人工智能原理及其應用（第5版）

目 錄
第1章 緒論 1
1.1 人工智能的產生與發展 2
1.1.1 形成期（1956年到20世紀60年代末） 2
1.1.2 知識應用期（20世紀70年代初到20世紀80年代初） 3
1.1.3 從學派分立走向綜合（20世紀80年代中到21世紀初） 4
1.1.4 機器學習和深度學習引領發展（21世紀初至今） 5
1.2 人工智能的計算方法 5
1.2.1 符號主義 5
1.2.2 連接主義 6
1.2.3 行為主義 6
1.3 人工智能的架構與系統 7
1.3.1 智能計算的軟硬件框架 7
1.3.2 人工智能的計算芯片 8
1.3.3 人工智能的編程框架 9
1.4 人工智能的應用領域 11
1.4.1 機器思維 11
1.4.2 機器學習 12
1.4.3 機器感知 14
1.4.4 機器行為 15
1.4.5 計算智能 16
1.4.6 分布式人工智能 17
1.4.7 智能系統 18
1.4.8 人工心理和人工情感 18
1.4.9 人工智能的典型應用 19
1.5 本書內容的相互關系 22
習題1 23
第2章 確定性知識系統 24
2.1 確定性知識系統概述 24
2.1.1 確定性知識表示概述 24
2.1.2 確定性知識推理概述 26
2.2 確定性知識表示方法 28
2.2.1 謂詞邏輯表示法 28
2.2.2 產生式表示法 35
2.2.3 語義網絡表示法 37
2.2.4 框架表示法 43
2.3 確定性知識推理方法 47
2.3.1 產生式推理 47
2.3.2 自然演繹推理 52
2.3.3 歸結演繹推理 56
2.4 確定性知識系統簡例 64
2.4.1 產生式系統簡例 64
2.4.2 歸結演繹系統簡例 66
2.5 知識圖譜的表示與推理 68
2.5.1 知識圖譜概述 68
2.5.2 知識圖譜的路徑排序推理方法 68
2.5.3 知識圖譜與大語言模型的結合 70
習題2 71
第3章 不確定性知識系統 74
3.1 不確定性推理概述 74
3.1.1 不確定性推理的含義 74
3.1.2 不確定性推理的基本問題 75
3.1.3 不確定性推理的類型 76
3.2 可信度推理 77
3.2.1 可信度的概念 77
3.2.2 可信度推理模型 77
3.2.3 可信度推理的例子 81
3.3 主觀貝葉斯推理 82
3.3.1 主觀貝葉斯方法的概率論基礎 82
3.3.2 主觀貝葉斯方法的推理模型 83
3.3.3 主觀貝葉斯推理的例子 87
3.3.4 主觀貝葉斯推理的特性 89
3.4 證據理論 89
3.4.1 證據理論的形式化描述 90
3.4.2 證據理論的推理模型 94
3.4.3 推理實例 95
3.4.4 證據理論推理的特性 97
3.5 概率推理 97
3.5.1 貝葉斯網絡的概念及理論 97
3.5.2 貝葉斯網絡推理的概念和類型 101
3.5.3 貝葉斯網絡的精確推理 101
3.5.4 貝葉斯網絡的近似推理 103
習題3 104

第4章 智能搜索技術 107
4.1 搜索概述 107
4.1.1 搜索的含義 107
4.1.2 狀態空間法 108
4.1.3 問題歸約法 111
4.1.4 進化搜索算法概述 114
4.2 狀態空間啟發式搜索 117
4.2.1 啟發性信息和估價函數 117
4.2.2 A算法 118
4.2.3 A*算法 120
4.2.4 A*算法應用舉例 124
4.3 與/或樹啟發式搜索 125
4.3.1 解樹的代價與希望樹 125
4.3.2 與/或樹啟發式搜索過程 126
4.4 博弈樹啟發式搜索 128
4.4.1 博弈概述 128
4.4.2 極大/極小過程 129
4.4.3 α-β?剪枝 130
4.5 遺傳算法 131
4.5.1 遺傳算法中的基本概念 131
4.5.2 遺傳算法的基本過程 131
4.5.3 遺傳編碼算法 132
4.5.4 適應度函數 134
4.5.5 基本遺傳操作 135
4.5.6 遺傳算法應用簡例 140
4.6 蒙特卡羅樹搜索 143
4.6.1 基本思路 143
4.6.2 優缺點分析 144
習題4 146
第5章 機器學習 148
5.1 什麼是機器學習 148
5.1.1 數據 149
5.1.2 模型 149
5.1.3 損失函數 150
5.1.4 優化算法 151
5.1.5 應用 151
5.2 線性回歸模型 152
5.2.1 線性回歸及最小二乘法 152
5.2.2 概率模型及極大似然估計 152
5.2.3 最大後驗概率與正則化線性回歸 154
5.3 線性分類模型 155
5.3.1 模型 155
5.3.2 損失函數 155
5.3.3 優化算法 156
5.3.4 應用 157
5.4 支持向量機 157
5.4.1 模型 157
5.4.2 損失函數 158
5.4.3 優化算法 159
5.4.4 應用 161
5.5 決策樹 161
5.5.1 模型 161
5.5.2 損失函數 162
5.5.3 優化算法 163
5.5.4 應用 164
5.6 AdaBoost 164
5.6.1 模型 164
5.6.2 損失函數 164
5.6.3 優化算法 165
5.6.4 應用 166
5.7 樸素貝葉斯模型 166
5.7.1 模型 167
5.7.2 損失函數 167
5.7.3 優化算法 168
5.7.4 應用 169
5.7.5 算法簡例 169
5.8 混合高斯模型 170
5.8.1 模型 170
5.8.2 損失函數 170
5.8.3 優化算法 171
5.8.4 應用 172
5.9 概率主成分分析 172
5.9.1 模型 172
5.9.2 損失函數 173
5.9.3 優化算法 173
5.9.4 應用 173
習題5 173
第6章 深度學習 175
6.1 簡史 175
6.1.1 萌芽期 175
6.1.2 冰河期 175
6.1.3 復興期 176
6.1.4 低谷期 176
6.1.5 崛起期 176
6.2 前饋神經網絡 177
6.2.1 神經元 177
6.2.2 模型 178
6.2.3 訓練 179
6.3 卷積神經網絡 180
6.3.1 模型 180
6.3.2 訓練 183
6.3.3 常見的網絡結構 184
6.4 循環神經網絡 186
6.4.1 模型 186
6.4.2 訓練 187
6.4.3 常見的循環神經網絡 188
6.5 Transformer 190
6.5.1 自註意力機制 191
6.5.2 輸入層 191
6.5.3 編碼層 192
6.5.4 解碼層 192
6.6 深度生成式模型 193
6.6.1 流模型 194
6.6.2 自回歸生成模型 196
6.6.3 生成對抗網絡 198
6.6.4 變分自編碼器 199
6.6.5 擴散概率模型 201
習題6 204
第7章 強化學習 205
7.1 問題描述 206
7.1.1 典型例子 206
7.1.2 問題的定義 206
7.1.3 目標函數 207
7.2 基於值函數的方法 210
7.2.1 動態規劃 210
7.2.2 蒙特卡羅方法 212
7.2.3 時序差分方法 213
7.2.4 深度Q網絡 214
7.3 基於策略函數的方法 216
7.3.1 策略梯度 216
7.3.2 REINFORCE 217
7.3.3 PPO算法 218
7.3.4 基於人類反饋的強化學習 219
7.4 演員-評論員算法 220
習題7 222
第8章 智能體應用 223
8.1 大語言模型概述 223
8.1.1 大語言模型發展簡史 223
8.1.2 大語言模型的訓練過程 224
8.1.3 大語言模型上下文協議 226
8.2 智能體的定義與分類 227
8.2.1 智能體的定義 227
8.2.2 反思型智能體 227
8.2.3 工具使用智能體 228
8.2.4 規劃智能體 229
8.2.5 多智能體協同 229
8.3 提示詞工程 230
8.4 思維鏈技術 231
8.5 檢索增強生成 232
習題8 234
附錄A 新一代人工智能簡介 235
A.1 新一代人工智能基礎理論簡介 235
A.2 新一代人工智能關鍵共性技術簡介 238
參考文獻 241