人工智能导论：案例与实践

本书结合算法原理和代 码实现，重点介绍了机器学 习，特别是深度学习的有关 案例和实践应用。主要内容 包括：第1章介绍人工智能 发展历程和百度飞桨框架； 第2章和第3章围绕机器学习 展开，介绍了监督学习和无 监督学习的各种经典算法及 其应用案例；第4章围绕深 度学习展开，介绍了前馈神 经网络、卷积神经网络、循 环神经网络和生成对抗网络 ，以及深度学习在计算机视 觉、自然语言处理两大领域 的应用和实践；第5章介绍 了强化学习的理论、方法和 应用。 本书可作为高等院校（ 尤其是应用型本科院校）教 学用书，教师可根据课程计 划和专业特色选择授课内容 （32～56学时）；本书也 可以与《人工智能导论：模 型与算法》一书配套使用， 作为人工智能专业课程的辅 助学习内容；本书还适用于 从事人工智能相关开发和应 用的行业人员，帮助他们快 速掌握人工智能知识体系及 提升代码实践能力。 本书内容均提供在线课 程和习题，读者可以在飞桨 实训平台AI Studio加入《人 工智能导论：案例与实践》 在线课程。

第1章 绪论 1.1 人工智能 1.1.1 人工智能的诞生 1.1.2 人工智能三种主流方法 1.1.3 人工智能的过去和未来 1.2 机器学习 1.2.1 机器学习的定义 1.2.2 机器学习的分类 1.3 深度学习 1.3.1 发展历史 1.3.2 丧知机模型 1.3.3 多层感知机 1.3.4 应用领域 1.4 新一代人工智能的崛起 1.5 深度学习框架 1.5.1 深度学习框架 1.5.2 使用飞桨框架完成人工智能任务的流程 1.6 实践基础 1.6.1 环境准备 1.6.2 张量表示 1.6.3 自动微分机制 1.6.4 飞桨中的模型与层 习题 参考文献 第2章 机器学习：监督学习 2.1 回归分析 2.1.1 概述 2.1.2 线性回归 2.1.3 实践：基于线性回归的波士顿房价预测实验 2.1.4 逻辑斯谛回归 2.1.5 实践：基于逻辑斯谛回归算法的希格斯玻色子信号预测实验 2.1.6 小结 2.2 决策树 2.2.1 概述 2.2.2 决策树原理 2.2.3 决策树构建 2.2.4 决策树延展 2.2.5 实践：基于决策树算法的动物分类实验 2.2.6 小结 2.3 集成学习 2.3.1 概述铂 2.3.2 Bagging：随机森林 2.3.3 实践：基于随机森林算法的鲍鱼年龄预测实验 2.3.4 Boosting：AdaBoost 2.3.5 实践：基于梯度提升树算法的葡萄酒质量分类实验 2.3.6 小结 2.4 支持向量机 2.4.1 概述 2.4.2 硬间隔支持向量机 2.4.3 软间隔支持向量机