人工智能通識教程

目錄
第1章人工智能概論1
1.1你了解人類的智能嗎1
1.1.1智能的概念1
1.1.2智能的特征3
1.2人工智能的孕育和誕生6
1.2.1人工智能的孕育期6
1.2.2人工智能的先驅圖靈與圖靈測試8
1.2.3人工智能的誕生——達特茅斯會議9
1.3人工智能的發(fā)展10
1.3.1人工智能的形成期10
1.3.2幾起幾落的曲折發(fā)展期12
1.3.3大數據驅動的飛速發(fā)展期13
1.4從兩場標志性人機博弈看人工智能的發(fā)展14
1.4.1人工智能研究中的“小白鼠”14
1.4.2“深藍”戰(zhàn)勝國際象棋棋王卡斯帕羅夫15
1.4.3阿爾法狗無師自通橫掃世界圍棋大師17
1.5人工智能研究的基本內容19
1.6人工智能的主要應用領域21
1.7人工智能會使許多人失業(yè)嗎34
1.8本章小結35
討論題35
第2章知識表示與知識圖譜36
2.1你了解人類知識嗎36
2.1.1什么是知識36
2.1.2知識的相對正確性37
2.1.3知識的不確定性38
2.2計算機表示知識的方法40
2.3產生式表示法41
2.3.1產生式42
2.3.2產生式系統(tǒng)43
2.3.3產生式表示法的特點45
2.4框架表示法46
2.4.1框架的一般結構47
2.4.2用框架表示知識的例子48
2.4.3框架表示法的特點50
2.5知識圖譜51
2.5.1知識圖譜的提出52
2.5.2知識圖譜的定義52
2.5.3知識圖譜的表示53
2.5.4知識圖譜的架構54
2.5.5知識圖譜的典型應用55
2.6本章小結57
討論題58
人工智能通識教程目錄第3章模擬人類思維的模糊推理60
3.1推理的定義60
3.2推理的分類61
3.2.1演繹推理61
3.2.2歸納推理62
3.2.3默認推理62
3.3推理的方向63
3.3.1正向推理63
3.3.2逆向推理64
3.3.3混合推理67
3.4推理中的沖突消解策略69
3.5模糊集合與模糊知識表示71
3.5.1模糊邏輯的提出與發(fā)展71
3.5.2模糊集合的定義與表示73
3.5.3隸屬函數75
3.6模糊關系與模糊關系的合成76
3.6.1模糊關系76
3.6.2模糊關系的合成78
3.7模糊推理與模糊決策79
3.7.1模糊推理79
3.7.2模糊決策80
3.8模糊推理的應用81
3.9本章小結82
討論題83
第4章搜索策略85
4.1搜索的概念85
4.2如何用狀態(tài)空間表示搜索對象86
4.2.1狀態(tài)空間知識表示方法86
4.2.2狀態(tài)空間的圖描述88
4.3回溯策略91
4.4盲目的圖搜索策略93
4.4.1寬度優(yōu)先搜索策略93
4.4.2深度優(yōu)先搜索策略94
4.5啟發(fā)式圖搜索策略97
4.5.1啟發(fā)式策略97
4.5.2啟發(fā)信息和估價函數100
4.5.3A搜索算法102
4.5.4A搜索算法103
4.6本章小結105
討論題106
第5章模擬生物進化的遺傳算法107
5.1進化算法的生物學背景107
5.2遺傳算法109
5.2.1遺傳算法的發(fā)展歷史109
5.2.2遺傳算法的基本思想110
5.2.3編碼111
5.2.4種群設定113
5.2.5適應度函數114
5.2.6選擇116
5.2.7交叉118
5.2.8變異120
5.3遺傳算法的主要改進算法122
5.3.1雙倍體遺傳算法122
5.3.2雙種群遺傳算法124
5.3.3自適應遺傳算法124
5.4基于遺傳算法的生產調度方法126
5.4.1基于遺傳算法的流水車間調度方法126
5.4.2基于遺傳算法的混合流水車間調度方法128
5.5本章小結133
討論題134
第6章模擬生物群體行為的群智能算法135
6.1群智能算法的生物學背景135
6.2模擬鳥群行為的粒子群優(yōu)化算法137
6.2.1基本粒子群優(yōu)化算法137
6.2.2粒子群優(yōu)化算法的應用139
6.3模擬蟻群行為的蟻群優(yōu)化算法141
6.3.1蟻群優(yōu)化算法的生物學背景142
6.3.2基本蟻群優(yōu)化算法142
6.3.3蟻群優(yōu)化算法的應用146
6.4本章小結148
討論題149
第7章模擬生物神經系統(tǒng)的人工神經網絡150
7.1人工神經元與人工神經網絡150
7.1.1生物神經元結構150
7.1.2生物神經元的數學模型151
7.1.3人工神經網絡的結構與學習153
7.2機器學習的先驅——赫布學習規(guī)則154
7.3掀起人工神經網絡第一次高潮的感知器155
7.4掀起人工神經網絡第二次高潮的BP學習算法158
7.4.1BP學習算法的提出158
7.4.2BP神經網絡159
7.4.3BP學習算法160
7.4.4BP學習算法在模式識別中的應用161
7.5本章小結163
討論題164
第8章機器學習與深度學習165
8.1機器學習的基本概念165
8.1.1學習165
8.1.2機器學習166
8.1.3學習系統(tǒng)166
8.1.4機器學習的發(fā)展169
8.2機器學習的分類170
8.2.1機器學習的一般分類方法170
8.2.2有監(jiān)督學習與無監(jiān)督學習172
8.2.3弱監(jiān)督學習174
8.3知識發(fā)現與數據挖掘177
8.3.1知識發(fā)現與數據挖掘的概念178
8.3.2知識發(fā)現的一般過程178
8.3.3知識發(fā)現的任務179
8.3.4知識發(fā)現的對象180
8.4動物視覺機理與深度學習的提出182
8.4.1淺層學習的局限性182
8.4.2深度學習的提出183
8.5卷積神經網絡與膠囊網絡185
8.5.1卷積神經網絡的結構185
8.5.2卷積的物理、生物與生態(tài)學等意義186
8.5.3卷積神經網絡的卷積運算187
8.5.4卷積神經網絡中的關鍵技術189
8.5.5卷積神經網絡的應用192
8.5.6膠囊網絡193
8.6生成對抗網絡及其應用196
8.6.1生成對抗網絡的基本原理196
8.6.2生成對抗網絡的結構與訓練197
8.6.3生成對抗網絡在圖像處理中的應用200
8.6.4生成對抗網絡在語言處理中的應用203
8.6.5生成對抗網絡在視頻生成中的應用205
8.6.6生成對抗網絡在醫(yī)療中的應用207
8.7本章小結207
討論題208
第9章專家系統(tǒng)210
9.1專家系統(tǒng)的產生和發(fā)展210
9.2專家系統(tǒng)的概念212
9.2.1專家系統(tǒng)的定義212
9.2.2專家系統(tǒng)的特點212
9.2.3專家系統(tǒng)的類型214
9.3專家系統(tǒng)的工作原理216
9.3.1專家系統(tǒng)的一般結構216
9.3.2知識庫216
9.3.3推理機217
9.3.4綜合數據庫217
9.3.5知識獲取機構218
9.3.6人機接口219
9.3.7解釋機構219
9.4簡單的動物識別專家系統(tǒng)219
9.4.1知識庫建立220
9.4.2綜合數據庫建立和推理過程221
9.5專家系統(tǒng)實例及其骨架系統(tǒng)222
9.5.1骨架系統(tǒng)的概念222
9.5.2EMYCIN骨架系統(tǒng)223
9.5.3KAS骨架系統(tǒng)224
9.6專家系統(tǒng)開發(fā)環(huán)境226
9.7本章小結227
討論題228
第10章自然語言理解229
10.1自然語言理解的概念與發(fā)展229
10.1.1自然語言理解的概念229
10.1.2自然語言理解的發(fā)展歷史229
10.2語言處理過程的層次232
10.3機器翻譯方法概述234
10.4循環(huán)神經網絡238
10.4.1循環(huán)神經網絡的結構238
10.4.2循環(huán)神經網絡的訓練239
10.4.3長短期記憶神經網絡240
10.5基于循環(huán)神經網絡的機器翻譯240
10.6語音識別242
10.6.1語音識別的概念242
10.6.2語音識別的主要過程243
10.6.3語音識別的方法246
10.7本章小結247
討論題247
第11章計算機視覺248
11.1計算機視覺概述248
11.2計算機視覺系統(tǒng)中的數字圖像251
11.3基于深度學習的計算機視覺252
11.4基于計算機視覺的生物特征識別253
11.4.1人臉識別253
11.4.2虹膜識別254
11.5本章小結255
討論題256
第12章智能機器人257
12.1機器人的產生與發(fā)展257
12.2機器人中的人工智能技術260
12.2.1機器人智能感知260
12.2.2機器人智能導航264
12.2.3機器人智能路徑規(guī)劃264
12.2.4機器人智能運動控制265
12.2.5機器人智能交互267
12.3智能機器人的應用267
12.3.1工業(yè)機器人268
12.3.2農業(yè)機器人270
12.3.3服務機器人273
12.3.4醫(yī)用機器人276
12.3.5軍用機器人277
12.4智能機器人技術展望與倫理280
12.4.1智能機器人技術展望280
12.4.2機器人倫理問題281
12.5本章小結282
討論題282