裂變：秒懂人工智慧的基礎課

作者簡介

王天一，北京郵電大學工學博士，在讀期間主要研究方向是連續變數量子通信理論與系統，主持並參與了多項國家級/省部級科研項目，以第一作者身份發表了5篇SCI文章。

現任貴州大學大數據與信息工程學院副教授，極客時間專欄作者，主要研究方向是大數據與人工智慧，研究內容包括以物聯網為基礎的大數據套用及神經網路與機器學習。著有《人工智慧革命》一書。

全書結構如下：

數學基礎。

數學基礎知識蘊含著處理智慧型問題的基本思想與方法，也是理解複雜算法的必備要素。這一模組覆蓋了人工智慧必備的數學基礎知識，包括線性代數、機率論、最最佳化方法等。

機器學習。

機器學習的作用是從數據中習得學習算法，進而解決實際的套用問題，是人工智慧的核心內容之一。這一模組覆蓋了機器學習中的主要方法，包括線性回歸、決策樹、支持向量機、聚類等。

人工神經網路。

作為機器學習的一個分支，神經網路將認知科學引入機器學習中，以模擬生物神經系統對真實世界的互動反應，並取得了良好的效果。這一模組覆蓋了神經網路中的基本概念，包括多層神經網路、前饋與反向傳播、自組織神經網路等。

深度學習。

簡而言之，深度學習就是包含多箇中間層的神經網路，數據爆炸和計算力飆升推動了深度學習的崛起。這一模組覆蓋了深度學習的概念與實現，包括深度前饋網路、深度學習中的正則化、自編碼器等。

神經網路實例。

在深度學習框架下，一些神經網路已經被用於各種套用場景，並取得了不俗的效果。這一模組覆蓋了幾種神經網路實例，包括深度信念網路、卷積神經網路、循環神經網路等。

深度學習之外的人工智慧。

深度學習既有優點也有局限，其他方向的人工智慧研究正是有益的補充。這一模組覆蓋了與深度學習無關的典型學習方法，包括機率圖模型、集群智慧型、遷移學習、知識圖譜等。

套用場景。

除了代替人類執行重複性的勞動，在諸多實際問題的處理中，人工智慧也提供了有意義的嘗試。這一模組覆蓋了人工智慧技術在幾類實際任務中的套用，包括計算機視覺、語音處理、對話系統等。