第1章 緒論
1.1 什么是人工智能與機器學習
1.2 機器學習和人工智能的關系
1.3 大數據與機器學習的關系
1.4 人工智能與機器學習的*新前沿

第2章 機器學習經典算法
2.1 樸素貝葉斯
2.2 K近鄰算法
2.3 決策樹
2.4 支持向量機

第3章 降維算法
3.1 特征選擇法
3.2 主成分分析法
3.3 主成分分析的核方法
3.4 線性判別分析法
3.5 因素分析
3.6 獨立成分分析
3.7 局部線性嵌入
3.8 自編碼器
3.9 ISOMAP算法
第4章 神經網絡與深度學習
4.1 神經網絡
4.2 卷積神經網絡
4.3 循環神經網絡
4.4 長短期記憶單元
4.5 深度信念網絡和受限玻耳茲曼機

第5章 蒙特卡羅方法
5.1 采樣和蒙特卡羅方法
5.2 馬爾可夫鏈蒙特卡羅方法
5.3 Gibbs采樣
5.4 不同的峰值之間的混合
5.5 蒙特卡羅樹搜索的特征

第6章 生成對抗網絡
6.1 生成對抗網絡的概述
6.2 生成對抗網絡原理
6.3 GAN的實際應用
6.4 GAN的缺陷：梯度的消失
6.5 深度卷積生成對抗網絡
6.6 其他改進的生成對抗網絡
6.7 GAN的未來

第7章 強化學習
7.1 強化學習模型及基本要素
7.2 馬爾可夫決策過程
7.3 模型已知的強化學習
7.4 模型未知的強化學習
7.5 深度強化學習

第8章 集成學習與推薦系統
8.1 集成學習
8.2 推薦系統

第9章 機器學習的應用
9.1 機器學習算法在機器視覺領域的應用
9.2 機器學習算法在物聯網的應用
9.3 機器學習算法在其他領域的應用

第10章 人工智能的應用
10.1 人工智能在金融領域的應用
10.2 人工智能在教育領域的應用
10.3 人工智能在醫療領域的應用
10.4 人工智能在人臉和聲音識別中的應用
10.5 人工智能在中國農業發展中的應用
參考文獻