人工智能極簡入門（第2版·通識課版）

目錄

第1章光輝歲月：人工智能的那些人和事1

1.1追問智能的本質1

1.2復雜機器與智能3

1.3遠古人工智能發展簡史4

1.3.1遠古神器與機器4

1.3.2復雜機器與智能6

1.3.3計算自動化的發展脈絡10

1.3.4機器與類人機器15

1.3.5思維邏輯化的演變19

1.4現代人工智能的誕生28

1.4.1簡潔優雅的圖靈測試28

1.4.2群星閃耀的達特茅斯會議32

1.5人工智能的三個流派35

1.5.1符號主義35

1.5.2聯結主義38

1.5.3行為主義40

1.6人工智能的定義42

1.7人工智能的研究領域43

1.7.1認知建模43

1.7.2知識表示43

1.7.3機器感知44

1.7.4自動推理44

1.7.5機器學習45

1.7.6問題求解與博弈45

1.7.7自然語言處理46

1.7.8深度神經網絡47

1.7.9智能信息檢索47

1.8本章小結48

1.9思考與練習49

參考文獻50

第2章機器學習：各司其職的四大門派51

2.1人工智能的兩種研究範式51

2.2從學習到機器學習53

2.2.1什麼是學習53

2.2.2學習有何用54

2.2.3什麼是機器學習56

2.2.4機器學習的本質57

2.2.5傳統編程與機器學習的差別58

2.2.6為什麼機器學習不容易59

2.3監督學習62

2.3.1感性認知監督學習62

2.3.2監督學習的工作流程63

2.3.3分類與回歸的區分64

2.3.4監督學習中的損失函數66

2.4無監督學習67

2.4.1感性認知無監督學習67

2.4.2無監督學習的代表——k均值聚類69

2.5半監督學習72

2.6強化學習74

2.6.1感性認識強化學習74

2.6.2強化學習的形式描述76

2.7LeCun的蛋糕理論77

2.8從哲學視角審視機器學習79

2.8.1預測的本質79

2.8.2歸納法的不完備性81

2.8.3大衛·休謨問題： 事實歸納不出價值84

2.9本章小結85

2.10思考與練習86

參考文獻87

第3章k近鄰算法：近朱者赤、近墨者黑88

3.1“君君臣臣”傳達的分類思想88

3.2k近鄰算法的核心思想89

3.3k近鄰算法的數學基礎91

3.3.1特征向量與矩陣91

3.3.2特征向量的歸一化98

3.4k近鄰算法的三個要素100

3.4.1k值的選取100

3.4.2鄰居距離的度量101

3.4.3分類決策的制定102

3.4.4蘇格拉底之死與k近鄰之弊103

3.4.5瑞·達裏奧的“話份”104

3.5k近鄰算法實戰105

3.5.1分類任務與數據準備105

3.5.2可視化圖展現106

3.5.3計算相似性107

3.5.4判定類別111

3.6機器學習利器——scikitlearn116

3.7k近鄰回歸120

3.7.1k近鄰回歸的核心思想120

3.7.2利用k近鄰回歸預測體重120

3.8本章小結122

3.9思考與練習122

參考文獻123

第4章貝葉斯：一種現代世界觀的人生算法124

4.1貝葉斯的歷史淵源124

4.2重溫貝葉斯定理127

4.3貝葉斯的“問題”131

4.3.1案例分析： “湯姆斷案”131

4.3.2江湖恩怨： 貝葉斯學派與頻率學派135

4.4貝葉斯方法在機器學習中的應用138

4.4.1樸素貝葉斯138

4.4.2能否出去玩，貝葉斯說了算142

4.5基於貝葉斯的垃圾郵件過濾148

4.5.1垃圾郵件的來源148

4.5.2過濾垃圾郵件的貝葉斯原理149

4.5.3構建訓練集150

4.5.4聯合概率是如何計算的152

4.5.5樸素貝葉斯“樸素”在哪裏153

4.5.6貝葉斯的不同類型154

4.5.7貝葉斯分類的一些工程優化155

4.6貝葉斯網絡156

4.7本章小結158

4.8思考與練習159

參考文獻160

第5章決策樹：一種高勝算的決策思維162

5.1感性認知決策樹162

5.1.1生活中的決策樹162

5.1.2決策樹的智慧165

5.1.3決策樹與熵166

5.2機器學習中的各種熵166

5.2.1熵是一種世界觀166

5.2.2信息熵168

5.2.3互信息174

5.3如何構建決策樹176

5.3.1信息增益與ID3176

5.3.2信息增益率與C4.5189

5.3.3基尼指數與CART194

5.3.4決策樹的特點195

5.4本章小結197

5.5思考與練習197

參考文獻198

第6章神經網絡：道法自然的智慧199

6.1本能是學習嗎199

6.1.1關於“人性”的一則故事199

6.1.2故事背後的邏輯200

6.2神經網絡中的“學習”本質202

6.2.1巴甫洛夫的“狗”202

6.2.2卡哈爾的“手”203

6.2.3美妙的赫布定律205

6.3人工神經網絡的工作原理207

6.3.1為什麼要用人工神經網絡207

6.3.2人工神經網絡的定義207

6.3.3“恒常連接”與聯結主義208

6.3.4神經網絡的第一性原理210

6.4人工神經網絡的幾個經典模型211

6.4.1MP神經元模型211

6.4.2羅森布拉特的感知機模型213

6.4.3來自馬文·明斯基的攻擊215

6.4.4多層感知機的表征能力217

6.4.5BP反向傳播算法222

6.5不可忽視的激活函數225

6.6實戰：手把手搭建一個簡易神經網絡227

6.6.1利用感知機識別“西瓜”與“香蕉”227

6.6.2利用感知機解決異或問題233

6.7走向更深的方向——神經網絡的拓撲結構設計238

6.8本章小結239

6.9思考與練習240

參考文獻241

第7章深度學習：一種數據重於算法的思維轉換242

7.1深度學習所處的知識象限242

7.2深度學習的感性認知246

7.3深度學習中的方法論247

7.4深度學習發展簡史249

7.4.1來自休伯爾的啟發249

7.4.2福島邦彥的神經認知機251

7.4.3LeCun提出的卷積神經網絡252

7.4.4Hinton開啟的深度學習革命253

7.4.5深度學習“層”的內涵256

7.5卷積神經網絡的概念257

7.5.1卷積的數學定義257

7.5.2生活中的卷積258

7.5.3計算機“視界”中的圖像258

7.5.4卷積運算259

7.5.5卷積在圖像處理中的應用263

7.6卷積神經網絡的結構268

7.6.1卷積層269

7.6.2池化層270

7.6.3全連接層273

7.6.4深度之“難”——過擬合與欠擬合274

7.6.5防止過擬合的Dropout機制276

7.7本章小結280

7.8思考與練習281

參考文獻281

第8章自然語言處理：指月指非月的頓悟283

8.1為什麼自然語言處理重要283

8.2自然語言處理的一個假設285

8.3詞向量表示方法289

8.3.1獨熱編碼表示289

8.3.2分布式表示291

8.3.3詞嵌入表示294

8.4經典的自然語言處理統計模型298

8.4.1NGram模型298

8.4.2基於神經網絡的語言模型299

8.5基於循環神經網絡的語言模型305

8.5.1Vanilla遞歸神經網絡305

8.5.2感性認知RNN的“記憶”功能306

8.5.3RNN的工作原理310

8.5.4RNN的梯度彌散314

8.5.5長短期記憶網絡315

8.5.6RNN語言模型319

8.6基於RNN的常見自然語言處理拓撲結構321

8.6.1onetoone322

8.6.2onetomany322

8.6.3manytoone323

8.6.4manytomany323

8.7EncoderDecoder與Seq2Seq325

8.7.1編碼器與解碼器325

8.7.2Seq2Seq326

8.8Attention機制327

8.9NLP常用工具與開發流程331

8.10本章小結336

8.11思考與練習337

參考文獻337

第9章大模型：湧現而來的智能340

9.1一張引發思考的有趣圖片340

9.2什麼是大模型342

9.3大模型理論基礎——Transformer342

9.4大模型的本質——壓縮智能345

9.5大模型獨特能力347

9.5.1湧現與擴展法則347

9.5.2思維鏈349

9.5.3提示詞351

9.6主流大模型352

9.6.1生成預訓練模型GPT352

9.6.2通用語言模型GLM354

9.6.3Meta大模型Llama354

9.6.4深度探索大模型DeepSeek356

9.7大模型本地部署358

9.7.1安裝Ollama359

9.7.2Ollama下載Llama 3360

9.7.3安裝Docker363

9.7.4安裝Open WebUI365

9.7.5加載大模型368

9.7.6加載DeepSeek R1371

9.8二次開發利用大模型374

9.8.1構造一個圖片解析器374

9.8.2利用系統提示詞打造一個AI翻譯助手379

9.8.3構建一個簡易PDF文檔解讀工具381

9.9對待人工智能的兩個態度386

9.10本章小結387

9.11思考與練習388

參考文獻388