人工智能入门篇
第 1章 人工智能概述 2
1.1 人工智能简介 2
1.1.1 人工智能的定义 2
1.1.2 图灵测试 3
1.1.3 人工智能的研究范式 4
1.1.4 人工智能与其他相关联概念的区别和联系 5
1.2 人工智能发展历程 6
1.2.1 人工智能的“三驾马车” 6
1.2.2 我国人工智能发展战略 7
1.2.3 人工智能前沿应用 9
1.3 课后习题 10
第 2章 人工智能实战入门 11
2.1 人工智能Python开发入门 11
2.1.1 数据类型与变量 12
2.1.2 函数与模块 13
2.1.3 条件判断与循环 15
2.1.4 库与调用 15
2.1.5 结果输出与可视化 16
2.2 MindSpore开发入门 18
2.2.1 MindSpore简介 18
2.2.2 环境下载与安装 20
2.3 入门实战介绍——基于MNIST数据集识别手写数字 21
2.4 课后习题 25
机器学习及实战篇
第3章 监督学习 28
3.1 监督学习的基本概念 28
3.1.1 监督学习的基本概念 29
3.1.2 监督学习的分类 29
3.2 监督分类算法 30
3.2.1 K-近邻算法 30
3.2.2 决策树 30
3.2.3 SVM 31
3.3 监督回归算法 33
3.3.1 线性回归 33
3.3.2 逻辑回归 33
3.3.3 感知机 34
3.4 弱监督学习 35
3.4.1 弱监督学习的基本概念 35
3.4.2 半监督学习的基本概念和学习过程 35
3.5 监督学习实战 37
3.5.1 利用决策树根据天气决定是否外出打球 37
3.5.2 利用SVM进行水果新鲜度评估 39
3.5.3 利用Scikit-learn根据房屋面积预测房屋价格 40
3.5.4 利用半监督学习识别手写数字 41
3.6 课后习题 42
第4章 无监督学习 45
4.1 无监督学习的基本概念和分类 45
4.2 聚类 46
4.2.1 聚类的基本概念 46
4.2.2 K均值聚类算法 46
4.3 降维 47
4.3.1 降维的基本概念 47
4.3.2 降维的典型方法 47
4.4 无监督学习实战 49
4.4.1 基于make_blobs数据集的聚类任务 49
4.4.2 利用自编码器进行小区生活垃圾图像分类 49
4.5 课后习题 51
第5章 强化学习 53
5.1 强化学习的基本概念 54
5.1.1 强化学习的基本概念 54
5.1.2 强化学习的分类 54
5.2 有模型的强化学习 54
5.2.1 有模型的强化学习的基本概念 55
5.2.2 有模型的强化学习的过程 55
5.3 无模型的强化学习 56
5.3.1 无模型的强化学习的基本概念 56
5.3.2 无模型的强化学习的过程 57
5.4 强化学习实战 58
5.4.1 利用Q-learning完成宝藏探索游戏 58
5.4.2 利用MindSpore Reinforcement训练DQN 62
5.5 课后习题 70
深度学习及实战篇
第6章 深度神经网络 72
6.1 DNN的基本元素 72
6.1.1 定义和特点 72
6.1.2 训练法则 73
6.1.3 激活函数 73
6.1.4 正则化 75
6.1.5 优化器 76
6.2 常用的DNN 77
6.2.1 全连接神经网络 77
6.2.2 CNN 78
6.2.3 RNN 78
6.2.4 残差网络 80
6.3 深度学习实战 82
6.3.1 神经网络模型的训练流程 82
6.3.2 基于IMDb数据集的RNN情感分类 85
6.3.3 基于中国城市信息的LSTM+CRF命名实体识别任务 94
6.3.4 基于CIFAR-10数据集的ResNet50图像分类 102
6.4 课后习题 113
第7章 知识图谱 114
7.1 逻辑推理 114
7.1.1 知识的概念与表示 114
7.1.2 产生式系统 115
7.1.3 确定性和非确定性推理方法 116
7.2 知识图谱简介 118
7.2.1 知识图谱的概念 118
7.2.2 知识图谱的构建 118
7.2.3 知识图谱的生命周期 119
7.3 知识图谱实战 120
7.3.1 基于构造数据集的MindSpore Graph Learning实战 120
7.3.2 整图训练GCN实战 121
7.4 课后习题 124
第8章 生成对抗网络 125
8.1 GAN的原理 125
8.1.1 生成器 125
8.1.2 判别器 126
8.1.3 生成器和判别器的博弈 127
8.1.4 GAN的优缺点分析 127
8.2 GAN的训练方法 127
8.2.1 训练规则 127
8.2.2 损失函数 128
8.3 GAN实战 129
8.3.1 基于MNIST数据集的GAN图像生成 129
8.3.2 Pix2Pix实现图像转换 136
8.4 课后习题 145
第9章 迁移学习 146
9.1 迁移学习简介 146
9.1.1 迁移学习定义 146
9.1.2 迁移学习的可行性与优势 147
9.1.3 迁移学习的应用场景 147
9.1.4 迁移学习的常用方法 148
9.2 预训练模型 148
9.2.1 常见的预训练模型 148
9.2.2 常见的预训练方法 149
9.3 迁移学习实战 149
9.3.1 基于动物图像数据集的
ResNet50迁移学习 149
9.3.2 利用CycleGAN进行水果图像迁移 159
9.4 课后习题 171
第 10章 注意力机制 172
10.1 注意力机制简介 172
10.1.1 注意力机制原理与分类 172
10.1.2 自注意力机制原理 173
10.2 Transformer简介 174
10.2.1 Transformer模型的结构 174
10.2.2 Transformer模型的特点 175
10.3 注意力机制实战 176
10.3.1 基于ImageNet数据集的ViT模型构建 176
10.3.2 基于ImageNet数据集的ViT模型训练与推理 187
10.4 课后习题 193
人工智能前沿与伦理篇
第 11章 扩散模型 196
11.1 扩散模型简介 196
11.1.1 扩散模型的概念 196
11.1.2 扩散模型的原理 197
11.2 稳定扩散模型简介 198
11.2.1 稳定扩散模型的概念 198
11.2.2 稳定扩散模型的原理 199
11.3 扩散模型实战 199
11.3.1 基于DDPM的图像生成模型构建 199
11.3.2 基于DDPM的图像生成模型训练与推理 210
11.4 课后习题 215
第 12章 推荐系统 216
12.1 推荐系统简介 216
12.1.1 推荐系统的定义 216
12.1.2 推荐系统的发展历程 217
12.1.3 推荐系统的应用领域 217
12.2 推荐系统的常用模型 218
12.2.1 基于内容的推荐系统模型 218
12.2.2 基于协同过滤的推荐模型 219
12.3 推荐系统实战 219
12.3.1 基于Criteo数据集的MindSpore Recommender在线学习流程 219
12.3.2 Wide&Deep模型进行推荐和点击预测 222
12.4 课后习题 225
第 13章 量子计算 228
13.1 量子计算简介 228
13.1.1 量子计算的概念与特征 228
13.1.2 量子计算与经典计算对比 229
13.2 量子计算框架 229
13.2.1 通用量子计算 229
13.2.2 变分量子计算 230
13.3 量子计算实战 231
13.3.1 MindQuantum简介 231
13.3.2 基于量子神经网络求解鸢尾花分类问题 231
13.3.3 基于量子组合优化求解Max-Cut问题 243
13.3.4 基于量子化学模拟求解分子基态能量问题 251
13.4 课后习题 258
第 14章 轻量级人工智能 261
14.1 轻量级人工智能简介 261
14.1.1 轻量级人工智能的概念 261
14.1.2 轻量级人工智能的意义 262
14.2 轻量级人工智能方法 262
14.2.1 轻量级模型设计方法 262
14.2.2 模型压缩策略 263
14.3 轻量级人工智能实战 264
14.3.1 利用MindSpore Lite进行手机图库目标识别 264
14.3.2 利用MindSpore Lite进行手机端图像分割 276
14.4 课后习题 280
第 15章 人工智能大模型 283
15.1 人工智能大模型的概念与发展 283
15.1.1 人工智能大模型的概念 283
15.1.2 人工智能大模型的发展历程 284
15.2 ChatGPT工作原理 285
15.2.1 语言模型基础与架构 285
15.2.2 GPT-3.5架构简介 285
15.2.3 ChatGPT的生成过程与训练方法 286
15.3 大模型实战 286
15.3.1 利用MindOne检测输入的文本是否由ChatGPT生成 286
15.3.2 利用MindPet进行大模型参数微调 287
15.4 课后习题 291
第 16章 人工智能伦理 293
16.1 人工智能安全问题 293
16.1.1 对抗攻击简介 293
16.1.2 对抗攻击分类 294
16.1.3 对抗攻击发展历史与代表工作 294
16.1.4 对抗训练与对抗防御方法 296
16.2 人工智能伦理问题 299
16.2.1 人工智能伦理 299
16.2.2 生成式人工智能伦理探讨 300
16.2.3 人工智能的发展倡议 301
16.2.4 可信人工智能 302
16.3 课后习题 306
