人工智能原理、技術及應用

本書主要向讀者介紹當代人工智能技術的入門知識，特別是以深度學習為代表的機器學習方法。
內容包括人工智能的概念、分類和原理，闡述了人工智能的三大流派等。
著重介紹了人工智能的相關技術和算法，包括機器學習、深度學習、強化學習、自然語言處理、機器視覺、機器人等。
本書從基本原理概念、基礎算法、基本理論應用三個方面對每章內容進行詳細介紹，
方便讀者對內容知識的理解，有較強的知識性和趣味性。
本書可作為高等院校大數據專業和人工智能專業的核心基礎課程教材，
也可以作為計算機相關專業的專業課或選修課教材，
同時也可以作為從事人工智能與大數據技術相關工作的人員的參考用書。
本書由東方國信的圖靈引擎平台提供在線實驗環境，
地址為https://www. turingtopia.com/aibook/1，
書中相應章節的AI實驗案例可通過該平台實現。

目錄
出版說明
前言
第1章  人工智能概述1
1.1  人工智能的起源與定義1
1.1.1  人工智能的起源1
1.1.2  人工智能的定義4
1.1.3  人工智能的分類及特徵4
1.2  人工智能的流派6
1.2.1  符號主義7
1.2.2  連接主義8
1.2.3  行為主義9
1.3  人工智能的技術構成9
1.3.1  基礎設施10
1.3.2  基礎技術10
1.3.3  AI要素10
1.3.4  AI技術10
1.3.5  AI應用11
1.4  人工智能的進展與發展趨勢11
1.4.1  知識表示11
1.4.2  知識獲取12
1.4.3  知識應用16
1.5  人工智能的應用領域19
1.5.1  AI在農業方面的應用19
1.5.2  AI在工業方面的應用20
1.5.3  AI在商業方面的應用21
1.5.4  AI在醫療方面的應用21
1.5.5  AI在教育方面的應用22
1.6  本章習題24
第2章  人工智能與大數據、雲計算25
2.1  大數據—AI發展的能量源25
2.1.1  大數據簡介25
2.1.2  大數據的特徵26
2.1.3  大數據技術生態圈27
2.2  雲計算—AI發展的發動機28
2.2.1  雲計算簡介28
2.2.2  雲計算的基礎架構29
2.2.3  雲計算的特點30
2.3  人工智能、大數據與雲計算的
關係31
2.3.1  大數據與雲計算的關係31
2.3.2  人工智能=雲計算+大數據32
2.4  本章習題33
第3章  人工智能的技術基礎34
3.1  知識表示和圖譜34
3.1.1  知識與知識表示的概念34
3.1.2  知識表示方法35
3.1.3  知識圖譜的概念37
3.1.4  本體知識表示、萬維網知識表示38
3.2  知識圖譜的現狀及發展40
3.3  自動推理44
3.4  專家系統45
3.4.1  專家系統的概念及特點45
3.4.2  專家系統的結構及類型45
3.4.3  專家系統工具與環境46
3.5  群智能算法46
3.5.1  群智能算法的發展歷程46
3.5.2  遺傳算法48
3.5.3  粒子群算法49
3.5.4  蟻群算法50
3.6  搜索技術51
3.6.1  搜索的概念51
3.6.2  搜索算法52
3.7  本章習題54
第4章  知識發現與數據挖掘55
4.1  知識發現概述55
4.1.1  知識發現的對象56
4.1.2  知識發現的任務57
4.1.3  知識發現方法57
4.1.4  知識發現的應用領域59
4.2  數據挖掘概述59
4.2.1  數據挖掘技術的產生及定義60
4.2.2  數據挖掘的功能60
4.2.3  常用的數據挖掘方法61
4.3  大數據處理概述65
4.3.1  分佈式數據基礎設施平台Hadoop
及其生態系統66
4.3.2  分佈式計算框架Spark及其生態
系統70
4.3.3  低延遲流式處理大數據框架—
Storm77
4.3.4  大數據挖掘與分析80
4.4  數據挖掘應用實踐82
4.4.1  學生考試成績預測82
4.4.2  基於用戶手機使用行為進行風險
識別85
4.5  本章習題88
第5章  機器學習89
5.1  機器學習簡介89
5.1.1  機器學習的發展歷程89
5.1.2  機器學習的概念及地位90
5.1.3  機器學習的範疇92
5.2  機器學習的分類93
5.2.1  監督學習93
5.2.2  無監督學習94
5.2.3  弱監督學習94
5.3  經典的機器學習算法97
5.3.1  分類算法98
5.3.2  k均值聚類算法104
5.3.3  Apriori關聯規則算法106
5.3.4  遷移學習108
5.4  機器學習應用實踐112
5.4.1  使用決策樹模型進行列車空調
故障預測112
5.4.2  採用多種算法實現校園用戶
識別115
5.5  本章習題120
第6章  深度學習121
6.1  深度學習簡介121
6.1.1  什麼是深度學習121
6.1.2  深度學習的前世今生123
6.1.3  深度學習開發框架125
6.2  卷積神經網絡129
6.2.1  卷積神經網絡的提出129
6.2.2  卷積神經網絡結構130
6.2.3  經典卷積模型132
6.3  循環神經網絡137
6.3.1  RNN基本原理137
6.3.2  RNN的基本結構138
6.3.3  RNN的高級形式139
6.3.4  RNN的訓練142
6.4  深度學習應用實踐144
6.4.1  用GoogLeNet訓練識別花卉144
6.4.2  圖像著色148
6.4.3  風格遷移148
6.4.4  圖片識別149
6.5  本章習題149
第7章  強化學習150
7.1  強化學習簡介150
7.1.1  什麼是強化學習150
7.1.2  強化學習的應用152
7.2  基於值函數的強化學習方法153
7.2.1  蒙特卡羅法154
7.2.2  時間差分法155
7.2.3  值函數逼近法156
7.3  基於直接策略搜索的強化學習
方法157
7.3.1  策略梯度法158
7.3.2  置信域策略優化法160
7.3.3  確定性策略梯度法160
7.4  DQN算法模型161
7.5  強化學習前沿研究162
7.5.1  逆向強化學習162
7.5.2  深度強化學習163
7.5.3  分層強化學習164
7.5.4  價值迭代網絡164
7.5.5  AlphaGo的原理165
7.6  強化學習應用實踐167
7.7  本章習題169
第8章  自然語言處理170
8.1  自然語言處理概述170
8.1.1  自然語言處理的概念170
8.1.2  自然語言處理的層次171
8.1.3  NLP的判別標準172
8.2  自然語言處理的發展與應用173
8.2.1  自然語言處理的發展歷程173
8.2.2  自然語言處理的應用175
8.3  自然語言處理技術分類178
8.3.1  NLP基礎技術178
8.3.2  NLP應用技術180
8.4  語音處理182
8.4.1  語音處理概述183
8.4.2  語音處理髮展狀況183
8.4.3  語音處理的主要分支184
8.4.4  語音處理的其他分支184
8.5  自然語言處理應用實踐185
8.6  本章習題187
第9章 機器視覺188
9.1 圖像表達與性質188
9.1.1 圖像表達的若干概念188
9.1.2 圖像數字化189
9.1.3 數字圖像性質190
9.1.4 彩色圖像191
9.2 圖像預處理193
9.2.1 圖像相關的數學及物理知識193
9.2.2 圖像分析的數據結構195
9.2.3 像素亮度變換197
9.2.4 幾何變換197
9.2.5 局部預處理197
9.2.6 圖像復原198
9.2.7 圖像分割198
9.3 形狀表示與物體識別200
9.3.1 區域標識201
9.3.2 基於輪廓的形狀表示與描述201
9.3.3 基於區域的形狀表示與描述202
9.3.4 識別中的優化技術203
9.3.5 模糊系統205
9.3.6 隨機森林206
9.4 圖像理解207
9.4.1 圖像理解控制策略208
9.4.2 尺度不變特徵轉換208
9.4.3 點分佈模型與活動表觀模型210
9.4.4 圖像理解中的模式識別方法210
9.4.5 語義圖像分割和理解212
9.5 3D圖像214
9.5.1 3D視覺的概念214
9.5.2 射影幾何學基礎215
9.5.3 單透視攝像機216
9.5.4 從多視圖重建場景216
9.5.5 雙攝像機和立體感知217
9.5.6 三攝像機和三視張量218
9.5.7 3D視覺的應用218
9.6 機器視覺的應用及面臨的
問題219
9.7 機器視覺應用實踐220
9.8 本章習題222
第10章 機器人223
10.1 機器人簡介223
10.1.1 機器人的發展歷史223
10.1.2 機器人的分類227
10.1.3 機器人的特點229
10.1.4 機器人的研究領域及相關
技術229
10.2 機器人系統232
10.2.1 機器人系統的組成232
10.2.2 機器人操作系統（ROS）233
10.2.3 機器人的工作空間234
10.2.4 機器人的性能指標235
10.3 機器人的編程模式與編程
語言236
10.3.1 機器人編程語言236
10.3.2 機器人的編程模式238
10.4 機器人的應用與展望239
10.4.1 機器人應用239
10.4.2 機器人的發展展望244
10.5 本章習題246
附錄 東方國信圖靈引擎平台使用
說明247
參考文獻251