AI技术学习与应用指南.docVIP

技术学习与应用指南

TOC\o1-2\h\u17309第1章基础概念与理论 4

309021.1发展简史 4

113381.1.1早期：推理机与专家系统 4

150721.1.2机器学习时代 4

279961.1.3深度学习时代 5

278071.2主要技术分支 5

221121.2.1机器学习 5

80451.2.2深度学习 5

149821.2.3计算机视觉 5

109911.2.4自然语言处理 5

264371.2.5强化学习 5

208651.3应用领域概述 5

74941.3.1医疗健康 5

86951.3.2交通运输 6

14331.3.3金融科技 6

185661.3.4教育 6

116351.3.5智能家居 6

204791.3.6 6

9487第2章数学与统计学基础 6

76082.1线性代数 6

6132.1.1向量与矩阵 6

14902.1.2线性方程组 6

201852.1.3特征值与特征向量 7

7182.2概率论与数理统计 7

243282.2.1概率论基础 7

129262.2.2数理统计基础 7

200642.2.3概率论与数理统计在中的应用 7

30362.3优化方法 8

256462.3.1线性规划 8

72532.3.2非线性规划 8

56892.3.3无约束优化与约束优化 8

20600第3章机器学习算法 8

156583.1监督学习 8

110633.1.1线性回归 9

290123.1.2逻辑回归 9

102683.1.3决策树 9

313863.1.4随机森林 9

102603.1.5支持向量机 9

216233.1.6神经网络 9

14833.2无监督学习 9

39723.2.1Kmeans聚类 9

55483.2.2层次聚类 9

255793.2.3密度聚类 9

140713.2.4主成分分析 10

93813.3强化学习 10

16893.3.1Q学习 10

3743.3.2Sarsa 10

24673.3.3策略梯度 10

138293.3.4深度Q网络 10

52643.3.5异策学习 10

30345第4章深度学习技术 10

76214.1神经网络基础 10

119834.1.1神经元模型 10

237804.1.2损失函数 10

37694.1.3反向传播算法 11

260944.1.4正则化与优化 11

305604.2卷积神经网络 11

98034.2.1卷积运算 11

139394.2.2池化层 11

69564.2.3激活函数 11

106544.2.4经典网络结构 11

50934.3循环神经网络 11

291644.3.1RNN基本结构 11

102884.3.2长短时记忆网络（LSTM） 11

244594.3.3门控循环单元（GRU） 11

24264.3.4双向RNN与深度RNN 12

164724.3.5RNN的应用 12

20396第5章计算机视觉 12

205065.1图像处理基础 12

94765.1.1图像表示 12

162205.1.2图像变换 12

46075.1.3图像滤波 12

118415.1.4边缘检测 12

290375.2特征提取与表示 12

89015.2.1局部特征提取 12

56525.2.2全局特征提取 13

323355.2.3特征表示 13

139775.3目标检测与识别 13

216265.3.1目标检测 13

65355.3.2目标识别 13

218885.3.3实例分割 13

2727第6章自然语言处理 13

206556.1与词向量 13

112746.1.1 13

142866.1.2词向量 14

21646.2语法分析 14

47006.2.1成分句法分析 14

148566.2.2依存句法分析 14

20596.3机器翻译与文本 14

203216.3.1机器翻译 14

91986.3