人工智能基础教程

　　《人工智能基础教程》简要介绍了当今人工智能的主要技术，可粗略反映人工智能发展的轨迹。其中前七章主要介绍了感知机、支持向量机、朴素贝叶斯分类器、决策树、聚类、文本处理等人工智能的基础知识，侧重充实贝叶斯统计推断和马尔可夫链；第八章“推理和计算”承前启后，内容是经典的，思想源于法国吉尔·多维克著的《计算进化史改变数学的命运》一书；后三章介绍了强化学习、分形几何、生成式对抗网络、器类等当代人工智能的前沿知识。《人工智能基础教程》尝试以数理逻辑、信息论、博弈论作为人工智能的基础理论。《人工智能基础教程》可作为应用型本科、高职院校学生的学习用书，也适合用作培训教材和自学者的参考用书。

暂缺《人工智能基础教程》作者简介

第一章 人工智能缘起
1．1 新公民索菲亚
1．2 人工智能（AI）简史
1．2．1 机器与智能（1956年之前）
1．2．2 人工智能的形成与发展（1956年～20世纪末）
1．2．3 人工智能+时代（进入21世纪）
1．3 通用图灵机
习题一
第二章 线性分类器
2．1 感知机
2．1．1 数学知识回顾
2．1．2 样本数据预备
2．1．3 感知机模型
2．1．4 感知机学习算法
2．1．5 感知机训练
2．2 支持向量机
2．2．1 数学知识回顾
2．2．2 线性支持向量机
2．2．3 损失函数
实验实训一 训练线性分类器
习题二
第三章 深度学习
3．1 由生物神经元到M-P模型
3．1．1 神经元模型
3．1．2 感知机重述
3．1．3 多层感知机
3．1．4 反向传播算法
3．2 卷积神经网络
3．2．1 卷积层
3．2．2 非线性激活层ReLU
3．2．3 池化层
3．2．4 全连接层
3．2．5 Softmax归一化指数层
3．2．6 AlexNet的网络架构
3．3 循环神经网络
附录 反向传播算法
实验实训二 人脸识别
习题三
第四章 贝叶斯分类器
4．1 贝叶斯概率
4．1．1 可列集
4．1．2 贝叶斯概率
4．1．3 条件概率和独立性
4．1．4 期望值
4．2 信息与熵
4．2．1 自信息和互信息
4．2．2 信息熵
4．2．3 贝叶斯法则
……