【人工智能导论：模型与算法】读书笔记1 目录

第1章 绪论

第2章 逻辑与推理

第3章 搜索求解

第4章 机器学习：监督学习

第5章 统计机器学习：无监督学习

第6章 深度学习

第7章 强化学习

第8章  人工智能博弈

第9章 人工智能未来发展和趋势

附录A 设计实验

   实验一 逻辑推理实验

   实验二 黑白棋AI算法

   实验三 线性回归模型

   实验四 人脸识别

   实验五 深度学习

   实验六 强化学习

   实验七 对抗样本

附录B 人工智能算法实训平台

---

第1章 绪论

   1.1 人工智能的起源

   1.2 可计算载体：形式化与机械化

   1.3 智能计算方法

      1.3.1 符号主义为核心的逻辑推理

      1.3.2 问题求解为核心的探寻搜索

      1.3.3 数据驱动为核心的机器学习

      1.3.4 行为主义为核心的强化学习

      1.3.5 博弈对抗为核心的决策智能

   1.4 本书内容介绍

   1.5 小结

   习题

   参考文献

第2章 逻辑与推理

   2.1 命题逻辑

   2.2 谓词逻辑

   2.3 知识图谱推理

      2.3.1 FOIL归纳推理

      2.3.2 路径排序推理

      2.3.3 其他知识推理算法

   2.4 因果推理

      2.4.1 辛普森悖论

      2.4.2 因果图的基本概念

      2.4.3 干预的因果效应

      2.4.4 反事实模型

      2.4.5 因果分析的层次化

   2.5 小结

   习题

   参考文献

第3章 搜索求解

   3.1 搜索算法基础

      3.1.1 搜索基本问题和求解

      3.1.2 搜索算法的评价指标

      3.1.3 搜索算法框架

      3.1.4 树搜索和图搜索

   3.2 启发式搜索

      3.2.1 启发函数与评价函数

      3.2.2 贪婪最佳优先搜索

      3.2.3 A*搜索

      *3.2.4 A*算法性能分析

   3.3 对抗搜索

      3.3.1 最小最大搜索

      3.3.2 Alpha-Beta剪枝算法

      *3.3.3 Alpha-Beta剪枝算法性能分析

   3.4 蒙特卡洛树搜索

      3.4.1 探索与利用机制的平衡

      3.4.2 上限置信区间算法

      3.4.3 蒙特卡洛树搜索

   3.5 小结

   习题

   参考文献

第4章 机器学习：监督学习

   4.1 机器学习基本概念

      4.1.1 机器学习的种类

      4.1.2 监督学习的基本概念

   4.2 回归分析

      4.2.1 一元线性回归

      4.2.2 多元线性回归

      4.2.3 逻辑斯蒂回归/对数几率回归

   4.3 决策树

      4.3.1 决策树分类案例

      4.3.2 构建决策树

   4.4 线性判别分析

   4.5 Ada Boosting

      4.5.1 可计算学习理论

      4.5.2 Ada Boosting算法

      4.5.3 从霍夫丁不等式解释Ada Boosting算法

      4.5.4 Ada Boosting分类例子

   4.6 支持向量机

      4.6.1 VC维与结构风险最小化

      4.6.2 线性可分支持向量机

      4.6.3 松弛变量，软间隔与hinge损失函数

      4.6.4 核函数解决线性不可分的情况

   4.7 生成学习模型

   4.8 小结

   习题

   参考文献

第5章 统计机器学习：无监督学习

   5.1 K均值聚类

   5.2 主成分分析

      5.2.1 方差、协方差和相关系数

      5.2.2 主成分分析

      5.2.3 其他常用降维方法

   5.3 特征人脸方法

      5.3.1 奇异值分解

      5.3.2 特征人脸方法

   5.4 潜在语义分析

      5.4.1 潜在语义分析思想

      5.4.2 潜在语义分析例子

   5.5 期望最大化算法

      5.5.1 二硬币投掷例子

      5.5.2 三硬币投掷例子

      5.5.3 EM算法一般形式

   5.6 小结

   习题

   参考文献

第6章 深度学习

   6.1 深度学习的历史发展

   6.2 前馈神经网络

      6.2.1 若干概念

      6.2.2 感知机模型

      6.2.3 参数优化与学习

   6.3 卷积神经网络

      6.3.1 卷积计算

      6.3.2 池化

      6.3.3 神经网络正则化

   6.4 循环神经网络

      6.4.1 循环神经网络模型

      6.4.2 长短时记忆网络

      6.4.3 门控循环单元

   6.5 深度生成学习

      6.5.1 生成对抗网络

      6.5.2 生成对抗网络算法

      6.5.3 条件生成对抗网络

      6.5.4 用生成对抗网络抵御对抗样本攻击

   6.6 深度学习在自然语言和计算机视觉上的应用

      6.6.1 词向量模型

      6.6.2 图像分类与目标定位

   6.7 小结

   习题

   参考文献

第7章 强化学习

   7.1 强化学习问题定义

      7.1.1 强化学习基本概念

      7.1.2 马尔可夫决策过程

      7.1.3 强化学习问题定义

      7.1.4 贝尔曼方程（Bellman equation）

   7.2 基于价值的强化学习

      7.2.1 策略迭代的基本模式

      7.2.2 策略优化定理

      7.2.3 策略评估方法

      7.2.4 基于价值的强化学习算法

      7.2.5 探索与利用

      7.2.6 参数化与深度强化学习

   7.3 基于策略的强化学习

      7.3.1 策略梯度定理

      7.3.2 基于蒙特卡洛采样的策略梯度法

      7.3.3 Actor-Critic算法

   7.4 深度强化学习的应用

      7.4.1 深度强化学习在围棋游戏中的应用

      7.4.2 深度强化学习在实际应用中的问题

   7.5 小结

   习题

   参考文献

第8章  人工智能博弈

   8.1 博弈论的相关概念

      8.1.1 博弈论的诞生

      8.1.2 博弈论术语与囚徒困境

      8.1.3 博弈的分类

      8.1.4 纳什均衡

      8.1.5 人工智能与博弈论

   8.2 博弈策略求解

      8.2.1 研究问题

      8.2.2 虚拟遗憾最小化算法

      8.2.3 安全子博弈

   8.3 博弈规则设计

      8.3.1 研究问题

      8.3.2 双边匹配算法

      8.3.3 单边匹配算法

   8.4 非完全信息博弈的实际应用

   8.5 小结

   习题

   参考文献

第9章 人工智能未来发展和趋势

   9.1 类脑计算

   9.2 非冯·诺依曼计算架构

   9.3 人工智能芯片与机器学习系统

   9.4 量子机器学习

   9.5 深度学习编程框架与人工智能生态

   9.6 人工智能伦理与治理

   9.7 小结

   参考文献

附录A 设计实验

   实验一 逻辑推理实验

   实验二 黑白棋AI算法

   实验三 线性回归模型

   实验四 人脸识别

   实验五 深度学习

   实验六 强化学习

   实验七 对抗样本

附录B 人工智能算法实训平台