人工智能理論與實踐

緒論.........................（1）     第1章經(jīng)典人工神經(jīng)網(wǎng)絡.........................（4）     1.1生物神經(jīng)網(wǎng)絡基本機理.........................（4）     1.1.1生物神經(jīng)元結(jié)構(gòu).........................（4）     1.1.2生物神經(jīng)元信息的傳遞與接收.........................（5）     1.1.3生物神經(jīng)元信息的整合.........................（6）     1.1.4生物神經(jīng)網(wǎng)絡.........................（8）     1.2人工神經(jīng)元.........................（8）     1.2.1人工神經(jīng)元的符號描述.........................（8）     1.2.2人工神經(jīng)元的數(shù)學模型.........................（9）     1.2.3人工神經(jīng)元的激活函數(shù).........................（10）     1.3單層感知機.........................（14）     1.3.1單層感知機的表達.........................（14）     1.3.2單層感知機的訓練算法及實例.........................（17）     1.3.3單層感知機的局限性.........................（19）     1.4多層感知機.........................（20）     1.4.1多層感知機的功能.........................（20）     1.4.2多層感知機的數(shù)學表達.........................（24）     1.4.3多層感知機的網(wǎng)絡誤差.........................（25）     1.5BP人工神經(jīng)網(wǎng)絡.........................（25）     1.5.1誤差反傳訓練算法.........................（26）     1.5.2梯度下降法.........................（29）     1.5.3BP人工神經(jīng)網(wǎng)絡設計方法.........................（30）     1.5.4BP人工神經(jīng)網(wǎng)絡的局限性及改進.........................（31）     本章小結(jié).........................（34）     實踐1編程環(huán)境安裝.........................（35）     實踐2利用感知機實現(xiàn)Mnist手寫數(shù)字分類.........................（35）     習題.........................（35）     參考文獻.........................（36）     第2章支持向量機.........................（37）     2.1支持向量機基本思想.........................（37）     2.1.1從感知機到支持向量機.........................（37）     2.1.2SVM解決問題思路.........................（38）     2.1.3SVM的發(fā)展過程.........................（41）     2.2線性硬可分支持向量機.........................（41）     2.2.1線性可分與分類間隔.........................（41）     2.2.2幾何間隔.........................（42）     2.2.3硬間隔SVM與間隔最大化.........................（43）     2.2.4硬間隔SVM的對偶算法.........................（44）     2.3線性軟可分支持向量機.........................（48）     2.3.1軟間隔SVM與軟間隔最大化.........................（48）     2.3.2軟間隔SVM的對偶問題.........................（49）     2.4非線性支持向量機.........................（50）     2.4.1非線性模型與升維.........................（50）     2.4.2非線性SVM的對偶問題.........................（51）     2.4.3核函數(shù).........................（51）     2.5SMO算法.........................（53）     2.5.1SMO主要框架.........................（54）     2.5.2變量的啟發(fā)式選擇.........................（58）     本章小結(jié).........................（59）     實踐3利用非線性支持向量機實現(xiàn)IRIS鳶尾花數(shù)據(jù)分類.........................（59）     習題.........................（60）     參考文獻.........................（60）     第3章卷積神經(jīng)網(wǎng)絡.........................（61）     3.1卷積神經(jīng)網(wǎng)絡思想.........................（61）     3.1.1卷積神經(jīng)網(wǎng)絡解決問題的思路.........................（61）     3.1.2卷積神經(jīng)網(wǎng)絡的發(fā)展概述.........................（63）     3.2卷積神經(jīng)網(wǎng)絡結(jié)構(gòu).........................（64）     3.2.1輸入層.........................（65）     3.2.2卷積層.........................（66）     3.2.3池化層.........................（72）     3.2.4全連接層.........................（73）     3.3典型結(jié)構(gòu).........................（75）     3.3.1LeNet.........................（75）     3.3.2AlexNet.........................（75）     3.3.3ZFNet.........................（78）     3.3.4GoogLeNet.........................（80）     3.3.5ResNet.........................（83）     本章小結(jié).........................（85）     實踐4利用卷積神經(jīng)網(wǎng)絡實現(xiàn)Mnist手寫數(shù)字分類.........................（85）     習題.........................（85）     參考文獻.........................（86）     第4章循環(huán)神經(jīng)網(wǎng)絡.........................（87）     4.1經(jīng)典循環(huán)神經(jīng)網(wǎng)絡.........................（87）     4.1.1經(jīng)典循環(huán)神經(jīng)網(wǎng)絡基本結(jié)構(gòu).........................（87）     4.1.2幾種典型的循環(huán)神經(jīng)網(wǎng)絡.........................（91）     4.1.3RNN前向傳播與反向傳播.........................（97）     4.2長短期記憶神經(jīng)網(wǎng)絡.........................（101）     4.2.1LSTM門控結(jié)構(gòu).........................（102）     4.2.2LSTM遺忘門.........................（104）     4.2.3LSTM輸入門.........................（104）     4.2.4LSTM輸出門.........................（105）     4.2.5LSTM結(jié)構(gòu)的理解.........................（106）     本章小結(jié).........................（108）     實踐5利用長短時記憶網(wǎng)絡實現(xiàn)股票價格預測.........................（108）     習題.........................（109）     參考文獻.........................（110）     第5章Transformer模型.........................（111）     5.1總體思想與框架結(jié)構(gòu).........................（111）     5.2輸入信息編碼方式.........................（113）     5.2.1詞嵌入矩陣的獲取.........................（114）     5.2.2位置嵌入矩陣的獲取.........................（115）     5.3自注意力機制.........................（116）     5.3.1自注意力機制的基本思想.........................（116）     5.3.2自注意力機制的計算步驟.........................（119）     5.4編碼器信息編碼機制與整體結(jié)構(gòu).........................（121）     5.4.1編碼器中的多頭注意力機制.........................（121）     5.4.2編碼器中的前饋網(wǎng)絡層.........................（122）     5.4.3編碼器中的疊加和歸一層.........................（123）     5.4.4編碼器結(jié)構(gòu)總覽.........................（123）     5.5解碼器信息編碼機制與整體結(jié)構(gòu).........................（124）     5.5.1解碼器的掩碼多頭注意力層.........................（126）     5.5.2解碼器的多頭注意力層.........................（128）     5.5.3解碼器的前饋網(wǎng)絡層與疊加和歸一層.........................（130）     5.5.4解碼器的線性層和Softmax層.........................（131）     5.5.5解碼器結(jié)構(gòu)總覽.........................（132）     本章小結(jié).........................（133）     實踐6利用Transformer實現(xiàn)電影評論數(shù)據(jù)情感分析.........................（133）     習題.........................（133）     參考文獻.........................（134）     第6章強化學習.........................（135）     6.1強化學習基本思想.........................（135）     6.1.1強化學習的擬人思路.........................（135）     6.1.2強化學習的典型特征.........................（136）     6.1.3強化學習的發(fā)展思路.........................（137）     6.2強化學習的概念體系.........................（137）     6.2.1隨機變量與期望.........................（137）     6.2.2智能體-環(huán)境交互.........................（139）     6.2.3動態(tài)特性函數(shù).........................（143）     6.2.4目標與回報.........................（145）     6.2.5策略和價值函數(shù).........................（147）     6.2.6最優(yōu)策略與最優(yōu)價值函數(shù).........................（151）     6.3模型強化學習方法.........................（153）     6.3.1策略評估.........................（154）     6.3.2策略改進.........................（158）     6.3.3策略迭代.........................（159）     6.3.4價值迭代.........................（160）     6.3.5廣義策略迭代.........................（161）     6.4無模型強化學習方法.........................（162）     6.4.1蒙特卡洛強化學習方法.........................（162）     6.4.2時序差分強化學習方法.........................（171）     6.5強化學習不同方法的關系.........................（176）     6.5.1模型與無模型強化學習方法的關系.........................（176）     6.5.2無模型強化學習方法的統(tǒng)一性.........................（177）     6.5.3各種方法的維度關系.........................（178）     本章小結(jié).........................（179）     實踐7利用Q-Learning幫助智能體在簡單6格環(huán)境中達成目標.........................（180）     習題.........................（180）     參考文獻.........................（180）     第7章深度強化學習.........................（182）     7.1深度強化學習基本思想.........................（182）     7.1.1強化學習面臨的問題.........................（182）     7.1.2強化學習與深度學習結(jié)合.........................（183）     7.2大型狀態(tài)空間DQN深度強化學習.........................（183）     7.2.1DQN深度強化學習基本框架.........................（184）     7.2.2DQN基本框架結(jié)構(gòu)的學習過程.........................（185）     7.2.3DQN基本框架結(jié)構(gòu)存在的弊端.........................（186）     7.2.4DQN基本框架的改進方法.........................（187）     7.2.5改進版DQN的架構(gòu).........................（189）     7.3隨機策略深度強化學習.........................（190）     7.3.1策略學習基本思路.........................（190）     7.3.2策略學習的目標函數(shù).........................（191）     7.3.3策略梯度定理.........................（192）     7.3.4Reinforce方法.........................（192）     7.3.5Actor-critic方法.........................（193）     7.3.6帶基線的策略學習方法.........................（195）     7.3.7帶基線的Reinforce方法.........................（196）     7.3.8Advantage Actor-critic方法.........................（196）     7.4連續(xù)動作空間深度強化學習.........................（198）     7.4.1深度確定性策略梯度方法.........................（198）     7.4.2隨機高斯策略方法.........................（202）     7.5深度強化學習各種方法之間的關聯(lián).........................（204）     7.5.1價值評估是4種方法的共同基礎.........................（204）     7.5.2策略梯度的Actor-critic范式.........................（204）     7.5.3目標網(wǎng)絡的通用性.........................（205）     7.6近端策略優(yōu)化算法.........................（205）     7.6.1傳統(tǒng)策略梯度訓練面臨的問題.........................（205）     7.6.2TRPO算法的貢獻.........................（206）     7.6.3PPO算法對TRPO算法的改進.........................（207）     7.6.4PPO算法流程.........................（207）     本章小結(jié).........................（210）     實踐8利用DQN將著陸器成功降落在月球表面.........................（211）     實踐9利用PPO-Clip算法幫助小車平衡桿系統(tǒng)保持穩(wěn)定.........................（211）     習題.........................（212）     參考文獻.........................（212）