第1章 緒論
1.1 人工智能的基本定義
1.1.1 人工智能的概念與特征
1.1.2 人工智能的學科體系
1.2 人工智能發展歷程簡介
1.2.1 人工智能的主要發展階段
1.2.2 人工智能的三大學派
1.2.3 人工智能發展戰略規劃
1.3 人工智能的主要應用方向
1.4 本章小結
習題
參考文獻
第2章 數學基礎
2.1 邏輯基礎
2.1.1 知識表示
2.1.2 推理方法
2.2 計算基礎
2.2.1 計算復雜性
2.2.2 線性代數
2.2.3 微積分
2.3 概率基礎
2.3.1 不確定性的量化
2.3.2 概率推理基礎
2.4 本章小結
習題
參考文獻
第3章 群智能算法
3.1 群智能算法概述
3.2 遺傳算法
3.2.1 遺傳算法的基本原理
3.2.2 遺傳算法的一般步驟
3.3 粒子群優化算法
3.4 蟻群算法
3.5 本章小結
習題
參考文獻
第4章 機器學習
4.1 機器學習概述
4.2 線性回歸
4.3 支持向量機
4.3.1 支持向量與間隔
4.3.2 對偶問題與核函數
4.4 決策樹
4.5 隨機森林
4.6 本章小結
習是亟
參考文獻
第5章 人工神經網絡
5.1 人工神經網絡概述
5.2 神經元模型
5.3 多層感知機
5.3.1 多層感知機模型
5.3.2 神經網絡的表達能力與近似理論
5.3.3 反向傳播算法
5.4 多層感知機的改進
5.4.1 提高訓練效率
5.4.2 過擬合與正則化
5.4.3 深度網絡訓練
5.5 本章小結
習題
參考文獻
第6章 卷積神經網絡
6.1 卷積神經網絡概述
6.2 卷積神經網絡的層級結構
6.2.1 卷積層的工作原理
6.2.2 池化層的工作原理
6.2.3 批歸一化與卷積神經網絡優化
6.3 卷積神經網絡進階
6.3.1 殘差網絡
6.3.2 Inception模塊
6.3.3 卷積神經網絡的遷移學習
6.4 卷積神經網絡在計算機視覺中的應用
6.4.1 圖像分類
6.4.2 目標檢測
6.4.3 圖像分割
6.5 本章小結
習題
參考文獻
第7章 循環神經網絡
7.1 循環神經網絡概述
7.2 循環神經網絡的層級結構
7.2.1 循環神經元結構
7.2.2 循環神經網絡架構
7.2.3 隨時間反向傳播算法
7.2.4 梯度消失與梯度爆炸問題
7.3 長短期記憶網絡
7.4 門控循環單元網絡
7.5 循環神經網絡進階與應用
7.5.1 雙向循環神經網絡
7.5.2 注意力機制與循環神經網絡的結合
7.5.3 循環神經網絡的應用案例
7.6 本章小結
習題
參考文獻
第8章 生成對抗網絡
8.1 生成對抗網絡概述
8.2 生成對抗網絡的層級結構
8.2.1 生成器與判別器的工作原理
8.2.2 生成對抗網絡的訓練過程
8.2.3 生成對抗網絡的收斂性
8.3 生成對抗網絡進階
8.3.1 條件生成對抗網絡
8.3.2 信息*大化生成對抗網絡
8.4 生成對抗網絡在圖像處理中的應用
8.4.1 圖像生成
8.4.2 圖像編輯
8.4.3 圖像超分辨率
8.5 本章小結
習題
參考文獻
第9章 人工智能大模型
9.1 大模型概述
9.1.1 大模型的定義與特征
9.1.2 大模型的發展歷程
9.1.3 大模型與傳統機器學習算法的對比
9.2 大模型的架構與構建流程
9.2.1 Transformer
9.2.2 大規模預訓練模型
9.2.3 多模態大模型
9.2.4 大模型的構建流程
9.3 大模型的應用
9.3.1 自然語言處理領域中的應用
9.3.2 計算機視覺領域中的應用
9.3.3 跨領域應用與遷移學習
9.4 大模型面臨的挑戰與未來展望
9.4.1 計算資源與能源消耗
9.4.2 大模型的可解釋性問題
9.4.3 大模型的發展方向
9.5 本章小結
習題
參考文獻