封面
前折页
书名页
版权
译者序
前言
写在前面 前往机器学习之国吧
第1章 入口 到底什么是机器学习
 1.1 机器学习是什么
 1.2 AI能做什么
 1.3 生物和计算机各有其学习方法
 1.4 计算机的学习方法
 1.5 机器学习能做些什么
  1.5.1 语音识别
  1.5.2 图像识别
  专栏：强AI和弱AI
  App的独白
第2章 游客咨询中心 机器学习的种类和原理
 2.1 机器学习分好几种
 2.2 让老师来告诉你正确答案——监督学习
  2.2.1 教师数据和标签
  2.2.2 监督学习的原理
 2.3 全靠自己学习——无监督学习
 2.4 从试错中汲取经验——强化学习
  专栏：机器学习种种
 2.5 使用学到的知识——泛化、任务和算法
 2.6 小心不要学过头了——过拟合
  App的独白
  专栏：奥卡姆剃刀和没有免费午餐定理
第3章 分类小镇 k近邻算法、SVM和决策树
 3.1 按照分布方式进行分类——k近邻算法
 3.2 一刀两断爽快分类——SVM
 3.3 用○和×来分类——决策树
 3.4 如何构建决策树
 3.5 由大量决策树组成的森林——随机森林
  App的独白
  专栏：丑小鸭定理
第4章 优化小镇 进化计算和群体智能
 4.1 什么是优化
 4.2 通过模仿生物来优化信息——进化计算
  4.2.1 生物进化的原理
  4.2.2 什么是进化计算
  4.2.3 进化计算的代表选手——遗传算法
  4.2.4 遗传算法的原理
  4.2.5 更加复杂的操作——遗传编程
 4.3 从生物群体的行为中汲取经验——群体智能
  4.3.1 像蚂蚁一样找到捷径——蚁群优化算法
  4.3.2 通过大数寻找答案——粒子群优化算法
  4.3.3 像鱼一样寻找食物——AFSA
  App的独白
第5章 试错小镇 强化学习
 5.1 什么是强化学习
 5.2 随机重复试验——蒙特卡洛法
 5.3 如何更高效地进行试验——Q学习
 5.4 利用Q学习走出迷宫
  App的独白
第6章 神经网络小镇1 神经网络
 6.1 神经元和神经网络
 6.2 对神经元的模仿——人工神经元
 6.3 对神经网络的模仿——人工神经网络
 6.4 神经网络是如何学习的
 6.5 视觉仿真——感知机
 6.6 高速学习——反向传播
 6.7 神经网络的种类1——阶层型
 6.8 神经网络的种类2——全连接型和循环型
  6.8.1 找出“东西”——识别
  6.8.2 操作“东西”——控制
  6.8.3 思考“东西”——判断
 6.9 总会有“结果”输出，这样好吗
  App的独白
第7章 神经网络小镇2 深度学习
 7.1 什么是深度学习
 7.2 模拟人类视觉的神经网络
 7.3 这是狗还是猫——CNN的图像识别
 7.4 CNN是如何实现高性能的
 7.5 分析随时间变化的数据——RNN和LSTM
 7.6 制作与真品一模一样的仿品——GAN
 7.7 使用深度学习实现自动翻译
 7.8 从经验中学习的深度学习——深度强化学习
第8章 出口 开始机器学习吧
 8.1 机器学习使用的语言——Python
 8.2 用于机器学习的软件1——TensorFlow和Keras
 8.3 用于机器学习的软件2——Caffe、PyTorch和PaddlePaddle
 App的独白
写在最后 学习AI的参考文献
后折页
封底