基礎(chǔ)篇
1 走近人工智能
1．1 什么是人工智能
1．1．1 改變世界的人工智能
1．1．2 了解什么是人工智能
1．2 人工智能簡史
1．3 人工智能對人類的影響
1．3．1 人工智能的層級
1．3．2 奇點(diǎn)
1．4 當(dāng)前人工智能的局限
1．5 人工智能的未來
本章小結(jié)
2 計(jì)算機(jī)與人工智能
2．1 數(shù)理邏輯的基礎(chǔ)—布爾代數(shù)
2．2 “用機(jī)器計(jì)算”的基礎(chǔ)—可計(jì)算理論
2．2．1 一般遞歸函數(shù)與A可定義函數(shù)
2．2．2 圖靈機(jī)
2．3 人工智能之父—圖靈
2．3．1 現(xiàn)代計(jì)算機(jī)的前身—圖靈機(jī)
2．3．2 檢驗(yàn)人工智能的方法—圖靈測試
2．3．3 人工智能的展望
2．4 計(jì)算機(jī)
2．4．1 電子計(jì)算機(jī)的誕生
2．4．2 計(jì)算機(jī)程序
2．5 早期人工智能
2．5．1 專家系統(tǒng)
2．5．2 樹與森林
2．6 動物識別的專家系統(tǒng)
2．6．1 制訂規(guī)則庫
2．6．2 正向推理過程程序?qū)崿F(xiàn)
2．7 二進(jìn)制與位運(yùn)算
2．7．1 二進(jìn)制、十進(jìn)制和十六進(jìn)制
2．7．2 計(jì)算機(jī)位運(yùn)算
2．7．3 計(jì)算機(jī)實(shí)現(xiàn)簡單的四則運(yùn)算
本章小結(jié)
3 計(jì)算機(jī)與環(huán)境感知
3．1 聲音是一種一維信號
3．1．1 聲音的性質(zhì)
3．1．2 人如何發(fā)出聲音和聽到聲音
3．1．3 計(jì)算機(jī)如何聽到聲音
3．1．4 計(jì)算機(jī)如何發(fā)出聲音
3．2 圖像是一種二維信號
3．2．1 圖像技術(shù)的發(fā)展歷史
3．2．2 人眼如何看見圖像
3．2．3 單反相機(jī)是如何產(chǎn)生數(shù)字圖像的
3．2．4 圖像獲取系統(tǒng)
3．2．5 計(jì)算機(jī)看到的圖像
3．3 一線激光雷達(dá)簡介
3．3．1 一線激光雷達(dá)的系統(tǒng)組成
3．3．2 一線激光雷達(dá)的測距原理
本章小結(jié)
4 簡單幾何形狀的識別
4．1 角點(diǎn)檢測
4．2 模板匹配
4．3 基礎(chǔ)形狀的識別
4．4 箭頭識別
4．5 直線檢測
4．6 圓的檢測
4．7 拓展應(yīng)用
4．7．1 車道線檢測
4．7．2 其他應(yīng)用
本章小結(jié)
拓展閱讀
5 人工智能搜索算法
5．1 廣度優(yōu)先搜索
5．2 深度優(yōu)先搜索
5．3 A*搜索
5．4 基于搜索算法的迷宮案例分析
本章小結(jié)
6 智能感知與交互—智能微縮車
6．1 微縮車的任務(wù)目標(biāo)
6．2 微縮車的整體結(jié)構(gòu)
6．3 微縮車各部分的結(jié)構(gòu)和原理
6．3．1 微縮車的控制器——樹莓派和單片機(jī)
6．3．2 微縮車的執(zhí)行機(jī)構(gòu)—電機(jī)和舵機(jī)
6．3．3 微縮車的運(yùn)動機(jī)構(gòu)—底盤
6．3．4 微縮車的傳感器—攝像頭、編碼器、避障傳感器
6．3．5 微縮車的能源——電源
6．4 實(shí)驗(yàn)階段
6．4．1 預(yù)備實(shí)驗(yàn)：熟悉微縮車計(jì)算機(jī)的操作
6．4．2 實(shí)驗(yàn)用Python代碼框架示例
6．4．3 實(shí)驗(yàn)1：讓微縮車動起來
6．4．4 實(shí)驗(yàn)2：讓微縮車能夠識別圖形
6．4．5 實(shí)驗(yàn)3：帶微縮車遙個彎兒
6．4．6 實(shí)驗(yàn)4：微縮車的自動巡線運(yùn)動
本章小結(jié)
進(jìn)階篇
7 大數(shù)據(jù)開啟了人工智能新時代
7．1 人工智能的發(fā)展歷史回顧
7．2 當(dāng)代人工智能的基石：大數(shù)據(jù)
7．3 大數(shù)據(jù)時代下的人工智能
7．3．1 大數(shù)據(jù)、大智能
7．3．2 大數(shù)據(jù)與深度學(xué)習(xí)
7．4 大數(shù)據(jù)下深度學(xué)習(xí)成功的啟示
7．5 大數(shù)據(jù)人工智能的倫理
7．5．1 安全與隱私
7．5．2 失業(yè)問題
7．5．3 歧視
7．5．4 道德機(jī)器
7．5．5 人機(jī)關(guān)系
本章小結(jié)
8 知識與推理
8．1 知識表示
8．1．1 知識
8．1．2 知識表示方法
8．1．3 知識表示過程
8．2 知識推理
8．2．1 知識推理的方法
8．2．2 演繹推理
8．2．3 歸納推理
8．2．4 確定性推理與不確定性推理
8．2．5 知識推理的控制策略
8．3 產(chǎn)生式系統(tǒng)的推理
8．3．1 產(chǎn)生式系統(tǒng)的組成
8．3．2 產(chǎn)生式系統(tǒng)的正向推理
8．3．3 產(chǎn)生式系統(tǒng)的逆向推理
8．4 知識圖譜
8．4．1 語義網(wǎng)絡(luò)
8．4．2 知識庫
8．4．3 知識圖譜的表示
8．4．4 知識圖譜的結(jié)構(gòu)
8．4．5 知識圖譜的意義
8．4．6 知識圖譜與事理圖譜
8．4．7 知識圖譜與大數(shù)據(jù)
本章小結(jié)
9 回歸與分類
9．1 線性回歸
9．2 最小二乘法
9．3 支持向量機(jī)
9．4 決策樹
9．5 集成學(xué)習(xí)
9．6 隨機(jī)森林
本章小結(jié)
10 深度學(xué)習(xí)網(wǎng)絡(luò)
10．1 從特征工程到深度神經(jīng)網(wǎng)絡(luò)
10．2 神經(jīng)元模型
10．3 深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及訓(xùn)練
10．3．1 卷積層
10．3．2 非線性激活層
10．3．3 池化層
10．3．4 全連接層
10．3．5 深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
10．3．6 深度神經(jīng)網(wǎng)絡(luò)與人類視覺系統(tǒng)
10．4 深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的優(yōu)勢
10．4．1 深度學(xué)習(xí)的優(yōu)勢
10．4．2 傳統(tǒng)機(jī)器學(xué)習(xí)（傳統(tǒng)ML算法）的優(yōu)勢
10．5 深度學(xué)習(xí)的應(yīng)用
10．5．1 圖像分類
10．5．2 目標(biāo)檢測
10．5．3 圖像分割
10．5．4 圖像標(biāo)注（看圖說話）
10．5．5 圖像生成（文字轉(zhuǎn)圖像）
10．5．6 生成對抗網(wǎng)絡(luò)
本章小結(jié)
11 感知信息處理
11．1 語音識別
11．1．1 語音識別技術(shù)的發(fā)展歷程
11．1．2 語音信息的基本特征
11．1．3 語音識別系統(tǒng)框架
11．1．4 語音識別基本原理
11．2 圖像識別
11．2．1 了解圖像識別技術(shù)
11．2．2 圖像采集
11．2．3 圖像特征提取
11．2．4 標(biāo)志牌分類和識別
11．2．5 基于HoG特征的SVM進(jìn)行人檢測
11．2．6 評價標(biāo)志牌識別性能
本章小結(jié)
12 人工智能進(jìn)階實(shí)驗(yàn)
12．1 實(shí)驗(yàn)1—標(biāo)志牌識別
12．2 實(shí)驗(yàn)2—微縮車倒車入庫
本章小結(jié)
拓展閱讀
參考文獻(xiàn)