新世紀的技術大變革，「人工智慧」背後的核心技術與原理為何？
「圖靈測試」早在70年前就預言了機器的智慧將會顛覆世界？

程式設計基礎×搜尋算法定義×過度低度擬和×隨機森林算法……
不只當「被AI引導的人」，更要成為「掌控AI的人」
──想要掌握AI，先從理論課開始學起！

【搜尋策略】
第一章首先介紹單智慧型搜尋問題的定義，然後詳細介紹盲目搜尋和啟發式搜尋兩種主要的方法；隨後，將介紹多智慧型對抗搜尋。為方便讀者理解，更穿插介紹了一些必要的數據結構知識及例子。

【機器學習】
機器學習是人工智慧領域的一個重要組成部分，其基本想法是利用數據進行學習，而不是人工定義一些概念或結構。第二章將學習機器學習的核心框架，即監督式學習（supervised learning）。監督式學習的應用非常廣泛，目前也有很好的解決方案。從監督式學習出發，本書會介紹各種不同類別的數據集，包括訓練集、測試集等。正確地區分不同類別的數據集，是理解監督式學習的關鍵。

【線性迴歸】
第三章會學到監督式學習中最基礎的線性模型。在經濟學與其他社會科學領域，線性模型仍然是最為常用的模型。線性模型可以用來分析資本存量、人均受教育程度等與經濟增長的關係，或根據市場訊息預測價格變動。本章將基於線性模型的概念，介紹梯度下降法，它不僅可用於線性模型，也適用於絕大部分機器學習算法，是機器學習領域最為常用的優化算法。

【神經網路】
第五章將先從深度線性網路談起，理解為什麼簡單疊加多層線性網路對於函數表達能力毫無提升，因此需要在網路中加入非線性的元素，以得到更強的表達能力，激勵函數就是神經網路中的非線性元素。神經網路的優化算法仍然是梯度下降法，相比線性模型，神經網路的導數計算更為複雜。

本書特色

人工智慧被廣泛應用在日常生活中，包括無人駕駛、臉部辨識、語音助理等，這場技術變革為人類的生活帶來巨大影響，且仍舊在不斷地推陳出新。本書以簡單易懂的實例介紹人工智慧的核心原理，並以數學語言具體分析描述，加深讀者對基礎理論的理解，更結合練習題以便讀者深入學習，希望能從科學角度來見證人工智慧的變革與未來。