更新时间：2023-02-28 19:58:54
封面
版权信息
作者简介
内容简介
编写组
总序
前言
第1章 引言
1.1 人工智能概述
1.2 机器学习概述
1.3 深度学习概述
习题
参考文献
第2章 简单模型
2.1 KNN算法
2.2 线性回归
2.3 逻辑回归
2.4 实验：逻辑回归算法
第3章 贝叶斯学习
3.1 贝叶斯方法简述
3.2 贝叶斯基础理论
3.3 朴素贝叶斯
3.4 贝叶斯网络
3.5 实验
第4章 决策树
4.1 决策树简述
4.2 划分属性选择
4.3 剪枝处理
4.4 决策树算法
4.5 实验：基于CART算法的鸢尾花决策树构建
第5章 支持向量机
5.1 最大间隔理论简介
5.2 两类问题的线性分类
5.3 非线性空间映射与核函数
5.4 多类问题的分类
5.5 实验
第6章 集成学习
6.1 集成学习简述
6.2 个体学习器与集成学习算法
6.3 Bagging算法和随机森林算法
6.4 Boosting算法和AdaBoost算法
6.5 结合策略
6.6 实验：集成学习实例
第7章 聚类
7.1 聚类简述
7.2 原型聚类
7.3 密度聚类
7.4 层次聚类
7.5 实验：用k均值聚类实现篮球运动员聚类
第8章 感知机与神经网络
8.1 感知机
8.2 神经网络原理
8.3 反向传播神经网络
8.4 Hopfield神经网络
8.5 实验：基于Python的感知机实验
第9章 卷积神经网络
9.1 卷积神经网络简述
9.2 网络部件
9.3 核心算法
9.4 激活函数和损失函数
9.5 经典CNN模型
9.6 实验：应用CNN模型进行手写数字辨识
第10章 循环神经网络
10.1 RNN简介
10.2 双向RNN
10.3 LSTM
10.4 GRU
10.5 RNN的实现
10.6 实验：应用LSTM模型进行手写数字辨识
第11章 生成对抗网络
11.1 生成对抗网络简述
11.2 生成对抗网络的基本原理、学习机制、应用、特点
11.3 生成对抗网络的变种网络
11.4 实验
第12章 强化学习
12.1 强化学习的引入
12.2 马尔可夫决策过程
12.3 有模型学习——动态规划
12.4 免模型学习——蒙特卡罗方法
12.5 实验
