人工智能 高中版

本书主编为图灵奖得主姚期智院士；编委均为交叉信息研究院教师，具有多年的姚班智班授课与教育教学经验，且均为人工智能相关领域前沿专家；本书内容的选取建立在对大学人工智能教育知识体系的完整梳理，确保与后续的高等教育中人工智能的学习无缝连接；本书每章均配备习题与编程练习，让同学们在练习中加深对知识点、算法与原理的理解。

本书选取人工智能的8个核心方向，第1章介绍搜索，第2章介绍机器学习，第3章介绍线性回归，第4章介绍决策树、梯度提升和随机森林，第5章介绍神经网络，第6章介绍计算机视觉，第7章介绍自然语言处理，第8章介绍马尔可夫决策过程与强化学习。书中的每一章均配备作业题与编程练习，让同学们在练习中加深对原理与算法的理解。本书为高中教材，也可以作为人工智能的人门参考书籍。

姚期智(图灵奖得主、院士、清华大学交叉信息研究院院长、教授，清华学堂计算机科学实验班与人工智能班首席教授)。

第0章数学与编程基础
引言
0.1数学基础
0.1.1导数
0.1.2概率论基础
0.1.3矩阵
0.2编程基础
0.2.1起步
0.2.2值的类型和算术运算
0.2.3变量、表达式、赋值
0.2.4控制流
0.2.5函数
0.2.6输入输出
练习题
编程
第1章搜索
引言
1.1搜索问题的定义
1.2搜索算法基础
1.3盲目搜索
1.3.1深度优先搜索
1.3.2宽度优先搜索
1.4启发式搜索
1.4.1贪婪搜索
1.4.2A*算法
1.5对抗搜索
1.5.1极小极大搜索
1.5.2AlphaBeta剪枝搜索
本章总结
历史回顾
练习题
第2章机器学习
引言
2.1监督学习的概念
2.2数据集与损失函数
2.3泛化
2.4过拟合与欠拟合
2.5创建数据集
2.6无监督与半监督学习
本章总结
历史回顾
练习题
第3章线性回归
引言
3.1线性回归
3.2优化方法
3.3二分类问题
3.4多分类问题
3.5岭回归
3.6套索回归
本章总结
练习题
第4章决策树、梯度提升和随机森林
引言
4.1决策树
4.1.1例子
4.1.2决策树的定义
4.1.3决策树的训练
4.2随机森林
4.2.1随机森林的算法描述
4.2.2关于随机性的探讨
4.3梯度提升
4.3.1梯度提升的概念
4.3.2基于决策树子模型的梯度提升算法
4.3.3GBDT中的防过拟合方法
4.3.4GBDT的高效开源实现
本章总结
历史回顾
参考文献
练习题
第5章神经网络
引言
5.1深度线性网络
5.2非线性神经网络
5.3反向传播计算导数
本章总结
历史回顾
练习题
第6章计算机视觉
引言
6.1什么是计算机视觉
6.2图像的形成
6.2.1小孔相机模型
6.2.2数字图像
6.3线性滤波器
6.4边缘检测
6.5卷积神经网络
本章总结
历史回顾
参考文献
练习题
第7章自然语言处理
引言
7.1语言模型
7.1.1什么是语言模型
7.1.2n-gram模型
7.1.3n-gram的计算
7.1.4模型评估与困惑度
7.1.5实用技巧
7.1.6实例
7.1.7语言模型的应用
7.2字模型与词模型
7.2.1字模型与词模型的比较
7.2.2中文分词
7.2.3中文与英文的差别
7.3向量语义
7.3.1语义
7.3.2词向量
7.3.3word2vec
7.3.4可视化示例
7.4基于神经网络的自然语言处理
7.4.1基于神经网络的bigram模型
7.4.2训练神经网络
7.4.3基于神经网络的n-gram模型
本章总结
历史回顾
练习题
第8章马尔可夫决策过程与强化学习
引言
8.1马尔可夫链
8.1.1例子
8.1.2马尔可夫链定义
8.2马尔可夫决策过程
8.2.1确定性路线规划
8.2.2不确定性路线规划
8.3强化学习
8.3.1Q-learning
8.3.2深度强化学习
本章总结
历史回顾
参考文献
练习题
附录A数学基础
A.1导数
A.2概率
A.3矩阵
附录B编程基础
B.1整数类型的运算
B.2变量命名规则
B.3关系表达式和逻辑表达式
B.4函数调用中的传值和传引用
B.5复杂类型
B.6一些技巧
B.7编程风格