人工智能原理與應用

"傅啟明，蘇州科技大學副教授，江蘇省建築智慧節能重點實驗室副主任，蘇州市人工智能學會副秘書長，江蘇高校“青藍工程”優秀青年骨幹教師。長期從事強化學習、深度學習、智能信息處理等相關領域的研究。發表論文100余篇。編寫強化學習專著2部。主持國家重點研發計劃子課題、國家自然科學基金、江蘇省重點研發計劃課題等。獲發明專利授權20余項，軟件著作權30余項。 吳宏傑，蘇州科技大學教授。江蘇省“333高層次人才培養工程”培養對象，江蘇省“六大人才高峰”人才培養對象， 蘇州市計算機優秀青年人才。長期從事人工智能、數據挖掘、生物信息、工業互聯網等領域的研究工作。主持國家自然基金3項、住建部、江蘇省自然科學基金等科研項目10余項，獲省建設廳、蘇州市科技進步獎、蘇州市優秀論文。發表論文20篇。擔任中國計算機學會生物信息專委會委員、蘇州市人工智能學會監事，國際期刊TCBB、BIB等期刊審稿人。王蘊哲，蘇州科技大學講師，分別在香港大學和香港理工大學獲得計算機科學碩士和博士學位。2015年在香港理工大學擔任研究助理。主要從事數據科學、社交網絡和可視化分析等方面的研究，發表會議和期刊論文十余篇。於2021年獲得江蘇省雙創博士稱號，主持一項國家自然科學基金青年項目。"

目錄

第1章緒論

1.1人工智能的概念、起源與發展

1.1.1人工智能的概念

1.1.2人工智能的起源

1.1.3人工智能的發展

1.2人工智能的主要學派

1.2.1符號主義學派

1.2.2連接主義學派

1.2.3行為主義學派

1.3主要應用領域

1.4機器學習算法與scikitlearn庫

1.4.1機器學習

1.4.2scikitlearn庫

1.5案例分析：  算法學習平臺構建

1.5.1基於scikitlearn庫的機器學習平臺構建

1.5.2基於TensorFlow框架的深度學習平臺構建

1.6閱讀材料

1.7本章小結

習題

第2章搜索策略

2.1概述

2.2圖搜索

2.2.1廣度優先搜索

2.2.2深度優先搜索

2.3啟發式搜索

2.4博弈

2.5案例分析：  八數碼問題

2.5.1八數碼問題

2.5.2八數碼問題的Python語言示例

2.6閱讀材料

2.7本章小結

習題

第3章線性回歸及分類算法

3.1概述

3.2線性回歸算法

3.2.1回歸分析

3.2.2線性模型

3.3邏輯回歸算法

3.3.1Logistic函數

3.3.2Logistic回歸的損失函數

3.4基於距離的分類算法

3.4.1距離度量

3.4.2分類算法的理解

3.4.3KNN算法

3.4.4kd樹

3.5基於概率論的樸素貝葉斯算法

3.5.1概率論知識

3.5.2樸素貝葉斯算法

3.6案例分析：  糖尿病預測問題

3.6.1糖尿病預測問題

3.6.2糖尿病預測問題的Python語言示例

3.7閱讀材料

3.8本章小結

習題

第4章決策樹 

4.1概述

4.2CLS算法

4.3ID3算法和C4.5算法

4.4決策樹的修剪

4.5案例分析：  決策樹

4.5.1scikitlearn中的決策樹

4.5.2實例參考解決方案

4.6閱讀材料

4.7本章小結

習題

第5章支持向量機

5.1概述

5.2硬間隔SVM與軟間隔SVM

5.2.1硬間隔SVM

5.2.2軟間隔SVM

5.3核函數與非線性SVM

5.3.1核函數的定義

5.3.2核函數的應用

5.3.3常用核函數

5.3.4非線性SVM算法

5.4多類分類SVM

5.4.1onevsall策略

5.4.2onevsone策略

5.5案例分析：  手寫數字數據集

5.5.1手寫數字數據集

5.5.2基於scikitlearn庫實現的手寫體數字識別實例

5.6閱讀材料

5.7本章小結

習題

第6章聚類

6.1概述

6.2聚類基本思想和算法分類及分析

6.2.1聚類的基本思想

6.2.2聚類分析的分類

6.2.3聚類分析的步驟

6.3聚類算法中相似性度量

6.3.1距離度量

6.3.2相似性系數度量

6.4聚類算法

6.4.1劃分聚類法中的k均值算法

6.4.2層次聚類法中的層次聚類

6.4.3基於密度的DBSCAN算法

6.5聚類評估

6.5.1估計聚類趨勢

6.5.2確定數據集中的簇數

6.5.3測定聚類質量

6.6案例分析：  scikitlearn中的聚類算法實踐

6.6.1距離計算的實現

6.6.2scikitlearn中的k均值算法

6.6.3scikitlearn中的DBSCAN算法

6.7閱讀材料

6.8本章小結

習題

第7章反向傳播神經網絡

7.1概述

7.2反向傳播神經網絡模型

7.2.1神經網絡拓撲結構

7.2.2神經網絡的傳遞函數

7.3反向傳播神經網絡算法

7.4反向傳播神經網絡缺陷

7.5案例分析：  scikitlearn中反向傳播神經網絡應用

7.6閱讀材料

7.7本章小結

習題

第8章卷積神經網絡

8.1概述

8.2卷積神經網絡模型

8.3典型的卷積神經網絡模型

8.3.1LeNet5

8.3.2AlexNet

8.3.3VGG16

8.3.4ResNet

8.4卷積神經網絡的常用框架

8.5案例分析：  基於TensorFlow的卷積神經網絡應用

8.6閱讀材料

8.7本章小結

習題

第9章生成對抗網絡

9.1概述

9.2生成對抗網絡的基本介紹

9.2.1生成對抗網絡的基本概念

9.2.2目標函數

9.2.3常見的生成模型

9.2.4生成對抗網絡常見的模型結構

9.3關於生成對抗網絡隱空間的理解

9.4生成對抗網絡的應用

9.4.1圖像

9.4.2序列生成

9.4.3半監督學習

9.4.4域適應

9.4.5其他應用

9.5閱讀材料

9.6本章小結

習題

第10章強化學習

10.1概述

10.2強化學習建模

10.2.1馬爾可夫性

10.2.2馬爾可夫決策過程

10.3值函數與最優值函數

10.3.1值函數

10.3.2最優值函數

10.4基於模型的強化學習方法

10.4.1策略評估

10.4.2策略改進

10.4.3策略疊代

10.4.4值疊代

10.5無模型的強化學習方法

10.5.1蒙特卡羅方法

10.5.2時間差分方法

10.6閱讀材料

10.7本章小結

習題

第11章模糊計算

11.1概述

11.2模糊集合

11.2.1模糊集合的概念

11.2.2模糊集合的表示方法

11.2.3模糊集合的運算

11.3隸屬度函數

11.3.1隸屬度函數的確定

11.3.2常用的隸屬度函數

11.4模糊矩陣和模糊關系

11.4.1模糊矩陣

11.4.2模糊關系

11.5模糊決策

11.5.1模糊變換

11.5.2模糊判決

11.5.3模糊蘊涵關系

11.5.4模糊推理

11.6案例分析：  一個簡單的模糊控制器

11.7閱讀材料

11.8本章小結

習題

第12章群體智能算法

12.1概述

12.1.1群智能算法的發展歷程

12.1.2群體智能算法的主要代表算法

12.1.3群智能算法的特點

12.2遺傳算法

12.2.1遺傳算法的基本原理

12.2.2遺傳算法實現步驟

12.2.3基於遺傳算法的應用案例

12.3粒子群算法

12.3.1粒子群算法的基本原理

12.3.2粒子群算法實現步驟

12.3.3基於粒子群算法的應用案例

12.4蟻群算法

12.4.1蟻群算法的基本原理

12.4.2蟻群算法實現步驟

12.4.3基於蟻群算法的應用案例

12.5案例分析：  流水線調度問題

12.6閱讀材料

12.7本章小結

習題

第13章人工智能的爭論與展望

13.1人工智能的爭論

13.1.1對人工智能理論與方法的爭論

13.1.2對強弱人工智能的爭論

13.2人工智能的展望

13.2.1黑盒與可解釋人工智能

13.2.2機器學習與機器教學

13.2.3馮·諾依曼計算與神經形態計算

13.2.4數字與量子計算機

13.2.5電子與腦機接口設備

13.3本章小結

參考文獻