人工智能理論與實踐（微課視頻版）

本書從人工智能的基本定義開始，由淺入深地向讀者闡述了人工智能的理論、策略、研究方法和應用領域，以梳理知識脈絡和要點的方式，帶領讀者登堂入室。作為導論書籍，書中概念論述清楚，內容豐富，通俗易懂，在較為全面介紹人工智能領域進展的基礎上對一些傳統內容進行了取捨。詳細介紹了知識表示、邏輯推理、非確定性推理、搜索策略、機器學習等方面內容。最後一章是有關人工智能的實驗，便於讀者在所學知識的基礎上懂得如何運用。 本書既適合作為高等院校人工智能課程的教材，也適合電腦愛好者閱讀。

目錄

第1章緒論

1.1什麽是人工智能

1.2人工智能的發展簡史

1.3人工智能的研究目標

1.4人工智能的研究方法

1.4.1符號主義研究方法

1.4.2連接主義研究方法

1.4.3行為主義研究方法

1.5人工智能的基本研究內容

1.5.1智能感知

1.5.2智能推理

1.5.3智能學習

1.5.4智能行動

1.6人工智能的應用領域

1.6.1電腦視覺

1.6.2自然語言處理

1.6.3智能體

1.7人工智能的發展趨勢

習題

第2章知識表示

2.1有關知識的概述

2.1.1什麽是知識

2.1.2什麽是知識表示

2.2狀態空間表示法

2.2.1問題狀態描述

2.2.2狀態圖示法

2.3謂詞邏輯表示法

2.3.1謂詞邏輯表示法的邏輯基礎

2.3.2謂詞邏輯表示法的步驟

2.3.3謂詞邏輯表示法的特點

2.4語義網絡表示法

2.4.1語義基元

2.4.2語義網絡中常用的語義聯系

2.4.3語義網絡的知識表示方法

2.4.4語義網絡的推理過程

2.4.5語義網絡表示法的特點

2.5框架表示法

2.5.1框架的基本結構

2.5.2基於框架的推理過程

2.5.3框架表示法的特點

2.6案例： 知識圖譜

習題

第3章邏輯推理及方法

3.1邏輯推理概述

3.1.1邏輯推理的定義

3.1.2邏輯推理的分類

3.1.3邏輯推理的控制策略

3.2邏輯推理的基礎

3.2.1謂詞公式

3.2.2謂詞公式的範式

3.2.3置換與合一

3.3歸結演繹推理

3.3.1子句集

3.3.2魯濱遜歸結原理

3.3.3歸結反演

3.3.4歸結策略

3.4非歸結演繹推理

3.4.1自然演繹推理

3.4.2與或型演繹推理

3.5案例： 家庭財務分配管理系統

習題

第4章非確定性推理及方法

4.1什麽是非確定性推理

4.2基本的概率推理

4.2.1經典概率方法

4.2.2逆概率方法

4.3主觀貝葉斯推理

4.3.1非確定性表示

4.3.2非確定性傳遞

4.3.3結論非確定性的組合

4.4基於可信度的推理

4.4.1可信度理論的非確定性表示

4.4.2非確定性計算

4.4.3非確定性更新

4.4.4結論非確定性的組合

4.5證據理論

4.5.1DS理論

4.5.2非確定性表示

4.5.3非確定性計算

4.5.4非確定性更新

4.6模糊推理

4.6.1模糊理論

4.6.2模糊匹配

4.6.3兩種模糊假言推理

4.7案例： 基於樸素貝葉斯方法的垃圾郵件過濾

習題

第5章搜索策略

5.1搜索的基本概念

5.2基於狀態空間的盲目搜索

5.2.1狀態空間的搜索過程

5.2.2狀態空間的廣度優先搜索

5.2.3狀態空間的深度優先搜索

5.3基於狀態空間的啟發式搜索

5.3.1動態規劃

5.3.2A*算法

5.3.3爬山法

5.3.4模擬退火算法

5.4基於樹的盲目搜索

5.4.1與或樹的一般性搜索

5.4.2與或樹的廣度優先搜索

5.4.3與或樹的深度優先搜索

5.5基於樹的啟發式搜索

5.5.1與或樹的有序搜索

5.5.2博弈樹搜索

5.5.3博弈樹的剪枝優化

5.6案例： 無人駕駛中的搜索策略

習題

第6章機器學習

6.1什麽是機器學習

6.1.1機器學習的定義

6.1.2統計與機器學習

6.1.3機器學習範式

6.2機器學習的發展

6.3機器學習算法

6.3.1K近鄰算法

6.3.2線性回歸

6.3.3邏輯回歸

6.3.4樸素貝葉斯分類器

6.3.5決策樹

6.3.6主成分分析

6.3.7K均值聚類算法

6.4模型評價

6.4.1驗證與測試

6.4.2偏差與方差

6.4.3集成學習

6.5案例： 基於梯度提升樹預測波士頓房價

習題

第7章深度學習

7.1人工神經網絡

7.1.1感知器模型

7.1.2多層感知器

7.1.3激活函數

7.1.4反向傳播算法

7.2捲積神經網絡

7.2.1捲積

7.2.2池化

7.2.3步長與填充

7.2.4手寫數字識別

7.2.5圖像分類

7.2.6檢測與分割

7.3循環神經網絡

7.3.1自然語言處理

7.3.2Elman網絡

7.3.3沿時間線的反向傳播

7.3.4長短時記憶網絡

7.4生成對抗網絡

7.4.1生成式模型

7.4.2對抗學習

7.4.3生成對抗網絡的變種

7.5深度學習框架

7.5.1TensorFlow

7.5.2PyTorch

7.5.3MXNet

7.5.4Caffe

7.5.5飛槳

7.6深度學習基礎設施

7.6.1圖形處理器

7.6.2張量處理器

7.6.3分佈式訓練

7.7案例： 使用Keras進行人臉關鍵點檢測

7.7.1數據集準備

7.7.2數據預處理

7.7.3模型的搭建與訓練

習題

第8章大數據

8.1大數據概述

8.1.1“大數據”的三要素

8.1.2大數據技術的發展歷程

8.2數據獲取——網絡爬蟲

8.2.1網絡爬蟲軟件

8.2.2爬蟲的原理

8.2.3Robots協議

8.3數據分析

8.3.1數據分析項目的落地

8.3.2數據分析方法

8.3.3數據分析工具

8.3.4現狀與未來

8.4數據挖掘

8.4.1數據挖掘的流程

8.4.2數據挖掘工具

8.5大數據技術的重要組件

8.5.1HDFS分佈式文件系統

8.5.2MapReduce： 分佈式運算框架

8.5.3HBase： 可拓展的數據庫系統

8.5.4Spark RDD

8.6數據可視化

8.7案例： 使用機器學習算法實現基於用戶行為數據的用戶分類器

8.7.1數據的特徵工程

8.7.2模型的訓練及評價指標的計算

8.7.3模型的調參

習題

第9章實驗

9.1電腦視覺

9.1.1一個通用的圖像分類模型

9.1.2兩階段目標檢測和語義分割

9.1.3人物圖像處理

9.1.4調用遠程服務

9.1.5動漫圖像生成

9.2自然語言處理

9.2.1垃圾郵件分類

9.2.2詞嵌入技術

9.2.3文本生成與多輪對話

9.2.4語音識別

9.3強化學習

9.4可視化技術

9.4.1使用TensorBoard可視化訓練過程

9.4.2捲積核可視化

9.4.3註意力機制可視化

附錄APython編程基礎

A.1Python簡介

A.1.1Python是什麽

A.1.2Python的安裝

A.1.3初試Python

A.2基本元素

A.2.1四則運算

A.2.2數值類型

A.2.3變量

A.2.4運算符

A.2.5字符串

A.2.6tuple、list與dict

A.3控制語句

A.3.1執行結構

A.3.2控制語句的類型和程序

A.4面向對象編程

A.4.1面向對象簡介

A.4.2類

A.4.3對象

A.4.4類和對象的關系

A.4.5面向過程還是對象

參考文獻