人工智能與機(jī)器學(xué)習(xí)的算法與應(yīng)用研究

第1章 緒論
1.1 什么是人工智能與機(jī)器學(xué)習(xí)
1.2 機(jī)器學(xué)習(xí)和人工智能的關(guān)系
1.3 大數(shù)據(jù)與機(jī)器學(xué)習(xí)的關(guān)系
1.4 人工智能與機(jī)器學(xué)習(xí)的最新前沿
第2章 機(jī)器學(xué)習(xí)經(jīng)典算法
2.1 樸素貝葉斯
2.2 K近鄰算法
2.3 決策樹
2.4 支持向量機(jī)
第3章 降維算法
3.1 特征選擇法
3.2 主成分分析法
3.3 主成分分析的核方法
3.4 線性判別分析法
3.5 因素分析
3.6 獨立成分分析
3.7 局部線性嵌入
3.8 自編碼器
3.9 ISOMAP算法
第4章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
4.1 神經(jīng)網(wǎng)絡(luò)
4.2 卷積神經(jīng)網(wǎng)絡(luò)
4.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
4.4 長短期記憶單元
4.5 深度信念網(wǎng)絡(luò)和受限玻耳茲曼機(jī)
第5章 蒙特卡羅方法
5.1 采樣和蒙特卡羅方法
5.2 馬爾可夫鏈蒙特卡羅方法
5.3 Gibbs采樣
5.4 不同的峰值之間的混合
5.5 蒙特卡羅樹搜索的特征
第6章 生成對抗網(wǎng)絡(luò)
6.1 生成對抗網(wǎng)絡(luò)的概述
6.2 生成對抗網(wǎng)絡(luò)原理
6.3 GAN的實際應(yīng)用
6.4 GAN的缺陷：梯度的消失
6.5 深度卷積生成對抗網(wǎng)絡(luò)
6.6 其他改進(jìn)的生成對抗網(wǎng)絡(luò)
6.7 GAN的未來
第7章 強(qiáng)化學(xué)習(xí)
7.1 強(qiáng)化學(xué)習(xí)模型及基本要素
7.2 馬爾可夫決策過程
7.3 模型已知的強(qiáng)化學(xué)習(xí)
7.4 模型未知的強(qiáng)化學(xué)習(xí)
7.5 深度強(qiáng)化學(xué)習(xí)
第8章 集成學(xué)習(xí)與推薦系統(tǒng)
8.1 集成學(xué)習(xí)
8.2 推薦系統(tǒng)
第9章 機(jī)器學(xué)習(xí)的應(yīng)用
9.1 機(jī)器學(xué)習(xí)算法在機(jī)器視覺領(lǐng)域的應(yīng)用
9.2 機(jī)器學(xué)習(xí)算法在物聯(lián)網(wǎng)的應(yīng)用
9.3 機(jī)器學(xué)習(xí)算法在其他領(lǐng)域的應(yīng)用
第10章 人工智能的應(yīng)用
10.1 人工智能在金融領(lǐng)域的應(yīng)用
10.2 人工智能在教育領(lǐng)域的應(yīng)用
10.3 人工智能在醫(yī)療領(lǐng)域的應(yīng)用
10.4 人工智能在人臉和聲音識別中的應(yīng)用
10.5 人工智能在中國農(nóng)業(yè)發(fā)展中的應(yīng)用
參考文獻(xiàn)