人工智能的核心课程

机器学习

第1章 引言

1．1 学习问题的标准描述

1．2 设计-个学习系统

1．2．1 选择训练经验

1．2．2 选择目标函数

1．2．3 选择目标函数的表示

1. 2．4 选择函数逼近算法

1．2．5 最终设计

1．3 机器学习的一些观点和问题

1．4 如何阅读本书

1．5 小结和补充读物

习题

第2章 概念学习和一般到特殊序

2．1 简介

2．2 概念学习任务

2．2．1 术语定义

2．2．2 归纳学习假设

2．3 作为搜索的概念学习

2．4 FIND-S：寻找极大特殊假设

2．5 变型空间和候选消除算法

2．5．1 表示

2．5．2 列表后消除算法

2．5．3 变型空间的更简洁表示

2．5．4 候选消除学习算法

2．5．5 算法的举例

2．6 关于变型空间和候选消除的说明

2．6．1 候选消除算法是否会收敛到正确的假设

2．6．2 下一步需要什么样的训练样例

2．6．3 怎样使用不完全学习概念

2．7 归纳偏置

2．7．1 -个有偏的假设空间

2．7．2 无偏的学习器

2．7．3 无偏学习的无用性

2．8 小始和补充读物

习题

第3章 决策树学习

3．1 简介

3．2 决策树表示法

3．3 决策树学习的适用问题

3．4 基本的决策树学习算法

3．4．1 哪个属性是最佳的分类属性

3．4．2 举例

3．5 决策树学习中的假设空间搜索

3．6 决策树学习的归纳偏置

3．6．1 限定偏置和优选偏置

3．6．2 为什么短的假设优先

3．7 决策树学习的常见问题

3．7．1 避免过度拟合数据

3. 7．2 合并连续值属性

3．7．3 属性选择的其他度量标准

3．7．4 处理缺少属性值的训练样例

3．7．5 处理不同代价的属性

3．8 小结和补充读物

习题

第4章 人工神经网络

4．1 简介

4．2 神经网络表示

4．3 适合神经网络学习的问题

4．4 感知器

4．4．1 感知器的表征能力

4. 4．2 感知器训练法则

4．4．3 梯度下降和delta法则

4．4．4 小结

4．5 多层网络和反向传播算法

4．5．1 可微阈值单元

4．5．2 反向传播算法

4．5．3 反向传播法则的推导

4．6 反向传播算法的说明

4．6．1 收敛性和局部极小值

4．6．2 前馈网络的表征能力

4．6．3 假设空间搜索和归纳偏置

4．6．4 隐藏层表示

4．6．5 泛化、过度拟合和停止判据

4．7 举例：人脸识别

4．7．1 任务

4．7．2 设计要素

4．7．3 学习到的隐藏层表示

4．8 人工神经网络的高级课题

4．8．1 其他可选的误差函数

4．8．2 其他可选的误差最小化过程

4．8．3 递归网络

4．8．4 动态修改网络结构

4．9 小结和补充读物

习题

第5章 评估假设

5．1 动机

5．2 估计假设精度

5．2．1 样本错误率和真实错误率

5．2．2 离散值假设的置信区间

5．3 采样理论基础

5．3．1 错误率估计和二项比例估计

5．3．2 二项分布

5．3．3 均值和方差

5．3．4 估计量、偏差和方差

5．3．5 置信区间

5．3．6 双侧和单侧边界

5．4 推导置信区间的一般方法

5．5 两个假设错误率间的差异

5．6 学习算法比较

5．6. 1 配对t测试

5．6．2 实际考虑

5．7 小结和补充读物

习题

第6章 贝叶斯学习

6．1 简介

6．2 贝叶斯法则

6．3 贝叶斯法则和概念学习

6．3．1 BRUTE-FORCE贝叶斯概念学习

6．3．2 MAP假设和一致学习器

6．4 极大似然和最小误差平方假设

6．5 用于预测概率的极大似然假设

6．6 最小描述长度准则

6．7 贝叶斯最优分类器

6．8 GIBBS算法

6．9 朴素贝叶斯分类器

6．10 举例：学习分类文本

6．11 贝叶斯信念网

6．11．1 条件独立性

6．11．2 表示

6．11．3 推理

6．11．4 学习贝叶斯信念网

6．11．5 贝叶斯网的梯度上升训练

6．11．6 学习贝叶斯网的结构

6．12 EM算法

6．12．1 估计k个高斯分布的均值

6．12．2 EM算法的一般表述

6．12．3 k均值算法的推导

6．13 小结和补充读物

习题

第7章 计算学习理论

7．1 简介

7．2 可能学习近似正确假设

7．2．1 问题框架

7．2．2 假设的错误率

7．2．3 PAC可学习性

7．3 有限假设空间的样本复杂度

7．3．1 不可知学习和不一致假设

7．3．2 布尔文字的合取是PAC可学习的

7．3．3 其他概念类别的PAC可学习性

7．4 无限假设空间的样本复杂度

7．4．1 打散一个实例集合

7．4．2 Vapnik-Chervonenkis维度

7．4．3 样本复杂度和VC维

7．4．4 神经网络的VC维

7．5 学习的出错界限模型

7．5．1 FIND-S算法的出错界限

7．5．2 HALVING算法的出错界限

7．5．3 最优出错界限

7．5．4 加权多数算法

7．6 小结和补充读物

习题

第8章 基于实例的学习

8．1 简介

8．2 k-近邻算法

8．2．1 距离加权最近邻算法

8．2．2 对k-近邻算法的说明

8．2．3 术语注解

8．3 局部加权回归

8．3．1 局部加权线性回归

8．3．2 局部加权回归的说明

8．4 径向基函数

8．5 基于案例的推理

8．6 对消极学习和积极学习的评论

8．7 小结和补充读物

习题

第9章 遗传算法

9．1 动机

9．2 遗传算法

9．2．1 表示假设

9．2．2 遗传算子

9．2．3 适应度函数和假设选择

9．3 举例

9．4 假设空间搜索

9．5 遗传编程

9．5．1 程序表示

9．5．2 举例

9．5．3 遗传编程说明

9．6 进化和学习模型

9．6．1 拉马克进化

9．6．2 鲍德温效应

9．7 并行遗传算法

9．8 小结和补充读物

习题

第10章 学习规则集合

10．1 简介

10．2 序列覆盖算法

10．2．1 一般到特殊的柱状搜索

10．2．2 几种变型

10．3 学习规则集：小结

10．4 学习一阶规则

10．4．1 一阶Horn子句

10．4．2 术语

10．5 学习一阶规则集：FOIL

10．5．1 FOIL中的候选特化式的生成

10．5．2 引导FOIL的搜索

10．5．3 学习递归规则集

10．5．4 FOIL小结

10．6 作为逆演绎的归纳

10．7 逆归纳

10．7．1 一阶归纳

10．7．2 逆归纳：一阶情况

10．7．3 逆归纳小结

10．7．4 泛化、-包容和涵蕴

10．7．5 PROGOL

10．8 小结和补充读物

习题

第11章 分析学习

11．1 简介

11．2 用完美的领域理论学习：PROLOG-EBG

11．3 对基于解释的学习的说明

11．3．1 发现新特征

11．3．2 演绎学习

11．3．3 基于解释的学习的归纳偏置

11．3．4 知识级的学习

11．4 搜索控制知识的基于解释的学习

11．5 小结和补充读物

习题

第12章 归纳和分析学习的结合

12．1 动机

12．2 学习的归纳-分析途径

12．2．1 学习问题

12．2．2 假设空间搜索

12．3 使用先验知识得到初始假设

12．3．1 KBANN算法

12．3．2 举例

12．3．3 说明

12．4 使用先验知识改变搜索目标

12．4．1 TANGENTPROP算法

12．4．2 举例

12．4．3 说明

12．4．4 EBNN算法

12．4．5 说明

12．5 使用先验知识来扩展搜索算子

12．5．1 FOCL算法

12．5．2 说明

12．6 研究现状

12．7 小结和补充读物

习题

第13章 增强学习

13．1 简介

13．2 学习任务

13．3 Q学习

13．3．1 Q函数

13．3．2 一个学习Q的算法

13．3．3 举例

13．3．4 收敛性

13．3．5 实验策略

13．3．6 更新序列

13．4 非确定性回报和动作

13．5 时间差分学习

13．6 从样例中泛化

13．7 与动态规划的联乐

13．8 小结和补充读物

语音识别与合成

第1章 绪论

第2章 语音信号处理基础知识

2.1 语音和语言

2.2 汉语语音学

2.2.1 汉语语音的特点

2.2.2 汉语的拼音方法

2.2.3 汉语音节的一般结构

2.2.4 汉语声母的结构

2.2.5 汉语韵母的结构

2.2.6 声母和韵母的相互作用—音征互载

2.2.7 汉语的声调

2.3 语音生成系统和语音感知系统

2.3.1 语音发音系统

2.3.2 语音听觉系统

2.4 语音信号生成的数学模型

2.4.1 激励模型

2.4.2 声道模型

2.4.3 辐射模型

2.4.4 语音信号的数学模型

2.5 语音信号的特性分析

2.5.1 语音信号的时域波形和频谱特性

2.5.2 语音信号的语谱图

2.5.3 语音信号的统计特性

2.6 思考与复习题

第3章 语音信号分析

3.1 概述

3.2 语音信号的数字化和预处理

3.2.1 预滤波、采样、A/D转换

3.2.2 预处理

3.3 语音信号的时域分析

3.3.1 短时能量及短时平均幅度分析

3.3.2 短时过零率分析

3.3.3 短时相关分析

3.3.4 短时平均幅度差函数

3.4 语音信号的频域分析

3.4.1 利用短时傅里叶变换求语音的短时谱

3.4.2 语音的短时谱的临界带特征矢量

3.5 语音信号的倒谱分析

3.5.1 同态信号处理的基本原理

3.5.2 复倒谱和倒谱

3.5.3 语音信号倒谱分析实例

3.6 语音信号的线性预测分析

3.6.1 线性预测分析的基本原理

3.6.2 线性预测方程组的求解

3.6.3 LPC谱估计和LPC复倒谱

3.6.4 线谱对分析

3.7 语音信号的小波分析

3.7.1 傅里叶变换

3.7.2 短时傅里叶变换

3.7.3 连续小波变换

3.7.4 离散小波变换

3.7.5 小波变换的几个实例

3.8 基音周期估计

3.8.1 自相关法

3.8.2 平均幅度差函数法

3.8.3 并行处理法

3.8.4 倒谱法

3.8.5 简化逆滤波法

3.8.6 小波变换法

3.8.7 基音检测的后处理

3.9 共振峰估计

3.9.1 带通滤波器组法

3.9.2 倒谱法

3.9.3 LPC法

3.10 思考与复习题

第4章 矢量量化技术

4.1 概述

4.2 矢量量化的基本原理

4.3 矢量量化的失真测度

4.3.1 欧氏距离测度

4.3.2 线性预测失真测度

4.3.3 识别失真测度

4.4 矢量量化器的最佳码本设计

4.4.1 LBG算法

4.4.2 初始码本的生成

4.5 矢量量化技术的优化设计

4.6 思考与复习题

第5章 隐马尔可夫模型

5.1 隐马尔可夫模型的引入

5.2 隐马尔可夫模型的定义

5.2.1 离散Markov过

5.2.2 隐Markov模型

5.2.3 HMM的基本元素

5.3 隐马尔可夫模型的基本算法

5.3.1 前向-后向算法

5.3.2 维特比算法

5.3.3 Baum-Welch算法

5.4 隐马尔可夫模型的各种结构类型

5.4.1 按照HMM的状态转移概率矩阵(A参数)分类

5.4.2 按照HMM的输出概率分布(B参数)分类

5.4.3 其他一些特殊的：HMM的形式

5.5 隐马尔可夫模型的一些实际问题

5.5.1 下溢问题

5.5.2 参数的初始化问题

5.5.3 提高HMM描述语音动态特性的能力

5.5.4 直接利用状态持续时间分布概率的HMM系统

5.6 思考与复习题

第6章 人工神经网络初步

6.1 人工神经网络简介

6.2 人工神经网络的构成

6.2.1 神经元

6.2.2 神经元的学习算法

6.2.3 网络拓扑

6.2.4 网络的学习算法

6.3 几种用于模式识别的神经网络模型及其主要算法

6.3.1 单层感知器

6.3.2双层感知器

6.3.3 多层感知器

6.3.4 径向基函数神经网络的分类特性

6.3.5 自组织特征映射模型

6.3.6 时延神经网络

6.3.7 循环神经网络

6.3.8 支持向量机

6.4 用神经网络进行模式识别的典型做法

6.4.1 多输出型

6.4.2 单输出型

6.5 思考与复习题

第7章 语音编码

7.1 概述

7.2 语音信号压缩编码的原理和压缩系统评价

7.2.1 语音压缩的基本原理

7.2.2 语音编码的关键技术

7.2.3 语音压缩系统的性能指标和评测方法

7.3 语音信号的波形编码

7.3.1 脉冲编码调制

7.3.2 自适应预测编码

7.3.3 自适应增量调制和自适应差分脉冲编码调制

7.3.4 子带编码

7.3.5 自适应变换编码

7.4 语音信号的参数编码

7.4.1 线性预测声码器

7.4.21P-10编码器

7.5 语音信号的混合编码

7.6 现代通信中的语音信号编码方法

7.6.1 EVRC算法基本原理

7.6.2 EVRC算法概述

7.7 思考与复习题

第8章 语音合成

8.1 概述

8.2 共振峰合成法

8.3 线性预测合成法

8.4 语音合成专用硬件简介

8.5 PSOLA算法合成语音

8.6 文语转换系统

8.7 思考与复习题

第9章 语音识别

9.1 概述

9.2 语音识别原理和识别系统的组成

9.2.1 预处理和参数分析

9.2.2 语音识别

9.2.3 语音识别系统的基本数据库

9.3 动态时间规整

9.4 孤立字(词)识别系统

9.4.1 基于MQDF的汉语塞音语音识别系统

9.4.2 基于概率尺度DP识别方法的孤立字(词)识别系统

9.5 连续语音识别系统

9.6 连续语音识别系统的性能评测

9.6.1 连续语音识别系统的评测方法以及系统复杂性和识别能力的测度

9.6.2 综合评估连续语音识别系统时需要考虑的其他因素

9.7 思考与复习题

第10章 说话人识别与语种辨识

10.1 概述

10.2 说话人识别方法和系统结构

10.2.1 预处理

10.2.2 说话人识别特征的选取

10.2.3 特征参量评价方法

10.2.4模式匹配方法

10.2.5 说话人识别中判别方法和阈值的选择

10.2.6 说话人识别系统的评价

10.3 应用DTW的说话人确认系统

10.4 应用VQ的说话人识别系统

10.5 应用HMM的说话人识别系统

10.5.1 基于HMM的与文本有关的说话人识别

10.5.2 基于HMM的与文本无关的说话人识别

10.5.3 基于HMM的指定文本型说话人识别

10.5.4 说话人识别HMM的学习方法

10.5.5 鲁棒的HMM说话人识别技术

10.6 应用GMM的说话人识别系统

10.6.1 GMM模型的基本概念

10.6.2 GMM模型的参数估计

10.6.3 训练数据不充分的问题

10.6.4 GMM模型的识别问题

10.7 说话人识别中尚需进一步探索的研究课题

10.8 语种辨识的原理和应用

10.8.1 语种辨识的基本原理和方法

10.8.2 语种辨识的应用领域

10.9 思考与复习题

第11章 语音转换与语音隐藏

11.1 语音转换的原理和应用

11.2 常用语音转换的方法

11.2.1 频谱特征参数转换

11.2.2 基音周期转换

11.2.3 韵律信息转换

11.3 语音分析模型和语音库的选择

11.3.1 语音分析模型

11.3.2 语音库的设计

11.4 应用CMM的语音转换

11.5 语音转换的研究方向

11.6 语音信息隐藏的原理及应用

11.7 语音信息隐藏的常用方法

11.8 语音信息隐藏系统的评价标准

11.9 语音信息隐藏需要研究和解决的问题

11.10 思考与复习题

第12章 语音信号中的情感信息处理

12.1 概述

12.2 语音信号中的情感分类和情感特征分析

12.2.1 情感的分类

12.2.2情感特征分析

12.3 语音情感识别方法

12.3.1 主元分析法

12.3.2 神经网络方法

12.3.3 混合高斯模型法

12.4 情感语音的合成

12.5 今后的研究方向

12.6 思考与复习题

第13章 耳语音信号处理

13.1 耳语音的声学特征分析

13.1.1 音长

13.1.2 音高

13.1.3 声调

13.1.4共振峰频率

13.1.5 耳语音美尔频率倒谱特征参数分析

13.2耳语音增强

13.3 耳语音转换正常音

13.4耳语音识别

13.4.1 孤立字(词)的耳语音识别

13.4.2 耳语音的说话人识别

13.5 耳语音的研究方向

13.6 思考与复习题

第14章 语音增强

14.1 概述

14.2 语音特性、人耳感知特性及噪声特性

14.2.1 语音特性

14.2.2入耳感知特性

14.2.3 噪声特性

14.3 滤波法语音增强技术

14.3.1 陷波器法

14.3.2 自适应滤波器

14.4 利用相关特性的语音增强技术

14.4.1 自相关处理抗噪法语音增强技术

14.4.2 利用复数帧段主分量特征的降噪方法

14.5 非线性处理法语音增强技术

14.5.1 中心削波法

14.5.2 同态滤波法

14.6 减谱法语音增强技术

14.6.1 基本原理

14.6.2 基本减谱法的改进

14.7 利用Weiner滤波法的语音增强技术

14.7.1 基本原理

14.7.2 Weiner滤波的改进形式

14.8 思考与复习题

附录A 语音信号LPC美尔倒谱系数(LPCMCC)分析程序

附录B 利用HMM的孤立字(词)语音识别程序

附录C 汉英名词术语对照”

计算机视觉
    1什么是计算机视觉？

         计算机视觉解决什么问题

         区分计算机视觉与其相关领域

    2行业应用

        零售业

        制造业

        医疗行业

        自动驾驶

        保险业

       农业

       安防

    3典型的计算机视觉任务

       图像分类

       定位

       目标检测

       目标识别

       实例分割

       目标追踪

    4计算机视觉运行原理

       通用策略

       现有数据集

       训练目标检测模型

    5商业用例

       视觉搜索引擎

       Facebook 人脸识别

       Amazon Go

       特斯拉自动驾驶

       微软 InnerEye

    6计算机视觉在小公司的应用现状

    7如何实现计算机视觉项目

自然语言处理与理解

1、自然语言处理行业应用场景
2、自然语言处理概念和技术体系
3、自然语言处理开发环境的安装部署
4、自然语言处理工作流程
5、Matplotlib可视化技术
6、KNN算法
7、NumPy
8、sklearn