.4監督學習中的損失函式64

2.4無監督學習66

2.4.1感性認知無監督學習66

2.4.2無監督學習的代表——K均值聚類67

2.5半監督學習71

2.6強化學習73

2.6.1感性認識強化學習73

2.6.2強化學習的形式描述75

2.7LeCun的蛋糕理論76

2.8從哲學視角審視機器學習78

2.8.1預測的本質78

2.8.2歸納法的不完備性80

2.8.3大衛·休謨問題： 事實歸納不出價值83

2.9本章小結84

2.10思考與練習85

參考文獻86

第3章k近鄰算法：近朱者赤、近墨者黑87

3.1“君君臣臣”傳達的分類思想87

3.2k近鄰算法的核心思想88

3.3k近鄰算法的數學基礎90

3.3.1特徵向量與矩陣90

3.3.2特徵向量的歸一化96

3.4k近鄰算法的三個要素98

3.4.1k值的選取98

3.4.2鄰居距離的度量99

3.4.3分類決策的制訂100

3.4.4蘇格拉底之死與k近鄰之弊101

3.4.5瑞·達里奧的“話份”102

3.5用Excel完成k近鄰算法實戰103

3.5.1分類任務與數據準備103

3.5.2可視化圖展現104

3.5.3計算相似性105

3.5.4判定類別108

3.6機器學習利器——scikitlearn112

3.7k近鄰回歸115

3.7.1k近鄰回歸的核心思想115

3.7.2利用k近鄰回歸預測體重115

3.8本章小結117

3.9思考與練習117

參考文獻118

第4章貝葉斯： 一種現代世界觀的人生算法119

4.1貝葉斯的歷史淵源119

4.2重溫貝葉斯定理122

4.3貝葉斯的“問題”126

4.3.1案例分析： “湯姆斷案”126

4.3.2江湖恩怨： 貝葉斯學派與頻率學派129

4.4貝葉斯方法在機器學習中的套用132

4.4.1樸素貝葉斯132

4.4.2能否出去玩，貝葉斯說了算136

4.5基於貝葉斯的垃圾郵件過濾140

4.5.1垃圾郵件的來源141

4.5.2過濾垃圾郵件的貝葉斯原理142

4.5.3構建訓練集143

4.5.4聯合機率是如何計算的144

4.5.5樸素貝葉斯“樸素”在哪裡146

4.5.6貝葉斯的不同類型146

4.5.7貝葉斯分類的一些工程最佳化147

4.6貝葉斯網路149

4.7本章小結151

4.8思考與練習152

參考文獻153

第5章決策樹： 一種高勝算的決策思維154

5.1感性認知決策樹154

5.1.1生活中的決策樹154

5.1.2決策樹的智慧157

5.1.3決策樹與熵158

5.2機器學習中的各種熵158

5.2.1熵是一種世界觀158

5.2.2信息熵160

5.2.3互信息166

5.3如何構建決策樹168

5.3.1信息增益與ID3168

5.3.2信息增益率與C4.5179

5.3.3基尼指數與CART182

5.3.4決策樹的特點184

5.4本章小結185

5.5思考與練習186

參考文獻186

第6章神經網路：道法自然的智慧187

6.1本能是學習嗎？187

6.1.1關於“人性”的一則故事187

6.1.2故事背後的邏輯188

6.2神經網路中的“學習”本質190

6.2.1巴甫洛夫的“狗”190

6.2.2卡哈爾的“手”191

6.2.3美妙的赫布定律193

6.3人工神經網路的工作原理195

6.3.1為什麼要用人工神經網路195

6.3.2人工神經網路的定義195

6.3.3“恆常連線”與聯結主義196

6.3.4神經網路的性原理198

6.4人工神經網路的幾個經典模型199

6.4.1MP神經元模型199

6.4.2羅森布拉特的感知機模型201

6.4.3來自馬文·明斯基的攻擊203

6.4.4多層感知機的表征能力205

6.4.5BP反向傳播算法210

6.5不可忽視的激活函式213

6.6實戰：手把手搭建一個簡易神經網路215

6.6.1利用感知機識別“西瓜”與“香蕉”215

6.6.2利用感知機解決異或問題219

6.7走向更深的方向——神經網路的拓撲結構設計222

6.8本章小結223

6.9思考與練習224

參考文獻224

第7章深度學習：一種數據重於算法的思維轉換226

7.1深度學習所處的知識象限226

7.2深度學習的感性認知230

7.3深度學習中的方法論231

7.4深度學習發展簡史233

7.4.1來自休伯爾的啟發233

7.4.2福島邦彥的神經認知機235

7.4.3LeCun提出的卷積神經網路236

7.4.4Hinton開啟的深度學習革命237

7.4.5深度學習“層”的內涵240

7.5卷積神經網路的概念241

7.5.1卷積的數學定義241

7.5.2生活中的卷積242

7.5.3計算機“視界”中的圖像242

7.5.4卷積運算243

7.5.5卷積在圖像處理中的套用247

7.6卷積神經網路的結構249

7.6.1卷積層251

7.6.2池化層252

7.6.3全連線層254

7.6.4深度之“難”——過擬合與欠擬合256

7.6.5防止過擬合的Dropout機制258

7.7本章小結259

7.8思考與練習259

參考文獻260

第8章自然語言處理：指月指非月的頓悟262

8.1為什麼自然語言處理重要262

8.2自然語言處理的一個假設264

8.3詞向量表示方法268

8.3.1獨熱編碼表示268

8.3.2分散式表示270

8.3.3詞嵌入表示273

8.4經典的自然語言處理統計模型275

8.4.1NGram模型275

8.4.2基於神經網路的語言模型276

8.5基於循環神經網路的語言模型281

8.5.1Vanilla遞歸神經網路281

8.5.2感性認知RNN的“記憶”功能282

8.5.3RNN的工作原理286

8.5.4長短期記憶網路288

8.5.5RNN語言模型292

8.6基於RNN的常見自然語言處理拓撲結構294

8.6.1onetoone295

8.6.2onetomany295

8.6.3manytoone296

8.6.4manytomany296

8.7EncoderDecoder與Seq2Seq298

8.7.1編碼器與解碼器298

8.7.2Seq2Seq299

8.8Attention機制300

8.9NLP常用工具與開發流程304

8.10本章小結305

8.11思考與練習306

參考文獻306

作者簡介

張玉宏，2012年博士畢業於電子科技大學，大數據分析師（高級），美國西北大學訪問學者、IUPUI高級訪問學者，現執教於河南工業大學，先後出版《深度學習之美》《品味大數據》等科技暢銷書7部。