人工智能引論

 

目錄

 

 

 

 

 

 

第1章緒論

/

 



 

1.1達特茅斯會議/

 

1.21956年—20世紀70年代初/

 

1.320世紀70年代末—80年代末/

 

1.420世紀80年代末後的二十年/

 

1.52010年之後的深度學習時代/

 

1.6圖靈測試/

 

1.7封閉世界與開放世界/

 

*1.8進一步學習的內容/

 

 

第2章搜索/

 



 

 

 

2.1從一個例子開始/

 

2.2如何表示一個迷宮/

 

2.3搜索算法和搜索過程/

 

2.4理論分析——搜索算法的性質/

 

2.5搜索算法應用舉例/

 

2.6下棋也可以用搜索算法來完成/

 

2.7使用搜索算法的關鍵問題/

 

2.8指數爆炸/

 

2.9使用知識/

 

2.10如何得到一個好的啟發式函數/

 

*2.11進一步學習的內容/

 

 

第3章電腦視覺

/

 



 

 

3.1電腦視覺系統構成/

 

3.2一些電腦視覺任務/

 

3.3電腦視覺用到的方法/

 

3.4電腦視覺傳統方法/

 

3.5電腦視覺深度學習方法/

 

3.6LeNet： 一個圖像識別模型/

 

3.7目標函數與優化/

 

3.8端到端/

 

3.9表示學習/

 

3.10特徵的可視化/

 

3.11其他神經網絡模型/

 

3.12一些電腦視覺成功案例/

 

3.13深度神經網絡方法為什麼能在電腦視覺一些任務中取得成功/

 

3.14電腦視覺任務的困難/

 

3.15人類視覺和電腦視覺之間的比較/

 

*3.16進一步學習的內容/

 

 

第4章電腦聽覺

/

 



 

 

4.1電腦聽覺的任務/

 

4.2聲音相關的基本概念/

 

4.3音樂相關的基本概念/

 

4.4電腦聽覺採用的方法/

 

4.5適合序列數據的神經網絡模型/

 

4.6當前的技術狀況/

 

4.7電腦視覺和電腦聽覺的比較/

 

*4.8進一步學習的內容/

 

 

第5章自然語言處理與理解

/

 



 

 

5.1為什麼要研究自然語言處理與理解？/

 

5.2自然語言處理與理解的一些任務/

 

5.3自然語言處理與理解包含的幾個層次/

 

5.4詞的表示/

 

5.5三大類方法/

 

5.6Transformer/

 

5.7BERT/

 

5.8OpenAI公司的ChatGPT/

 

5.9一個機器翻譯的例子/

 

5.10機器對話和問答/

 

5.11文本生成/

 

5.12生成的文本的評價/

 

5.13基於深度學習方法的優缺點/

 

5.14自然語言處理與理解模型成功的原因與給我們的啟示/

 

5.15語言的局限性/

 

*5.16進一步學習的內容/

 

 

第6章知識表示與知識獲取

/

 



 

 

6.1為什麼要研究知識表示與知識獲取/

 

6.2主要研究內容/

 

6.3知識表示方法/

 

6.4知識獲取方法/

 

6.5知識的使用/

 

6.6困難和挑戰/

 

6.7知識不只在語言中/

 

*6.8進一步學習的內容/

 

 

第7章機器學習

/

 



 

 

7.1回歸/

 

7.2分類/

 

7.3聚類/

 

7.4再勵學習/

 

7.5使用機器學習方法的幾個關鍵問題/

 

7.6過擬合與泛化/

 

7.7機器學習的思想/

 

7.8黑盒和白盒/

 

7.9機器學習生態/

 

7.10機器學習理論/

 

*7.11進一步學習的內容/

 

 

第8章推理

/

 



 

 

8.1表示一個待求解問題/

 

8.2推理規則與形式化推理/

 

8.3推理算法以及推理算法的關鍵問題/

 

8.4和推理相關的一些理論問題/

 

8.5推理方法/

 

8.6深度學習時代推理研究的新任務/

 

8.7推理研究當前的方法和挑戰/

 

8.8和推理密切相關的一些任務/

 

8.9神經感知和符號系統的“聯合”/

 

8.10因果關系/

 

*8.11進一步學習的內容/

 

 

第9章多模態信息處理

/

 



 

 

9.1多模態信息處理的簡史/

 

9.2多模態學習任務舉例/

 

9.3方法/

 

9.4關鍵問題/

 

9.5多模態大模型/

 

9.6多模態數據讓智能系統更好地理解世界/

 

*9.7進一步學習的內容/

 

 

第10章多智能體系統

/

 



 

 

10.1為什麼要研究多智能體系統/

 

10.2群體智能/

 

10.3合作的智能體/

 

10.4非合作的智能體/

 

10.5多智能體學習/

 

10.6多智能體學習的困難/

 

10.7人類社會的啟發/

 

*10.8進一步學習的內容/

 

 

第11章可信的人工智能

/

 



 

11.1公平性/

 

11.2隱私和隱私保護/

 

11.3模型的安全與魯棒/

 

11.4可解釋性/

 

11.5環境友好/

 

11.6可問責性/

 

*11.7進一步學習的內容/

 

 

第12章人工智能生態

/

 



 

 

12.1人工智能賦能/

 

12.2助力人工智能/

 

12.3機器人與智能機器人/

 

12.4人工智能與認知科學/

 

12.5傳感器與材料科學/

 

12.6人工智能與社會治理/

 

12.7人工智能與藝術/

 

*12.8進一步學習的內容/