第1章 人工智能的基礎(chǔ)知識(shí)
01 人工智能是什么 002
02 機(jī)器學(xué)習(xí)（ML） 006
03 深度學(xué)習(xí)（DL）是什么 010
04 人工智能和機(jī)器學(xué)習(xí)的普及之路 014

第2章 機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)
05 有教師學(xué)習(xí)的機(jī)制 020
06 無教師學(xué)習(xí)的機(jī)制 024
07 強(qiáng)化學(xué)習(xí)的機(jī)制 028
08 統(tǒng)計(jì)和機(jī)器學(xué)習(xí)的區(qū)別 030
09 機(jī)器學(xué)習(xí)和特征量 034
10 擅長的領(lǐng)域和不擅長的領(lǐng)域 038
11 應(yīng)用機(jī)器學(xué)習(xí)的案例 042

第3章 機(jī)器學(xué)習(xí)的過程和核心技術(shù)
12 機(jī)器學(xué)習(xí)的基本工作流程 048
13 數(shù)據(jù)的收集 052
14 數(shù)據(jù)的整定 056
15 模型的制作和訓(xùn)練 060
16 批學(xué)習(xí)和在線學(xué)習(xí) 064
17 利用測試數(shù)據(jù)對(duì)預(yù)測結(jié)果進(jìn)行驗(yàn)證 066
18 訓(xùn)練結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn) 070
19 超參數(shù)和模型的調(diào)節(jié) 076
20 主動(dòng)學(xué)習(xí) 080
21 相關(guān)和因果 084
22 反饋回路 088

第4章 機(jī)器學(xué)習(xí)算法
23 回歸分析 092
24 支持向量機(jī) 098
25 決策樹 102
26 協(xié)同學(xué)習(xí) 106
27 協(xié)作學(xué)習(xí)的應(yīng)用 110
28 邏輯回歸 114
29 貝葉斯模型 116
30 時(shí)間序列分析和狀態(tài)空間模型 120
31 k近鄰（k-NN）法和k平均（k-means）法 124
32 降維和主成分分析 128
33 優(yōu)化和遺傳算法 132

第5章 深度學(xué)習(xí)的基礎(chǔ)知識(shí)
34 神經(jīng)網(wǎng)絡(luò)和其歷史 138
35 深度學(xué)習(xí)和圖像識(shí)別 146
36 深度學(xué)習(xí)和自然語言處理 150

第6章 深度學(xué)習(xí)的流程和核心技術(shù)
37 基于誤差反向傳播法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 156
38 神經(jīng)網(wǎng)絡(luò)的優(yōu)化 158
39 坡度消失問題 162
40 遷移學(xué)習(xí) 164

第7章 深度學(xué)習(xí)算法
41 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 170
42 遞歸型神經(jīng)網(wǎng)絡(luò)（RNN） 174
43 強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí) 180
44 自動(dòng)編碼器 186
45 GAN（生成對(duì)抗網(wǎng)絡(luò)） 190
46 物體檢測 194

第8章 系統(tǒng)開發(fā)和開發(fā)環(huán)境
47 人工智能編程使用的主要語言 200
48 機(jī)器學(xué)習(xí)的庫和框架 204
49 深度學(xué)習(xí)的框架 208
50 GPU編程和快速化 214
51 機(jī)器學(xué)習(xí)服務(wù) 216

結(jié)束語 219

參考文獻(xiàn) 220