人工智能基礎與應用

目  錄?

第1章  緒論  1

1.1  人工智能的概念  1

1.1.1  智能  1

1.1.2  人工智能  4

1.1.3  圖靈測試  4

1.2  人工智能發(fā)展簡史   5

1.2.1  孕育階段  5

1.2.2  形成階段  5

1.2.3  發(fā)展階段  6

1.2.4  人工智能的學派  8

1.3  人工智能的研究及應用領域   12

1.4  人工智能的發(fā)展現(xiàn)狀和趨勢   18

1.5  本章小結   20

1.6  習題   20

參考文獻   20

第2章  知識與知識表示  22

2.1  知識與知識表示的內涵   22

2.1.1  知識的概念  22

2.1.2  知識的特征  23

2.1.3  知識表示的概念  24

2.2  知識表示方法   24

2.2.1  一階謂詞邏輯表示法  24

2.2.2  產生式表示法  33

2.2.3  狀態(tài)空間表示法  36

2.2.4  框架表示法  40

2.3  知識圖譜及其應用   44

2.3.1  知識圖譜概述  44

2.3.2  知識圖譜應用示例  45

2.4  本章小結   47

2.5  習題   48

參考文獻   48

第3章  自動推理與專家系統(tǒng)  50

3.1  自動推理基本知識   50

3.1.1  確定性推理  50

3.1.2  不確定性推理  59

3.2  專家系統(tǒng)   63

3.2.1  專家系統(tǒng)的內涵  63

3.2.2  專家系統(tǒng)的結構  63

3.2.3  專家系統(tǒng)的設計與實現(xiàn)  66

3.2.4  專家系統(tǒng)的應用與發(fā)展  71

3.3  本章小結   77

3.4  習題   78

參考文獻   78

第4章  搜索算法與智能計算  80

4.1  搜索算法  80

4.1.1  盲目搜索策略  81

4.1.2  啟發(fā)式搜索  83

4.1.3  博弈搜索策略  89

4.2  遺傳算法  91

4.2.1  基本遺傳算法  91

4.2.2  遺傳算法的基本操作  93

4.2.3  遺傳算法的一般步驟  99

4.2.4  遺傳算法的應用  100

4.3  蟻群算法  100

4.3.1  蟻群算法的基本思想  101

4.3.2  基本的蟻群算法模型  101

4.3.3  蟻群算法的參數(shù)選擇  103

4.3.4  蟻群算法的應用  103

4.4  粒子群優(yōu)化算法  105

4.4.1  粒子群優(yōu)化算法的基本原理  105

4.4.2  粒子群優(yōu)化算法的流程  106

4.4.3  粒子群優(yōu)化算法的參數(shù)分析  107

4.4.4  粒子群優(yōu)化算法的應用  108

4.5  本章小結  110

4.6  習題  110

參考文獻  112

第5章  機器學習  113

5.1  機器學習的概念與類型   113

5.1.1  機器學習的概念  113

5.1.2  機器學習的類型  114

5.2  機器學習的流程   119

5.2.1  模型  119

5.2.2  訓練  120

5.3  模型性能度量   122

5.3.1  模型精度  122

5.3.2  查準率、查全率與F值  122

5.3.3  ROC與AUC  123

5.4  常見分類方法   124

5.4.1  邏輯回歸與Softmax回歸  124

5.4.2  KNN  126

5.4.3  樸素貝葉斯  129

5.4.4  決策樹  130

5.4.5  支持向量機  132

5.5  常見聚類方法   137

5.5.1  原型聚類  137

5.5.2  密度聚類  138

5.5.3  層次聚類  141

5.6  集成學習   142

5.7  本章小結   143

5.8  習題   143

參考文獻   144

第6章  深度學習(1)  145

6.1  神經元與神經網絡  145

6.1.1  神經元模型  146

6.1.2  神經網絡的結構  147

6.1.3  神經網絡的優(yōu)化算法  148

6.1.4  神經網絡的發(fā)展歷程  151

6.2  BP神經網絡  152

6.2.1  BP神經網絡的結構  152

6.2.2  BP神經網絡的基本原理  153

6.2.3  BP學習算法  153

6.2.4  BP神經網絡在模式識別中的應用  155

6.3  卷積神經網絡  156

6.3.1  卷積神經網絡的結構  157

6.3.2  卷積神經網絡的模型實例  162

6.3.3  幾種典型的卷積神經網絡  163

6.4  循環(huán)神經網絡  164

6.4.1  循環(huán)神經網絡的結構  165

6.4.2  BPTT學習算法  166

6.4.3  梯度消失和梯度爆炸  167

6.4.4  基于門控機制的循環(huán)神經網絡  167

6.5  貝葉斯深度學習  170

6.5.1  貝葉斯公式  170

6.5.2  貝葉斯深度學習  171

6.5.3  基于貝葉斯深度學習的預測和訓練  172

6.5.4  貝葉斯深度學習框架  173

6.6  本章小結  174

6.7  習題  174

參考文獻  176

第7章  深度學習(2)  177

7.1  注意力與記憶機制   177

7.1.1  注意力  177

7.1.2  注意力機制  178

7.1.3  常見的記憶方式  180

7.1.4  典型的記憶網絡  183

7.1.5  典型場景應用  184

7.2  自編碼器   185

7.2.1  傳統(tǒng)自編碼器  185

7.2.2  改進的自編碼器  186

7.2.3  自編碼器的應用  192

7.3  強化學習   194

7.3.1  強化學習的基本原理  194

7.3.2  強化學習的分類及任務  195

7.3.3  強化學習算法  195

7.3.4  強化學習的主要應用  197

7.4  對抗學習   198

7.4.1  GAN的提出背景  198

7.4.2  GAN的核心原理  200

7.4.3  GAN的學習方法  201

7.4.4  GAN的衍生模型  202

7.4.5  GAN的應用領域  203

7.4.6  GAN的思考與展望  204

7.5  聯(lián)邦學習   207

7.5.1  聯(lián)邦學習的提出背景  207

7.5.2  聯(lián)邦學習的基本內涵  207

7.5.3  聯(lián)邦學習的應用探索  209

7.6  本章小結   210

7.7  習題   211

參考文獻   211

第8章  計算機視覺  213

8.1  計算機視覺概述   213

8.2  圖像的分析和理解   215

8.2.1  基于淺層模型的方法  216

8.2.2  基于深度模型的方法  219

8.3  計算機視覺的典型應用   222

8.3.1  模式識別  222

8.3.2  動態(tài)行為分析  225

8.3.3  機器視覺  226

8.4  本章小結   227

8.5  習題   228

參考文獻   228

第9章  自然語言處理與語音處理  229

9.1  自然語言處理   229

9.1.1  自然語言處理概述  229

9.1.2  情感分類  233

9.1.3  機器翻譯  244

9.1.4  自然語言人機交互  246

9.2  語音處理   256

9.2.1  語音識別  256

9.2.2  語音合成  261

9.2.3  語音轉換  265

9.3  本章小結   266

9.4  習題   267

參考文獻   267

第10章  機器人  269

10.1  機器人概述   269

10.1.1  機器人的定義  269

10.1.2  機器人的分類  270

10.1.3  機器人的特性  271

10.1.4  機器人三原則  271

10.1.5  智能機器人的發(fā)展歷程  271

10.2  機器人的基本構成   272

10.3  機器人的工作原理   273

10.4  人工智能技術在機器人中的應用  274

10.4.1  智能感知  275

10.4.2  智能導航與規(guī)劃  277

10.4.3  智能控制與操作  279

10.4.4  智能交互  280

10.5  機器人的應用   282

10.5.1  機器人的典型應用場景  282

10.5.2  智能機器人的發(fā)展展望  287

10.6  本章小結   289

10.7  習題   289

參考文獻   289

第11章  大數(shù)據與區(qū)塊鏈  291

11.1  大數(shù)據   291

11.1.1  大數(shù)據的基本概念與特征  291

11.1.2  大數(shù)據的應用  293

11.1.3  大數(shù)據的關鍵技術  297

11.1.4  大數(shù)據與云計算、物聯(lián)網的關系  303

11.1.5  大數(shù)據與人工智能應用探討  303

11.2  區(qū)塊鏈   306

11.2.1  區(qū)塊鏈概述  306

11.2.2  區(qū)塊鏈的技術基礎  308

11.2.3  區(qū)塊鏈與人工智能  310

11.2.4  區(qū)塊鏈的應用探討與展望  314

11.3  大數(shù)據與區(qū)塊鏈的關系   316

11.4  本章小結   317

11.5  習題   318

參考文獻   318

第12章  Python編程基礎  319

12.1  Python——編程語言   319

12.2  Python——解釋器   320

12.3  安裝Python   321

12.4  使用Python   321

12.4.1  Python shell  321

12.4.2  運行完整的Python程序  322

12.4.3  使用IDE編寫代碼  322

12.4.4  與Python交互  322

12.5  編寫Python代碼   322

12.5.1  Python基礎語法  322

12.5.2  數(shù)學運算  325

12.5.3  導入新的庫和函數(shù)  326

12.5.4  函數(shù)式編程  328

12.6  PyPI軟件倉庫——Python包索引  329

12.7  NumPy庫   330

12.7.1  NumPy簡史  330

12.7.2  安裝NumPy  330

12.7.3  ndarray對象  331

12.7.4  基本操作  335

12.8  Pandas庫   338

12.8.1  Pandas：Python數(shù)據 分析庫  338

12.8.2  安裝Pandas  338

12.8.3  測試Pandas是否安裝成功  339

12.8.4  Pandas數(shù)據結構簡介  339

 12.9  matplotlib庫   347

12.9.1  安裝matplotlib  348

12.9.2  pyplot模塊  348

12.9.3  為圖表添加更多元素  353

12.10  本章小結   357

12.11  習題   357

參考文獻   358