第 1 章
趣谈/漫话人工智能......... 1
1.1 一个古老的职业 ......................2
1.2 最后的观（占）星大师 .............3
1.3 中世纪的宇宙模型 ...................3
1.4 八卦中的秘密 .........................5
1.5 另一个苹果 ............................6
1.6 神经网络发展 .........................9
1.7 新时代的炼金术 .................... 10
1.8 深度学习和大数据 ................. 11
1.9 最后的围棋大师 .................... 12
本章小结..................................... 13
习题........................................... 13
第 2 章 学习在于实践—— 编程环境和基础........... 14
2.1 编程环境管家—— Anaconda 管理工具............ 15
2.1.1 Anaconda 简介................ 15
2.1.2 如何安装 .......................... 15
2.1.3 环境管理 .......................... 17
2.2 简明胶水语言——Python ............................. 18
2.2.1 简介................................. 18
2.2.2 安装 ................................ 18
2.2.3 基础语法.......................... 19
2.2.4 解决兔子繁殖问题 ............23
2.3 面向数组的计算—— NumPy............................. 24
2.3.1 简介.................................24
2.3.2 安装 ................................24
2.3.3 基础语法..........................24
2.3.4 案例 ................................25
2.4 机器学习百宝箱——sklearn............................. 28
2.4.1 简介.................................28
2.4.2 安装 ................................28
2.5 大道至简—— Keras............................... 29
2.5.1 简介.................................29
2.5.2 安装 ................................29
本章小结 .................................... 30
习题 ....................................... 30
第 3 章 穷举的魅力——搜索 .....31
3.1 驴友的困惑——经典旅行问题....32
3.1.1 七桥问题.......................... 32
3.1.2 旅行商问题 ...................... 32
3.1.3 迷宫问题 ......................... 33
3.2 搜索的积木——基础数据结构....34
3.2.1 树 ................................... 34
3.2.2 图................................... 34
3.2.3 栈................................... 35
3.2.4 优先队列 ......................... 36
3.3 林深时见鹿——深度优先搜索 ....37
3.3.1 DFS 简介........................ 37
3.3.2 使用 DFS 解决七桥问题.... 39
3.3.3 使用 DFS 解决旅行商问题.................................41
3.3.4 使用 DFS 解决迷宫问题 ... 42
3.4 近水楼台先得月——
广度优先搜索.......................43
3.4.1 BFS 简介 ........................ 43
3.4.2 使用 BFS 解决七桥问题.... 43
3.4.3 使用 BFS 解决旅行商问题................................ 44
3.4.4 使用 BFS 解决迷宫问题.... 44
本章小结 ....................................44
习题 ..........................................44
第 4 章 计算机里的物竞天择——进化算法....................45
4.1 生物的演化规律—— 物种起源 ............................ 46
4.2 程序的优化方法—— 遗传算法 ............................ 46
4.2.1 遗传学的启发 ...................46
4.2.2 遗传定律..........................46
4.2.3 遗传算法..........................47
4.3 基因优化的模拟—— 交叉变异 ............................ 49
4.3.1 基因的二进制表示.............49
4.3.2 适应度的选择方法 ............49
4.3.3 基因交叉计算................... 51
4.3.4 基因变异.......................... 51
4.4 更高级的程序优化——进化算法 .............................51
4.4.1 进化算法原理 ................... 51
4.4.2 数值优化应用实践 ............52
4.4.3 进化算法库 Geatpy .........53
4.5 横看成岭侧成峰-多目标 优化 .................................. 56
4.5.1 帕累托最优.......................57
4.5.2 多目标优化算法................57
4.5.3 多目标优化实践................57
4.6 麻雀虽小，五脏俱全—— 其他进化算法.......................59
4.6.1 粒子群优化算法................ 59
4.6.2 蚁群算法 ......................... 60
本章小结..................................... 61
习题........................................... 61
第 5 章 数据即规律—— 统计学习....................62
5.1 润物细无声——教师和学习 .....63
5.2 理想中的世界——线性模型 .....65
5.3 物以类聚，人以群分——聚类....69
5.4 如何做出选择——决策树........70
5.5 维度的秘密——支持向量机.....73
5.6 三个臭皮匠顶个诸葛亮—— 集成机器学习.......................76
本章小结.....................................77
习题...........................................77
第 6 章 描述万物的规律—— 神经网络....................78
6.1 最简单的神经网络模型——感知机................................79
6.2 神经网络的核心—— 非线性激活函数 ................... 80
6.3 感知机的缺陷——异或难题 .... 81
6.4 万能的神经网络—— 通用函数拟合 ...................... 85
6.5 魔方缺了一面——利用反向
传播求解神经网络 ................ 87
6.6 构建神经网络的积木—— Keras API 函数.................. 90
6.7 开始动手——神经网络应用 .... 93
本章小结 .................................... 96
习题 .......................................... 96
第 7 章 抽象的威力——深度学习 ................... 97
7.1 被麻醉的猫——生物视觉原理 .................................. 98
7.2 深度学习的视觉—— CNN 模型 .......................... 98
7.2.1 彩色图片数据组成.............99
7.2.2 CNN 是怎么工作的 ..........99
7.2.3 CNN 学到了什么............ 102
7.2.4 CNN 应用实例—— 猫狗大战........................ 103
7.3 瞻前顾后的深度模型—— RNN............................... 109
7.3.1 RNN 模型结构................109
7.3.2 往前看和往后看—— 双向 RNN ...................... 110
7.3.3 RNN 的其他应用.............111
7.4 最大的烦恼就是记性太好——长短期记忆网络................... 111
7.4.1 梯度消失和梯度爆炸问题....111
7.4.2 LSTM 应用实例—— 微博情感分析.................. 113
本章小结 ...................................118
习题.......................................118
拓展阅读 ...................................119
第 8 章 深度学习的集市 .........120
8.1 学会识别不同的图像—— 图像分类............................121
8.1.1 数据集 ............................ 121
8.1.2 入门案例 ........................123
8.1.3 知名分类模型..................125
8.2 寻找物体的相框——目标检测........................... 127
8.2.1 数据集............................128
8.2.2 基本原理........................129
8.2.3 知名目标检测模型........... 131
8.3 学会区分不同的物体边界——语义分割........................... 134
8.3.1 数据集 ........................... 135
8.3.2 基本原理........................ 137
8.3.3 知名语义分割模型 .......... 138
本章小结 ...................................139
习题 ......................................139
第 9 章 基于关系的网络—— GNN ...................... 140
9.1 关系的表述——图结构.......... 141
9.1.1 灵活处理非欧数据的GNN..............................141
9.1.2 定义及概念介绍 ...............141
9.2 解决社交问题——原理和实践 .................................143
9.2.1 GCN 原理介绍 ............... 143
9.2.2 GCN 的应用——微博用户性别预测（节点分类）.... 143
9.2.3 GCN 的应用——闲鱼垃圾评论识别（边分类） ....... 145
9.2.4 基于 Keras 的 GCN 代码解析........................ 146
9.3 改进 GCN 模型—— GAT 原理及应用 ................153
9.3.1 GAT 原理介绍................ 153
9.3.2 GAT 的应用——微博用户
9.3.3 基于 Keras 的 GAT 代码解析 ........................155
本章小结................................... 158
习题......................................... 158
拓展阅读................................... 158
第 10 章 巴甫洛夫的狗—— 智能体学习............... 159
10.1 灵感来源——反射学习........ 160
10.2 向狗学习——强化学习 ....... 160
10.2.1 发展历程.......................160
10.2.2 强化学习范式................ 161
10.2.3 值函数与策略函数 .........163
10.2.4 MDP 求解方法 .............164
10.3 实现强化学习—— 两种策略......................... 164
10.3.1 off-policy 学习 .............164
10.3.2 on-policy 学习.............165
10.4 引入万能的神经网络—— 深度强化学习................... 166
10.4.1 基于值函数的方法..........166
10.4.2 基于策略梯度方法 .........166
10.5 解决更复杂的问题- 分布式强化学习................ 167
10.5.1 IMPALA ...................... 168
10.5.2 SEEDRL..................... 168
10.5.3 Ape-X ........................ 169
10.5.4 Acme.......................... 169
10.6 史上最强大的狗—— AlphaGo....................... 170
10.6.1 围棋简介 ...................... 170
10.6.2 AlphaGo 算法运行 原理..............................171
10.6.3 与AlphaGo 下棋小例子... 173
10.7 走向更强——高级强化 学习 .............................. 174
10.7.1 分层强化学习................ 174
10.7.2 逆强化学习................... 174
10.7.3 元强化学习................... 174
10.7.4 多智能体强化学习......... 175
本章小结 ...................................175
习题 ......................................175
第 11 章 学会艺术创作——生成学习 ..................176
11.1 和梵高学习画画——风格 迁移模型 ..........................177
11.1.1 深度学习作画................. 177
11.1.2 第一个风格迁移神经网络..............................178
11.1.3 固定风格任意内容的快速风格迁移.................179
11.1.4 基于 Keras 实现的
Gatys 风格迁移模型 ......180
11.2 失业的画家—— 生成对抗网络 ................... 186
11.2.1 对抗生成模型 GAN........186
11.2.2 GAN 原理解析 ..............186
11.2.3 基于 DCGAN 的 手写体数字生成.............188
11.3 深度学习也“脆弱”—— 对抗攻击 ......................... 192
11.4 复活的唐诗——大规模预 训练模型 ......................... 194
11.4.1 大规模“预训练语言模型” ....................194
11.4.2 BERT 和 GPT 原理浅析 .............................195
11.4.3 基于 BERT 和 GPT 的 诗歌生成.......................197
本章小结 .................................. 197
习题...................................... 198
拓展阅读 .................................. 198
第 12 章 学习使我快乐—— 自动学习.................. 199
12.1 如何实现自动学习—— AutoML 原理 ................. 200
12.1.1 算法的模型选择.............200
12.1.2 超参数优化 ................... 201
12.1.3 网络结构优化................205
12.2 动手实践-AutoML 实例 ... 205
12.2.1 Auto-sklearn..............205
12.2.2 分布式 H2O.................206
12.3 自动深度学习——AutoDL... 207
12.3.1 深度学习概述................207
12.3.2 深度学习参数调节.........207
12.4 自动强化学习——AutoRL... 208
12.5 自动图神经网络—— AutoGL .......................... 208
12.5.1 图神经网络简介.............208
12.5.2 自动图神经网络 ............209
本章小结 ................................... 211
习题 .........................................212
参考文献.................. 221