目錄 第1章 人工智能時代的開始 1.1　由機器學習到人工智能的定義 1.2　人工智能發(fā)展史 1.3　認知機器學習 1.3.1　機器學習概念 1.3.2　機器學習方式 1.4　深度學習 1.4.1　深度學習起源于感知機 1.4.2　通過激活函數(shù)實現(xiàn)微調 1.4.3　深度學習的輸出層 1.5　人工智能相關概念 1.5.1　訓練數(shù)據(jù)集 1.5.2　驗證數(shù)據(jù)集 1.5.3　測試數(shù)據(jù)集 1.5.4　過擬合和欠擬合 1.6　人工智能學習方向概覽 1.7　本章小結 第2章Python語言基礎介紹 2.1　Python編輯環(huán)境的搭建 2.1.1　搭建Python運行環(huán)境 2.1.2　Python環(huán)境變量的設置 2.1.3　PyCharm編輯工具的安裝 2.1.4　啟動PyCharm工具 2.1.5　PyCharm創(chuàng)建第一個Python程序 2.2　Python程序入門 2.2.1　順序結構 2.2.2　條件分支結構 2.2.3　循環(huán)結構 2.3　Python函數(shù)功能的實現(xiàn) 2.4　Python數(shù)據(jù)類型的認識 2.5　Python編程邏輯實戰(zhàn) 2.6　本章小結 第3章 應答機器人 3.1　簡易應答機器人實現(xiàn) 3.2　應答機器人的分類思維 3.2.1　暢聊與尬聊的分類思維 3.2.2　暢聊和尬聊分類中的噪聲 3.2.3　暢聊和尬聊的多分類問題 3.3　問題推薦與意圖表達 3.4　Softmax多分類算法 3.5　AIML模塊實戰(zhàn)應答機器人 3.6　本章小結 第4章 駕馭物體識別 4.1　計算機視覺對圖像的理解 4.2　計算機視覺的任務 4.3　物體檢測 4.3.1　滑動窗口法 4.3.2　圖像金字塔 4.3.3　YOLO設計理念與CNN模型 4.4　BOW原理 4.5　ImageAI模塊使用實戰(zhàn) 4.5.1　ImageAI模塊的安裝 4.5.2　ImageAI模塊實現(xiàn)物體檢測 4.6　本章小結 第5章 直擊人臉識別 5.1　人臉識別的理解 5.2　人臉識別的發(fā)展簡史 5.3　人臉識別系統(tǒng)組成 5.3.1　數(shù)據(jù)獲取 5.3.2　圖像預處理 5.3.3　人臉識別的主要算法 5.3.4　人臉識別的主要特征點 5.3.5　人臉檢測和人臉識別的技術指標 5.4　人臉識別模塊實戰(zhàn) 5.4.1　人臉識別模塊face-recognition的安裝 5.4.2　face-recognition人臉識別模塊的臉部位置檢測 5.4.3　face-recognition人臉識別模塊的臉部識別 5.4.4　face-recognition人臉識別模塊的臉部關鍵點檢測及美妝 5.5　本章小結 第6章 揭秘語音識別 6.1　關于對音頻的認知 6.2　音頻信號識別過程 6.2.1　梅爾頻率倒譜系數(shù) 6.2.2　隱馬爾可夫模型 6.2.3　N-Gram統(tǒng)計語言模型 6.3　語音波形和識別實戰(zhàn) 6.3.1　librosa模塊實戰(zhàn)語音波形 6.3.2　librosa模塊實戰(zhàn)梅爾頻率倒譜系數(shù) 6.3.3　SpeechRecognition實戰(zhàn)語音識別 6.4　本章小結 第7章 聚焦視頻識別 7.1　關于對視頻的認知 7.2　視頻編解碼技術的認知 7.3　視頻理解中的行為識別 7.3.1　時空關鍵點法 7.3.2　雙流法的行為識別 7.4　視頻理解中的場景識別 7.5　ImageAI模塊使用實戰(zhàn) 7.6　本章小結 第8章 生成對抗神經(jīng)網(wǎng)絡處理圖像 8.1　從囚徒困境談起 8.2　生成對抗神經(jīng)網(wǎng)絡 8.3　生成對抗神經(jīng)網(wǎng)絡的應用場景 8.3.1　圖像生成 8.3.2　多域圖像生成 8.3.3　圖像轉換 8.3.4　多域圖像轉換 8.3.5　對象檢測 8.3.6　對象變換 8.3.7　文本轉圖像 8.4　生成對抗神經(jīng)網(wǎng)絡的架構 8.5　生成對抗神經(jīng)網(wǎng)絡的訓練方法 8.6　生成對抗神經(jīng)網(wǎng)絡的優(yōu)劣 8.7　生成對抗神經(jīng)網(wǎng)絡的訓練實戰(zhàn) 8.8　本章小結 第9章 感知無人駕駛 9.1　無人駕駛研究的必要性 9.2　無人駕駛的概念 9.3　無人駕駛系統(tǒng)的基本架構 9.3.1　環(huán)境感知 9.3.2　定位 9.3.3　任務規(guī)劃 9.3.4　行為規(guī)劃 9.3.5　動作規(guī)劃 9.3.6　預測控制 9.4　sklearn模塊實戰(zhàn)分類 9.4.1　歐氏距離：KNN分類原理與實現(xiàn) 9.4.2　貝葉斯算法：樸素貝葉斯分類原理與實現(xiàn) 9.4.3　決策之樹：決策樹分類原理與實現(xiàn) 9.5　本章小結 第10章 區(qū)塊鏈協(xié)同大數(shù)據(jù) 10.1　關于對區(qū)塊鏈的認知 10.2　區(qū)塊鏈的原理 10.3　區(qū)塊鏈的相關概念 10.3.1　區(qū)塊 10.3.2　哈希算法 10.3.3　公鑰和私鑰 10.3.4　時間戳 10.4　大數(shù)據(jù)產業(yè)的理解 10.4.1　數(shù)據(jù)采集 10.4.2　數(shù)據(jù)存儲 10.4.3　數(shù)據(jù)建模 10.4.4　數(shù)據(jù)分析 10.5　大數(shù)據(jù)框架介紹 10.5.1　Hadoop框架 10.5.2　Hadoop環(huán)境搭建 10.5.3　MapReduce組件 10.5.4　Spark框架 10.6　經(jīng)典的大數(shù)據(jù)WordCount程序 10.7　本章小結 第11章 人工智能面試指導 11.1　引導面試題選集 11.2　未來研究方向