目  录

第0章数学与编程基础

引言

0.1数学基础

0.1.1导数

0.1.2概率论基础

0.1.3矩阵

0.2编程基础

0.2.1起步

0.2.2值的类型和算术运算

0.2.3变量、表达式、赋值

0.2.4控制流

0.2.5函数

0.2.6输入输出

练习题

编程

第1章搜索

引言

1.1搜索问题的定义

1.2搜索算法基础

1.3盲目搜索

1.3.1深度优先搜索

1.3.2宽度优先搜索

1.4启发式搜索

1.4.1贪婪搜索

1.4.2A*算法

1.5对抗搜索

1.5.1极小极大搜索

1.5.2AlphaBeta剪枝搜索

本章总结

历史回顾

练习题

第2章机器学习

引言

2.1监督学习的概念

2.2数据集与损失函数

2.3泛化

2.4过拟合与欠拟合

2.5创建数据集

2.6无监督与半监督学习

本章总结

历史回顾

练习题

第3章线性回归

引言

3.1线性回归

3.2优化方法

3.3二分类问题

3.4多分类问题

3.5岭回归

3.6套索回归

本章总结

练习题

第4章决策树、梯度提升和随机森林

引言

4.1决策树

4.1.1例子

4.1.2决策树的定义

4.1.3决策树的训练

4.2随机森林

4.2.1随机森林的算法描述

4.2.2关于随机性的探讨

4.3梯度提升

4.3.1梯度提升的概念

4.3.2基于决策树子模型的梯度提升算法

4.3.3GBDT中的防过拟合方法

4.3.4GBDT的高效开源实现

本章总结

历史回顾

参考文献

练习题

第5章神经网络

引言

5.1深度线性网络

5.2非线性神经网络

5.3反向传播计算导数

本章总结

历史回顾

练习题

第6章计算机视觉

引言

6.1什么是计算机视觉

6.2图像的形成

6.2.1小孔相机模型

6.2.2数字图像

6.3线性滤波器

6.4边缘检测

6.5卷积神经网络

本章总结

历史回顾

参考文献

练习题

第7章自然语言处理

引言

7.1语言模型

7.1.1什么是语言模型

7.1.2n-gram 模型

7.1.3n-gram的计算

7.1.4模型评估与困惑度

7.1.5实用技巧

7.1.6实例

7.1.7语言模型的应用

7.2字模型与词模型

7.2.1字模型与词模型的比较

7.2.2中文分词

7.2.3中文与英文的差别

7.3向量语义

7.3.1语义

7.3.2词向量

7.3.3word2vec

7.3.4可视化示例

7.4基于神经网络的自然语言处理

7.4.1基于神经网络的bigram模型

7.4.2训练神经网络

7.4.3基于神经网络的n-gram模型

本章总结

历史回顾

练习题

第8章马尔可夫决策过程与强化学习

引言

8.1马尔可夫链

8.1.1例子

8.1.2马尔可夫链定义

8.2马尔可夫决策过程

8.2.1确定性路线规划

8.2.2不确定性路线规划

8.3强化学习

8.3.1Q-learning

8.3.2深度强化学习

本章总结

历史回顾

参考文献

练习题

附录A数学基础

A.1导数

A.2概率

A.3矩阵

附录B编程基础

B.1整数类型的运算

B.2变量命名规则

B.3关系表达式和逻辑表达式

B.4函数调用中的传值和传引用

B.5复杂类型

B.6一些技巧

B.7编程风格