目录


第0篇什么是人工智能1
0.1人工智能的诞生1
0.2人工智能的5个发展时代4
0.2.1初期时代4
0.2.2知识时代6
0.2.3特征时代8
0.2.4数据时代11
0.2.5大模型时代14
0.3人工智能的定义21
0.4图灵测试与中文屋子问题23
0.4.1图灵测试23
0.4.2中文屋子问题26
0.5第三代人工智能28
0.6总结31

第1篇神经网络是如何实现的34
1.1从数字识别谈起34
1.2神经元与神经网络40
1.3神经网络是如何训练的44
1.4卷积神经网络53
1.5梯度消失问题64
1.6过拟合问题74
1.7深度学习框架78
1.8总结79

第2篇计算机是如何学会下棋的80
2.1能穷举吗?81
2.2极小极大模型84
2.3αβ剪枝算法85
2.4蒙特卡洛树搜索89
2.5AlphaGo是如何下棋的98
2.6总结106〖1〗〖2〗艾博士: 深入浅出人工智能(公共课版·微课版)〖1〗目录第3篇计算机是如何找到最优路径的107
3.1路径搜索问题108
3.2宽度优先搜索算法110
3.3迪杰斯特拉算法112
3.4启发式搜索115
3.4.1A算法115
3.4.2A算法122
3.4.3定义h函数的一般原则122
3.5深度优先搜索算法125
3.6动态规划与Viterbi算法130
3.7总结132

第4篇统计机器学习方法是如何实现分类与聚类的134
4.1统计学习方法135
4.2朴素贝叶斯方法139
4.3决策树147
4.3.1决策树算法——ID3算法150
4.3.2决策树算法——C4.5算法164
4.4k近邻方法171
4.5支持向量机175
4.5.1什么是支持向量机175
4.5.2线性可分支持向量机181
4.5.3线性支持向量机194
4.5.4非线性支持向量机197
4.5.5核函数与核方法200
4.5.6支持向量机用于多分类问题206
4.6k均值聚类算法213
4.7层次聚类算法220
4.8验证与测试问题223
4.9总结226

第5篇专家系统是如何实现的228
5.1什么是专家系统229
5.2推理方法232
5.3一个简单的专家系统236
5.4非确定性推理242
5.4.1事实的表示242
5.4.2规则的表示243
5.4.3逻辑运算244
5.4.4规则运算246
5.4.5规则合成248
5.5专家系统工具253
5.6专家系统的应用256
5.7专家系统的局限性257
5.8总结258