人工智慧入門：演算分析×設計習題×章節回顧，不只當「被AI引導的人」，更要成為「掌控AI的人」！未來不遠，跟不上時代腳步，未來一定不會有你！


	新世紀的技術大變革，「人工智慧」背後的核心技術與原理為何？「圖靈測試」早在70年前就預言了機器的智慧將會顛覆世界？程式設計基礎×搜尋算法定義×過度低度擬和×隨機森林算法…… 不只當「被AI引導的人」，更要成為「掌控AI的人」 ──想要掌握AI，先從理論課開始學起！　　【搜尋策略】　　第一章首先介紹單智慧型搜尋問題的定義，然後詳細介紹盲目搜尋和啟發式搜尋兩種主要的方法；隨後，將介紹多智慧型對抗搜尋。為方便讀者理解，更穿插介紹了一些必要的數據結構知識及例子。　　【機器學習】　　機器學習是人工智慧領域的一個重要組成部分，其基本想法是利用數據進行學習，而不是人工定義一些概念或結構。第二章將學習機器學習的核心框架，即監督式學習（supervised learning）。監督式學習的應用非常廣泛，目前也有很好的解決方案。從監督式學習出發，本書會介紹各種不同類別的數據集，包括訓練集、測試集等。正確地區分不同類別的數據集，是理解監督式學習的關鍵。　　【線性迴歸】　　第三章會學到監督式學習中最基礎的線性模型。在經濟學與其他社會科學領域，線性模型仍然是最為常用的模型。線性模型可以用來分析資本存量、人均受教育程度等與經濟增長的關係，或根據市場訊息預測價格變動。本章將基於線性模型的概念，介紹梯度下降法，它不僅可用於線性模型，也適用於絕大部分機器學習算法，是機器學習領域最為常用的優化算法。　　【神經網路】　　第五章將先從深度線性網路談起，理解為什麼簡單疊加多層線性網路對於函數表達能力毫無提升，因此需要在網路中加入非線性的元素，以得到更強的表達能力，激勵函數就是神經網路中的非線性元素。神經網路的優化算法仍然是梯度下降法，相比線性模型，神經網路的導數計算更為複雜。本書特色　　人工智慧被廣泛應用在日常生活中，包括無人駕駛、臉部辨識、語音助理等，這場技術變革為人類的生活帶來巨大影響，且仍舊在不斷地推陳出新。本書以簡單易懂的實例介紹人工智慧的核心原理，並以數學語言具體分析描述，加深讀者對基礎理論的理解，更結合練習題以便讀者深入學習，希望能從科學角度來見證人工智慧的變革與未來。


	目錄前言第0章數學與程式設計基礎引言 0.1 數學基礎 0.2 程式設計基礎練習題程式設計第1章搜尋引言 1.2 搜尋算法基礎 1.3 盲目搜尋 1.4 啟發式搜尋 1.5 對抗搜尋本章總結歷史回顧練習題第2章機器學習引言 2.1 監督式學習的概念 2.2 數據集與損失函數 2.3 泛化 2.4 過度擬合與低度擬合 2.5 創建數據集 2.6 無監督與半監督式學習本章總結歷史回顧練習題第3章線性迴歸引言 3.1 線性迴歸 3.2 優化方法 3.3 二分類問題 3.4 多分類問題 3.5 脊迴歸 3.6 Lasso迴歸本章總結練習題第4章決策樹、梯度提升和隨機森林引言 4.1 決策樹 4.2 隨機森林 4.3 梯度提升本章總結歷史回顧參考文獻練習題第5章神經網路引言 5.1 深度線性網路 5.2 非線性神經網路 5.3 反向傳播計算導數本章總結歷史回顧練習題第6章電腦視覺引言 6.1 什麼是電腦視覺 6.2 圖像的形成 6.3 線性濾波器 6.4 邊際檢測 6.5 卷積神經網路本章總結歷史回顧參考文獻練習題第7章自然語言處理引言 7.1 語言模型 7.2 字模型與詞模型 7.3 向量語義 7.4 基於神經網路的自然語言處理本章總結歷史回顧練習題第8章馬可夫決策過程與強化學習引言 8.1 馬可夫鏈 8.2 馬可夫決策過程 8.3 強化學習本章總結歷史回顧參考文獻練習題附錄A 數學基礎 A.1 導數 A.2 機率 A.3 矩陣附錄B 程式設計基礎 B.1 整數類型的運算 B.2 變量命名規則 B.3 關係表達式和邏輯表達式 B.4 函數調用中的傳值和傳引用 B.5 複雜類型 B.6 一些技巧 B.7 程式設計風格