人工智能技術(shù)

前言第1章緒論1.1人工智能從業(yè)人員職業(yè)道德及行業(yè)準(zhǔn)則1.1.1職業(yè)道德1.1.2行業(yè)準(zhǔn)則1.1.3職業(yè)道德挑戰(zhàn)1.2職業(yè)素養(yǎng)與企業(yè)文化1.2.1職業(yè)素養(yǎng)1.2.2企業(yè)文化1.2.3人工智能視角下的企業(yè)文化和職業(yè)素養(yǎng)1.3習(xí)題與練習(xí)第2章人工智能概述2.1人工智能的定義2.1.1智能的定義2.1.2智能的特征2.1.3人工智能的定義2.2人工智能的經(jīng)典問題2.2.1圖靈測試2.2.2中文屋子2.3人工智能的發(fā)展史2.3.1孕育階段2.3.2形成階段2.3.3發(fā)展階段2.3.4我國人工智能的發(fā)展2.3.5人工智能的學(xué)派2.4人工智能的應(yīng)用分支2.4.1認知2.4.2機器學(xué)習(xí)2.4.3深度學(xué)習(xí)2.5人工智能產(chǎn)品應(yīng)用體系2.5.1人工智能產(chǎn)品的定義2.5.2人工智能產(chǎn)品及服務(wù)體系2.5.3智能金融2.5.4智慧城市2.5.5智慧交通2.5.6智能制造2.5.7智能家居2.6習(xí)題與練習(xí)第3章人工智能與大數(shù)據(jù)3.1人工智能與大數(shù)據(jù)概述3.1.1大數(shù)據(jù)產(chǎn)生背景3.1.2大數(shù)據(jù)的特征3.1.3大數(shù)據(jù)的精髓3.1.4了解大數(shù)據(jù)理論3.1.5大數(shù)據(jù)編程主要工具軟件3.1.6大數(shù)據(jù)與人工智能的關(guān)系3.1.7大數(shù)據(jù)與人工智能帶來的社會變革3.2數(shù)據(jù)采集與預(yù)處理3.2.1數(shù)據(jù)采集的對象3.2.2數(shù)據(jù)采集簡介3.2.3大數(shù)據(jù)的預(yù)處理3.3數(shù)據(jù)可視化3.3.1數(shù)據(jù)可視化簡介3.3.2數(shù)據(jù)可視化工具3.3.3數(shù)據(jù)可視化案例3.4習(xí)題與練習(xí)第4章機器學(xué)習(xí)應(yīng)用技術(shù)4.1機器學(xué)習(xí)簡介4.1.1機器學(xué)習(xí)的發(fā)展4.1.2機器學(xué)習(xí)的定義4.2機器學(xué)習(xí)的學(xué)習(xí)類型4.2.1非監(jiān)督學(xué)習(xí)4.2.2監(jiān)督學(xué)習(xí)4.2.3強化學(xué)習(xí)4.3機器學(xué)習(xí)的分類4.4機器學(xué)習(xí)的常見任務(wù)及其應(yīng)用4.4.1機器學(xué)習(xí)的常見任務(wù)4.4.2機器學(xué)習(xí)的應(yīng)用4.5習(xí)題與練習(xí)第5章神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)5.1神經(jīng)網(wǎng)絡(luò)基本原理5.1.1生物神經(jīng)網(wǎng)絡(luò)5.1.2人工神經(jīng)網(wǎng)絡(luò)5.2神經(jīng)網(wǎng)絡(luò)的應(yīng)用——圖片識別5.2.1卷積神經(jīng)網(wǎng)絡(luò)5.2.2手寫數(shù)字識別5.3BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類——語音特征信號分類5.3.1BP神經(jīng)網(wǎng)絡(luò)5.3.2語音特征信號識別5.4RBF網(wǎng)絡(luò)——非線性函數(shù)回歸的實現(xiàn)5.5習(xí)題與練習(xí)第6章深度學(xué)習(xí)應(yīng)用技術(shù)6.1深度學(xué)習(xí)基本概念6.1.1深度學(xué)習(xí)相關(guān)人物介紹6.1.2為什么需要深度學(xué)習(xí)6.1.3深度學(xué)習(xí)的三大要素6.2卷積神經(jīng)網(wǎng)絡(luò)6.2.1卷積神經(jīng)網(wǎng)絡(luò)特性6.2.2卷積神經(jīng)網(wǎng)絡(luò)核心原理6.3循環(huán)神經(jīng)網(wǎng)絡(luò)6.3.1循環(huán)神經(jīng)網(wǎng)絡(luò)的引入6.3.2循環(huán)神經(jīng)網(wǎng)絡(luò)的歷史6.3.3循環(huán)神經(jīng)網(wǎng)絡(luò)原理介紹6.3.4循環(huán)神經(jīng)網(wǎng)絡(luò)示例6.4深度學(xué)習(xí)的應(yīng)用6.4.1機器博弈6.4.2自動駕駛6.4.3智能機器人6.5習(xí)題與練習(xí)第7章計算機視覺技術(shù)7.1OpenCV的安裝及環(huán)境配置7.2圖像分類7.2.1數(shù)字圖像成像原理7.2.2數(shù)字圖像基礎(chǔ)7.2.3視頻處理基礎(chǔ)7.3人臉識別7.3.1人臉識別基礎(chǔ)7.3.2人臉識別原理7.3.3人臉識別項目實戰(zhàn)7.4習(xí)題與練習(xí)第8章自然語言處理8.1語言的形態(tài)8.1.1語言的形態(tài)分類8.1.2自然語言與編程語言8.2中文分詞原理8.2.1中文分詞的難點8.2.2常見中文分詞方法8.2.3常見中文分詞工具8.3統(tǒng)計語言模型8.3.1模型8.3.2參數(shù)計算8.4NLP算法設(shè)計8.4.1切分算法8.4.2正向 匹配8.4.3逆向 匹配8.4.4雙向 匹配8.5文本數(shù)據(jù)標(biāo)注管理與質(zhì)量檢驗8.5.1數(shù)據(jù)標(biāo)注管理8.5.2數(shù)據(jù)標(biāo)注質(zhì)量檢驗8.6習(xí)題與練習(xí)第9章語音與語音識別9.1語音中的噪聲9.1.1語音的特性9.1.2噪聲的特性9.1.3語音增強9.2語音標(biāo)注規(guī)范9.3語音標(biāo)注管理與質(zhì)量檢驗9.4語音識別過程9.4.1特征提取9.4.2聲學(xué)模型9.4.3語言模型9.4.4字典與解碼9.5語音識別的相關(guān)算法9.5.1基于動態(tài)時間規(guī)整的算法9.5.2基于參數(shù)模型的隱馬爾可夫模型的方法9.5.3基于非參數(shù)模型的矢量量化（VQ）的方法9.6語音識別應(yīng)用場景及產(chǎn)品分類9.7習(xí)題與練習(xí) 0章人工智能開發(fā)環(huán)境10.1Linux操作系統(tǒng)10.1.1Linux發(fā)展歷程10.1.2Linux主要特性10.1.3安裝Ubuntu 18.0410.2shell指令10.2.1什么是shell指令10.2.2shell的作用詳析10.2.3常見的shell指令10.2.4shell指令的應(yīng)用10.3Python的安裝與移植10.3.1Python語言在人工智能中的功能及優(yōu)勢10.3.2在不同操作系統(tǒng)中如何搭建Python編程環(huán)境10.3.3解決安裝問題10.4習(xí)題與練習(xí) 1章機器人的實現(xiàn)11.1ROS基本原理11.1.1ROS架構(gòu)設(shè)計11.1.2計算圖11.1.3文件系統(tǒng)11.1.4開源社區(qū)11.1.5ROS的通信機制11.2ROS平臺搭建11.2.1操作系統(tǒng)與ROS版本的選擇11.2.2配置系統(tǒng)軟件源11.2.3添加ROS軟件源11.2.4添加密鑰11.2.5安裝ROS11.2.6初始化rosdep11.2.7設(shè)置環(huán)境變量11.2.8構(gòu)建工廠依賴11.2.9完成安裝11.3ROS機器人運動控制11.3.1機器人的組成11.3.2機器人系統(tǒng)搭建11.3.3硬件平臺11.3.4控制系統(tǒng)與MRobot通信11.3.5PC端控制MRobot11.4ROS機器人的路徑規(guī)劃與導(dǎo)航11.4.1準(zhǔn)備工作11.4.2gmapping11.4.3導(dǎo)航功能包11.5對話機器人分類11.5.1按技術(shù)實現(xiàn)方式分類11.5.2按對話領(lǐng)域分類11.5.3按功能角度分類11.6對話機器人技術(shù)對比11.6.1深度學(xué)習(xí)11.6.2人工模板11.6.3檢索技術(shù)11.7習(xí)題與練習(xí)參考文獻