PARTIE 1.
Aperçu de la technologie de l'intelligence artificielle
1.
Introduction à l'intelligence artificielle
1.1 Définition
1.2 Histoire
1.3 Domaines d'application
2.
Domaines de recherche en intelligence artificielle
2.1 Technologie des éléments
2.2 Domaines d'application
3.
Exemples d'application de l'intelligence artificielle
4.
L'impact de l'intelligence artificielle

PARTIE 2.
Technologies fondamentales de l'intelligence artificielle
1.
Représentation et inférence des connaissances
1.1 Définition et représentation des connaissances
1.2 Règles
1,3 images
1.4 Logique
1.5 Réseau sémantique
1.6 Script
1.7 Ontologie
1.8 Représentation des connaissances par des fonctions
1.9 Représenter les connaissances incertaines
1.10 Systèmes à base de règles
2.
Programmes d'automates et de vie artificielle
2.1 Vie artificielle
2.2 Automate fini
2.3 Modèle de Markov
2.4 Agents étatiques
3.
techniques de recherche et d'optimisation
3.1 Espace d'état et navigation
3.2 Types de navigation
3.3 Exploration à l'aveugle
3.4 Exploration de l'utilisation de l'information
3.5 Exploration du jeu
3.6 Problème de satisfaction de contraintes
3.7 Optimisation
4.
Optimisation fonctionnelle
4.1 Concept d'optimisation de fonction
4.2 Analyse de régression
4.3 Algorithmes et cas importants

PARTIE 3.
apprentissage automatique
1.
statistiques
2.
Inférence bayésienne et applications
2.1 Statistiques bayésiennes
2.2 Algorithme EM
2.3 Analyse discriminante
3.
chaîne de Markov
3.1 Chaîne de Markov
3.2 Chaîne de Markov cachée
4.
Algorithme de Monte Carlo
4.1 Concept de l'algorithme de Monte Carlo
4.2 Méthode de Monte Carlo par chaînes de Markov
4.3 Bootstrap
5.
Apprentissage automatique statistique ① - Apprentissage supervisé
5.1 Classification de l'apprentissage automatique statistique
5.2 Arbre de décision
5.3 Forêt aléatoire
5.4 Machines à vecteurs de support
6.
Apprentissage automatique statistique 2 - Apprentissage non supervisé
6.1 Analyse de regroupement
6.2 Techniques de réduction de dimensionnalité
6.3 Analyse des règles d'association
7.
apprentissage par renforcement
7.1 Concept d'apprentissage par renforcement
7.2 Concept des techniques d'apprentissage par renforcement
7.3 Terminologie
7.4 Modèle d'apprentissage par renforcement
Modèle de base 7.5
7.6 Modèle de gradient de politique
7.7 Modèle d'itération de la valeur
7.8 DQN
7.9 Exemples d'apprentissage par renforcement
8.
Apprentissage profond
8.1 Concept et multicouches des réseaux de neurones
8.2 Différents modèles d'intelligence artificielle
8.3 Modèle d'apprentissage profond
8.4 Machines de Boltzmann restreintes et réseaux neuronaux à croyances profondes
8.5 Autoencodeur
8.6 Réseau de génération de paires opposées
8.7 Perceptron multicouche
8.8 Réseaux neuronaux convolutifs
8.9 Réseaux neuronaux récurrents
8.10 Modèles de réseaux neuronaux à mémoire étendue et environnement de développement
9.
Évaluation des modèles d'intelligence artificielle
9.1 Méthodes d'évaluation des modèles d'intelligence artificielle
9.2 Terminologie à connaître pour l'évaluation des modèles
9.3 Validation par test de validation croisée et validation externe
9.4 Comment analyser la matrice d'erreur
Courbe PR 9,5
Courbe ROC 9.6
9.7 Utilisation des courbes ROC et des courbes PR

PARTIE 4.
Applications des technologies d'intelligence artificielle
1.
Reconnaissance de formes d'images et de voix
1.1 Reconnaissance de formes
1.2 Reconnaissance d'images
1.3 Reconnaissance vocale
2.
Traitement du langage naturel
2.1 Comprendre la structure des phrases
2.2 Techniques de traitement automatique du langage naturel
2.3 Intégration basée sur le comptage
2.4 Vecteur basé sur la prédiction
2.5 Analyse structurale
2.6 Génération de texte
2.7 Outils pour le traitement automatique du langage naturel
3.
robots intelligents
3.1 Introduction à la robotique
3.2 Technologie et paradigme de commande des robots
3.3 Cadre de développement logiciel pour robots
3.4 Phase de développement du robot
4.
Introduction aux outils liés à l'IA
4.1 Outil de développement de systèmes à base de règles, Jess
4.2 Outil d'exploration de données, Weka
4.3 Outil d'analyse statistique, R
4.4 Outils de développement du Deep Learning
4.5 Langage d'intelligence artificielle : Python
4.6 Bibliothèque de vision par ordinateur, OpenCV
4.7 Cadre de développement logiciel pour robots, ROS
5.
Après avoir terminé le voyage à travers la forêt de l'intelligence artificielle

Dominez l'IA sans craindre les mathématiques ni la programmation !

L'intelligence artificielle est née du désir de créer une intelligence humaine et englobe des domaines divers tels que les sciences cognitives, la robotique, l'apprentissage automatique, la théorie de l'optimisation, la reconnaissance des formes et le traitement automatique du langage naturel.
Récemment, elle est devenue une discipline académique essentielle car elle est utilisée dans divers domaines tels que la conduite autonome, les recommandations publicitaires et d'actualités, la traduction automatique, l'assistance médicale, les programmes conversationnels, la production et les services robotisés, et les systèmes d'analyse de données à grande échelle.
Ce livre est une introduction à l'intelligence artificielle qui fournira aux débutants une mine d'informations intéressantes, tout en ouvrant un nouveau monde aux experts lassés de l'apprentissage profond.
En particulier, puisqu'il couvre de manière exhaustive la quasi-totalité des domaines de l'intelligence artificielle, il explique systématiquement le lien entre les technologies connexes en présentant une feuille de route.
De plus, il minimise les formules et la programmation qui peuvent être difficiles à comprendre, ce qui le rend léger, facile à lire et à comprendre.
Et parce qu'il définit et utilise clairement de nombreux termes peu familiers employés dans divers domaines, la lecture intégrale de cet ouvrage sera d'une grande aide pour l'étude d'autres domaines à l'avenir.