本书作为人工智能专业的入门书，带领读者初步学习和实践机器学习、深度学习的算法、流程和核心技术，并介绍了系统开发及开发环境，通过图解的方式将难懂的专业术语和算法表现出来，让没有相关专业基础的读者能够轻松入门。同时，本书还介绍了一些比较常用的网站网络服务，让读者能够学以致用。
本书适合人工智能领域入门读者，也适合对人工智能感兴趣的其他领域读者学习。

山口达辉
Aidemy股份有限公司的工程师。依照Aidemy Pre-mium Plan计划，对学习者从基本的编程指南到机器学习系统的实践进行指导。大学专攻自动驾驶专业，但是因偶然的机会从其他学科的教师那里取得了讲义后对机器学习的未来充满信心，随后变成了AI工程师。当前对于人工智能和脑科学领域比较感兴趣。现在正在为了探究人类的心智究竟是什么这个其中学时代就感兴趣的问题而阅读认知科学方面的论文。

第1章 人工智能的基础知识
01 人工智能是什么
02 机器学习（ML）
03 深度学习（DL）是什么
04 人工智能和机器学习的普及之路
第2章 机器学习的基础知识
05 有教师学习的机制
06 无教师学习的机制
07 强化学习的机制
08 统计和机器学习的区别
09 机器学习和特征量
10 擅长的领域和不擅长的领域
11 应用机器学习的案例
第3章 机器学习的过程和核心技术
12 机器学习的基本工作流程
13 数据的收集
14 数据的整定
15 模型的制作和训练
16 批学习和在线学习
17 利用数据对预测结果进行验证
18 训练结果的评价标准
19 超参数和模型的调节
20 主动学习
21 相关和因果
22 反馈回路
第4章 机器学习算法
23 回归分析
24 支持向量机
25 决策树
26 协同学习
27 协作学习的应用
28 逻辑回归
29 贝叶斯模型
30 时间序列分析和状态空间模型
31 k近邻（k-NN）法和k平均（k-means）法
32 降维和主成分分析
33 优化和遗传算法
第5章 深度学习的基础知识
34 神经网络和其历史
35 深度学习和图像识别
36 深度学习和自然语言处理
第6章 深度学习的流程和核心技术
37 基于误差反向传播法的神经网络学习
38 神经网络的优化
39 坡度消失问题
40 迁移学习
第7章 深度学习算法
41 卷积神经网络（CNN）
42 递归型神经网络（RNN）
43 强化学习和深度学习
44 自动编码器
45 GAN（生成对抗网络）
46 物体检测
第8章 系统开发和开发环境
47 人工智能编程使用的主要语言
48 机器学习的库和框架
49 深度学习的框架
50 GPU编程和快速化
51 机器学习服务
结束语
参考文献