本书较为系统地介绍了人工智能的发展历史、经典算法和前沿技术，并对算法背后的思维方式进行了哲学思辨。内容既包括经典算法（如k近邻、贝叶斯、决策树和神经网络等），又涵盖前沿技术（如深度学习、自然语言处理等）。本书所有算法均配备对应的实战项目（包括Excel版本和/或Python版本），以帮助读者在实践中理解原理。

本书适合高等学校理工科或人文学科的“人工智能”通识课教学使用，也适合作为对人工智能有入门需求的研究生、工程师和研究人员的学习资料。

张玉宏，2012年博士毕业于电子科技大学，大数据分析师（高级），美国西北大学访问学者、IUPUI高级访问学者，现执教于河南工业大学，先后出版《深度学习之美》《品味大数据》等科技畅销书7部。

第1章光辉岁月： 人工智能的那些人和事1

1.1追问智能的本质1

1.2复杂机器与智能3

1.3远古人工智能发展简史4

1.3.1远古神器与机器4

1.3.2复杂机器与智能6

1.3.3计算自动化的发展脉络10

1.3.4机器与类人机器15

1.3.5思维逻辑化的演变19

1.4现代人工智能的诞生28

1.4.1简洁优雅的图灵测试28

1.4.2群星闪耀的达特茅斯会议32

1.5人工智能的三个流派35

1.5.1符号主义35

1.5.2联结主义38

1.5.3行为主义40

1.6人工智能的定义42

1.7人工智能的研究领域43

1.7.1认知建模43

1.7.2知识表示43

1.7.3机器感知44

1.7.4自动推理44

1.7.5机器学习45

1.7.6问题求解与博弈45

1.7.7自然语言处理46

1.7.8深度神经网络47

1.7.9智能信息检索47

1.8本章小结48

1.9思考与练习49

参考文献50

第2章机器学习： 各司其职的四大门派51

2.1人工智能的两种研究范式51

2.2从学习到机器学习53

2.2.1什么是学习53

2.2.2学习有何用54

2.2.3什么是机器学习56

2.2.4机器学习的本质57

2.2.5传统编程与机器学习的差别58

2.2.6为什么机器学习不容易59

2.3监督学习61

2.3.1感性认知监督学习61

2.3.2监督学习的工作流程62

2.3.3分类与回归的区分63

2.3.4监督学习中的损失函数64

2.4无监督学习66

2.4.1感性认知无监督学习66

2.4.2无监督学习的代表——K均值聚类67

2.5半监督学习71

2.6强化学习73

2.6.1感性认识强化学习73

2.6.2强化学习的形式描述75

2.7LeCun的蛋糕理论76

2.8从哲学视角审视机器学习78

2.8.1预测的本质78

2.8.2归纳法的不完备性80

2.8.3大卫·休谟问题： 事实归纳不出价值83

2.9本章小结84

2.10思考与练习85

参考文献86

第3章k近邻算法：近朱者赤、近墨者黑87

3.1“君君臣臣”传达的分类思想87

3.2k近邻算法的核心思想88

3.3k近邻算法的数学基础90

3.3.1特征向量与矩阵90

3.3.2特征向量的归一化96

3.4k近邻算法的三个要素98

3.4.1k值的选取98

3.4.2邻居距离的度量99

3.4.3分类决策的制订100

3.4.4苏格拉底之死与k近邻之弊101

3.4.5瑞·达里奥的“话份”102

3.5用Excel完成k近邻算法实战103

3.5.1分类任务与数据准备103

3.5.2可视化图展现104

3.5.3计算相似性105

3.5.4判定类别108

3.6机器学习利器——scikitlearn112

3.7k近邻回归115

3.7.1k近邻回归的核心思想115

3.7.2利用k近邻回归预测体重115

3.8本章小结117

3.9思考与练习117

参考文献118

第4章贝叶斯： 一种现代世界观的人生算法119

4.1贝叶斯的历史渊源119

4.2重温贝叶斯定理122

4.3贝叶斯的“问题”126

4.3.1案例分析： “汤姆断案”126

4.3.2江湖恩怨： 贝叶斯学派与频率学派129

4.4贝叶斯方法在机器学习中的应用132

4.4.1朴素贝叶斯132

4.4.2能否出去玩，贝叶斯说了算136

4.5基于贝叶斯的垃圾邮件过滤140

4.5.1垃圾邮件的来源141

4.5.2过滤垃圾邮件的贝叶斯原理142

4.5.3构建训练集143

4.5.4联合概率是如何计算的144

4.5.5朴素贝叶斯“朴素”在哪里146

4.5.6贝叶斯的不同类型146

4.5.7贝叶斯分类的一些工程优化147

4.6贝叶斯网络149

4.7本章小结151

4.8思考与练习152

参考文献153

第5章决策树： 一种高胜算的决策思维154

5.1感性认知决策树154

5.1.1生活中的决策树154

5.1.2决策树的智慧157

5.1.3决策树与熵158

5.2机器学习中的各种熵158

5.2.1熵是一种世界观158

5.2.2信息熵160

5.2.3互信息166

5.3如何构建决策树168

5.3.1信息增益与ID3168

5.3.2信息增益率与C4.5179

5.3.3基尼指数与CART182

5.3.4决策树的特点184

5.4本章小结185

5.5思考与练习186

参考文献186

第6章神经网络：道法自然的智慧187

6.1本能是学习吗？187

6.1.1关于“人性”的一则故事187

6.1.2故事背后的逻辑188

6.2神经网络中的“学习”本质190

6.2.1巴甫洛夫的“狗”190

6.2.2卡哈尔的“手”191

6.2.3美妙的赫布定律193

6.3人工神经网络的工作原理195

6.3.1为什么要用人工神经网络195

6.3.2人工神经网络的定义195

6.3.3“恒常连接”与联结主义196

6.3.4神经网络的第一性原理198

6.4人工神经网络的几个经典模型199

6.4.1MP神经元模型199

6.4.2罗森布拉特的感知机模型201

6.4.3来自马文·明斯基的攻击203

6.4.4多层感知机的表征能力205

6.4.5BP反向传播算法210

6.5不可忽视的激活函数213

6.6实战：手把手搭建一个简易神经网络215

6.6.1利用感知机识别“西瓜”与“香蕉”215

6.6.2利用感知机解决异或问题219

6.7走向更深的方向——神经网络的拓扑结构设计222

6.8本章小结223

6.9思考与练习224

参考文献224

第7章深度学习：一种数据重于算法的思维转换226

7.1深度学习所处的知识象限226

7.2深度学习的感性认知230

7.3深度学习中的方法论231

7.4深度学习发展简史233

7.4.1来自休伯尔的启发233

7.4.2福岛邦彦的神经认知机235

7.4.3LeCun提出的卷积神经网络236

7.4.4Hinton开启的深度学习革命237

7.4.5深度学习“层”的内涵240

7.5卷积神经网络的概念241

7.5.1卷积的数学定义241

7.5.2生活中的卷积242

7.5.3计算机“视界”中的图像242

7.5.4卷积运算243

7.5.5卷积在图像处理中的应用247

7.6卷积神经网络的结构249

7.6.1卷积层251

7.6.2池化层252

7.6.3全连接层254

7.6.4深度之“难”——过拟合与欠拟合256

7.6.5防止过拟合的Dropout机制258

7.7本章小结259

7.8思考与练习259

参考文献260

第8章自然语言处理：指月指非月的顿悟262

8.1为什么自然语言处理重要262

8.2自然语言处理的一个假设264

8.3词向量表示方法268

8.3.1独热编码表示268

8.3.2分布式表示270

8.3.3词嵌入表示273

8.4经典的自然语言处理统计模型275

8.4.1NGram模型275

8.4.2基于神经网络的语言模型276

8.5基于循环神经网络的语言模型281

8.5.1Vanilla递归神经网络281

8.5.2感性认知RNN的“记忆”功能282

8.5.3RNN的工作原理286

8.5.4长短期记忆网络288

8.5.5RNN语言模型292

8.6基于RNN的常见自然语言处理拓扑结构294

8.6.1onetoone295

8.6.2onetomany295

8.6.3manytoone296

8.6.4manytomany296

8.7EncoderDecoder与Seq2Seq298

8.7.1编码器与解码器298

8.7.2Seq2Seq299

8.8Attention机制300

8.9NLP常用工具与开发流程304

8.10本章小结305

8.11思考与练习306

参考文献306