人工智能和深度学习导论

附录B TF 2简介

附录A Keras简介

6.14 总结

6.13 什么是深度强化学习

6.12 强化学习工具包和框架

6.11 贝尔曼方程

6.10 epsilon贪心算法

6.9 从NFA到MDP

6.8 什么是强化学习

6.7 NLU与NLG

6.6 深度学习和NLP

6.5 什么是Translatotron

6.4 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0

6.3 什么是词嵌入

6.2 流行的NLP算法

6.1 使用NLP

第6章 自然语言处理和强化学习

5.11 总结

5.10 创建GAN

5.9 什么是GAN

5.8 什么是自动编码器

5.7 什么是GRU

5.6 在TensorFlow中使用LSTM（可选）

5.5 什么是LSTM

5.4 在TensorFlow中使用RNN（可选）

5.3 在Keras中使用RNN和MNIST数据集

5.2 在Keras中使用RNN

5.1 什么是RNN

第5章 深度学习体系架构：RNN和LSTM

4.13 总结

4.12 用CNN分析音频信号

4.11 Keras、CNN和MNIST数据集

4.10 Keras和MNIST数据集

4.9 在MNIST数据集上显示图像

4.8 CNN的高阶视图

4.7 数据点是如何被正确分类的

4.6 什么是多层感知器

4.5 什么是反向误差传播

4.4 人工神经网络剖析

4.3 什么是感知器

4.2 什么是深度学习

4.1 Keras和异或函数XOR

第4章 深度学习概述

3.18 总结

3.17 Keras、逻辑斯谛回归和Iris数据集

3.16 什么是逻辑斯谛回归

3.15 Sigmoid、Softmax和Hardmax激活函数之间的差异

3.14 Sigmoid、Softmax、Softplus和tanh激活函数的相似性

3.13 ReLU和ELU激活函数

3.12 常见的激活函数

3.11 什么是激活函数

3.10 评估分类器

3.9 训练分类器

3.8 什么是朴素贝叶斯分类器

3.7 什么是贝叶斯推理

3.6 什么是SVM

3.5 什么是随机森林

3.4 什么是决策树

3.3 什么是kNN

3.2 什么是线性分类器

3.1 什么是分类

第3章 机器学习分类器

2.21 总结

2.20 用Keras进行线性回归

2.19 用np.linspace() API计算MSE

2.18 用np.linspace() API近似线性数据

2.17 手动计算MSE

2.16 MSE公式

2.15 用NumPy和matplotlib画二次散点图

2.14 用NumPy和matplotlib画散点图（2）

2.13 用NumPy和matplotlib画散点图（1）

2.12 使用平面中的线（可选）

2.11 其他类型的回归

2.10 什么是线性回归

2.9 其他有用的统计学术语

2.8 模型的度量指标

2.7 偏差-方差权衡

2.6 什么是正则化

2.5 使用数据集

2.4 降维

2.3 特征工程、特征选择和特征提取

2.2 机器学习算法的类型

2.1 什么是机器学习

第2章 机器学习概述

1.13 总结

1.12 代码示例

1.11 人工智能的主要部分

1.10 生物信息学

1.9 自然语言处理

1.8 演化计算

1.7 神经计算

1.6 专家系统

1.5 人工智能和博弈

1.4 知识表示

1.3 启发式方法

1.2 图灵测试

1.1 什么是人工智能

第1章 人工智能导论

前言

献词

译者序

内容提要

版权信息

封面

封面

版权信息

内容提要

译者序

献词

前言

第1章 人工智能导论

1.1 什么是人工智能

1.2 图灵测试

1.3 启发式方法

1.4 知识表示

1.5 人工智能和博弈

1.6 专家系统

1.7 神经计算

1.8 演化计算

1.9 自然语言处理

1.10 生物信息学

1.11 人工智能的主要部分

1.12 代码示例

1.13 总结

第2章 机器学习概述

2.1 什么是机器学习

2.2 机器学习算法的类型

2.3 特征工程、特征选择和特征提取

2.4 降维

2.5 使用数据集

2.6 什么是正则化

2.7 偏差-方差权衡

2.8 模型的度量指标

2.9 其他有用的统计学术语

2.10 什么是线性回归

2.11 其他类型的回归

2.12 使用平面中的线（可选）

2.13 用NumPy和matplotlib画散点图（1）

2.14 用NumPy和matplotlib画散点图（2）

2.15 用NumPy和matplotlib画二次散点图

2.16 MSE公式

2.17 手动计算MSE

2.18 用np.linspace() API近似线性数据

2.19 用np.linspace() API计算MSE

2.20 用Keras进行线性回归

2.21 总结

第3章 机器学习分类器

3.1 什么是分类

3.2 什么是线性分类器

3.3 什么是kNN

3.4 什么是决策树

3.5 什么是随机森林

3.6 什么是SVM

3.7 什么是贝叶斯推理

3.8 什么是朴素贝叶斯分类器

3.9 训练分类器

3.10 评估分类器

3.11 什么是激活函数

3.12 常见的激活函数

3.13 ReLU和ELU激活函数

3.14 Sigmoid、Softmax、Softplus和tanh激活函数的相似性

3.15 Sigmoid、Softmax和Hardmax激活函数之间的差异

3.16 什么是逻辑斯谛回归

3.17 Keras、逻辑斯谛回归和Iris数据集

3.18 总结

第4章 深度学习概述

4.1 Keras和异或函数XOR

4.2 什么是深度学习

4.3 什么是感知器

4.4 人工神经网络剖析

4.5 什么是反向误差传播

4.6 什么是多层感知器

4.7 数据点是如何被正确分类的

4.8 CNN的高阶视图

4.9 在MNIST数据集上显示图像

4.10 Keras和MNIST数据集

4.11 Keras、CNN和MNIST数据集

4.12 用CNN分析音频信号

4.13 总结

第5章 深度学习体系架构：RNN和LSTM

5.1 什么是RNN

5.2 在Keras中使用RNN

5.3 在Keras中使用RNN和MNIST数据集

5.4 在TensorFlow中使用RNN（可选）

5.5 什么是LSTM

5.6 在TensorFlow中使用LSTM（可选）

5.7 什么是GRU

5.8 什么是自动编码器

5.9 什么是GAN

5.10 创建GAN

5.11 总结

第6章 自然语言处理和强化学习

6.1 使用NLP

6.2 流行的NLP算法

6.3 什么是词嵌入

6.4 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0

6.5 什么是Translatotron

6.6 深度学习和NLP

6.7 NLU与NLG

6.8 什么是强化学习

6.9 从NFA到MDP

6.10 epsilon贪心算法

6.11 贝尔曼方程

6.12 强化学习工具包和框架

6.13 什么是深度强化学习

6.14 总结

附录A Keras简介

附录B TF 2简介