人工智能算法分析

第1章 緒論 1
1.1　人類的學習與機器的學習 2
1.1.1 人類的學習 2
1.1.2 機器的學習 3
1.2　機器學習與機器智能 6
1.2.1 機器學習的概念 6
1.2.2 機器學習如何實現(xiàn)機器智能 7
1.3　機器學習的發(fā)展歷程 7
1.4　機器學習的類型 9
1.5 機器學習的主要方法 10
1.6　機器學習的主要算法 13
1.6.1 傳統(tǒng)機器學習算法 14
1.6.2 新型機器學習算法 15
1.7　機器學習的典型應用與發(fā)展趨勢 17
1.7.1 機器學習的典型應用 17
1.7.2 機器學習的發(fā)展趨勢 18
1.8　如何閱讀本書 19
總結(jié) 20
習題 20
第2章 機器學習經(jīng)典分類算法 23
2.1　回歸算法 24
2.1.1 基本形式 24
2.1.2 線性回歸 24
2.1.3 邏輯回歸 26
2.1.4 線性回歸案例分析 27
2.1.5 邏輯回歸案例分析 33
2.2　決策樹算法 37
2.2.1 樹形決策過程 37
2.2.2 訓練算法 38
2.2.3 案例分析 43
2.3　支持向量機 47
2.3.1 線性分類器 47
2.3.2 支持向量機原理 48
2.3.3 案例分析 51
2.4　kNN算法 53
2.4.1 基本概念 54
2.4.2 預測算法 54
2.4.3 距離定義 55
2.4.4 案例分析 57
2.5　貝葉斯算法 59
2.5.1 貝葉斯決策 59
2.5.2 樸素貝葉斯分類器 60
2.5.3 正態(tài)貝葉斯分類器 62
2.5.4 案例分析 64
總結(jié) 67
習題 67
第3章 機器學習經(jīng)典聚類及集成與隨機森林算法 69
3.1　k-means算法 70
3.1.1 相似性的度量 70
3.1.2 k-means算法原理 71
3.1.3 k-means算法的改進 73
3.1.4 Mean Shift算法 74
3.1.5 案例分析 76
3.2　AdaBoost算法 79
3.2.1 AdaBoost算法介紹 79
3.2.2 AdaBoost算法分類 83
3.2.3 案例分析 84
3.3　馬爾可夫算法 88
3.3.1 馬爾可夫算法介紹 88
3.3.2 隱馬爾可夫算法介紹 91
3.3.3 案例分析 93
3.4　隨機森林算法 96
3.4.1 集成學習 97
3.4.2 隨機森林概述 98
3.4.3 訓練算法 98
3.4.4 變量的重要性 99
3.4.5 案例分析 100
總結(jié) 102
習題 103
第4章 深度學習 105
4.1　深度學習及其研究現(xiàn)狀 106
4.1.1 深度學習概念 106
4.1.2 深度學習研究現(xiàn)狀 106
4.2　人工神經(jīng)網(wǎng)絡 107
4.2.1 全連接神經(jīng)網(wǎng)絡 107
4.2.2 反向傳播算法 111
4.2.3 案例分析 115
4.3　生成對抗網(wǎng)絡 119
4.3.1 生成對抗網(wǎng)絡結(jié)構(gòu) 119
4.3.2 模型的訓練 120
4.3.3 GAN的改進模型 124
4.3.4 案例分析 131
4.4　循環(huán)神經(jīng)網(wǎng)絡 135
4.4.1 循環(huán)神經(jīng)網(wǎng)絡概述 135
4.4.2 循環(huán)神經(jīng)網(wǎng)絡結(jié)構(gòu) 136
4.4.3 循環(huán)神經(jīng)網(wǎng)絡訓練 138
4.4.4 挑戰(zhàn)與改進措施 139
4.4.5 案例分析 141
總結(jié) 144
習題 144
第5章 強化學習 146
5.1　強化學習及其研究現(xiàn)狀 147
5.1.1 馬爾可夫模型 147
5.1.2 策略 148
5.1.3 強化學習研究現(xiàn)狀 150
5.2　Q-學習算法 150
5.2.1 Q-學習算法的基本原理 151
5.2.2 Q-學習算法的結(jié)構(gòu) 151
5.2.3 采用神經(jīng)網(wǎng)絡實現(xiàn)Q-學習算法 153
5.2.4 Q-學習算法的改進 154
5.2.5 Q-學習算法的應用案例 156
5.3　蒙特卡洛算法 160
5.3.1 簡單介紹 160
5.3.2 經(jīng)驗軌跡 161
5.3.3 蒙特卡洛算法的數(shù)學原理 164
5.3.4 蒙特卡洛算法的特點 165
5.3.5 蒙特卡洛預測 165
5.3.6 蒙特卡洛預測算法的實現(xiàn) 166
5.4　動態(tài)規(guī)劃算法 169
5.4.1 策略評估 170
5.4.2 策略改進 171
5.4.3 策略迭代 172
5.4.4 值迭代 173
5.4.5 案例分析 174
總結(jié) 176
習題 177
第6章 遷移學習 179
6.1　遷移學習及其研究現(xiàn)狀 179
6.1.1 遷移學習概念 179
6.1.2 遷移學習研究現(xiàn)狀 180
6.2　TrAdaBoost算法 181
6.2.1 背景 181
6.2.2 算法介紹 181
6.2.3 算法改進 184
6.2.4 案例分析 186
6.3　層次貝葉斯算法 190
6.3.1 背景 190
6.3.2 算法介紹 191
6.3.3 案例分析 194
總結(jié) 196
習題 197
第7章 聯(lián)邦學習 199
7.1　聯(lián)邦學習及其研究現(xiàn)狀 199
7.1.1 聯(lián)邦學習概念 199
7.1.2 聯(lián)邦學習研究現(xiàn)狀 201
7.2　聯(lián)邦平均算法 202
7.2.1 聯(lián)邦優(yōu)化 203
7.2.2 算法原理 205
7.2.3 安全的聯(lián)邦平均算法 207
7.2.4 聯(lián)邦平均算法的改進 207
7.2.5 案例分析 209
7.3　縱向聯(lián)邦學習算法 215
7.3.1 安全聯(lián)邦線性回歸 215
7.3.2 安全聯(lián)邦提升樹 217
7.3.3 案例分析 221
總結(jié) 224
習題 224
第8章 因果學習 227
8.1　因果學習及其研究現(xiàn)狀 228
8.1.1 因果學習概念 228
8.1.2 因果學習研究現(xiàn)狀 229
8.2　結(jié)構(gòu)因果模型 229
8.2.1 兩種類型的因果陳述 229
8.2.2 SCM的標準表示 232
8.2.3 SCM的改進型 233
8.2.4 案例分析 236
8.3　多變量結(jié)構(gòu)識別算法 239
8.3.1 基于獨立的方法 240
8.3.2 基于分數(shù)的方法 242
8.3.3 多變量加性噪聲模型 244
8.3.4 案例分析 246
總結(jié) 248
習題 249
第9章 文本挖掘 251
9.1　文本挖掘概念與現(xiàn)狀 251
9.1.1 文本挖掘概念 251
9.1.2 文本挖掘現(xiàn)狀 252
9.2　Word2vec-詞嵌入 252
9.2.1 背景介紹 253
9.2.2 Word2vec-詞嵌入——基于神經(jīng)網(wǎng)絡學習單詞表示 256
9.2.3 案例分析 265
9.3　遞歸神經(jīng)網(wǎng)絡 270
9.3.1 遞歸神經(jīng)網(wǎng)絡介紹 270
9.3.2 遞歸神經(jīng)網(wǎng)絡分類 274
9.3.3 案例分析 276
總結(jié) 282
習題 283
第10章 圖像處理 285
10.1　圖像處理概念與現(xiàn)狀 285
10.1.1 圖像處理概念 285
10.1.2 圖像處理現(xiàn)狀 286
10.2　條件圖像到圖像翻譯 286
10.2.1 條件圖像到圖像翻譯的概念 286
10.2.2 cd-GAN 287
10.2.3 DosGAN 289
10.2.4 案例分析 291
10.3　解糾纏圖像到圖像翻譯 295
10.3.1 解糾纏圖像到圖像翻譯的概念 295
10.3.2 InterfaceGAN 295
10.3.3 SeFa 298
10.3.4 案例分析 300
總結(jié) 304
習題 304
第11章 人工智能大模型 307
11.1　人工智能大模型概念與現(xiàn)狀 307
11.1.1 人工智能大模型概念 307
11.1.2 人工智能大模型現(xiàn)狀 308
11.2　Transformer 308
11.2.1 背景 308
11.2.2 模型結(jié)構(gòu) 309
12.2.3 為什么使用自注意力 312
11.2.4 案例分析 313
11.3　GPT 317
11.3.1 GPT-1 317
11.3.2 GPT-2 320
11.3.3 GPT-3 323
11.3.4 案例分析 326
總結(jié) 331
習題 331