人工智能应用教程

第1章人工智能概论1

1.1你了解人类的智能吗1

1.1.1智能的概念1

1.1.2智能的特征3

1.2人工智能的孕育和诞生6

1.2.1人工智能的孕育期6

1.2.2人工智能的诞生——达特茅斯会议8

1.2.3人工智能的定义与图灵测试9

1.3人工智能的发展11

1.3.1人工智能的形成期11

1.3.2几起几落的曲折发展期12

1.3.3大数据驱动的飞速发展期14

1.4从两场标志性人机博弈看人工智能的发展15

1.4.1人工智能研究中的“小白鼠”15

1.4.2“深蓝”战胜国际象棋棋王卡斯帕罗夫15

1.4.3阿尔法狗无师自通横扫世界围棋大师17

1.5人工智能研究的基本内容19

1.6人工智能的主要应用领域21

1.7人工智能伦理36

1.7.1人工智能伦理的提出与发展37

1.7.2人工智能伦理的典型案例与成因分析38

1.7.3人工智能伦理的治理原则40

1.7.4人工智能伦理的治理措施42

1.8本章小结44

讨论题44人工智能应用教程目录第2章知识表示与知识图谱45

2.1你了解人类知识吗45

2.1.1什么是知识45

2.1.2知识的相对正确性46

2.1.3知识的不确定性47

2.1.4计算机表示知识的方法49

2.2一阶谓词逻辑表示法50

2.2.1命题50

2.2.2谓词51

2.2.3谓词公式53

2.2.4一阶谓词逻辑知识表示方法56

2.2.5一阶谓词逻辑表示法的特点57

2.3产生式表示法58

2.3.1产生式59

2.3.2产生式系统60

2.3.3产生式表示法的特点62

2.4框架表示法63

2.4.1框架的一般结构64

2.4.2用框架表示知识的例子65

2.4.3框架表示法的特点68

2.5知识图谱68

2.5.1知识图谱的提出69

2.5.2知识图谱的定义69

2.5.3知识图谱的表示71

2.5.4知识图谱的架构72

2.5.5知识图谱的典型应用72

2.6本章小结74

讨论题76

习题77第3章模拟人类思维的推理方法78

3.1推理的定义78

3.2推理的分类79

3.2.1从推出知识的路径分类79

3.2.2从知识的确定性分类81

3.3推理的方向81

3.3.1正向推理82

3.3.2逆向推理84

3.3.3混合推理85

3.4推理中的冲突消解策略87

3.5基于谓词逻辑的确定性推理90

3.5.1自然演绎推理90

3.5.2鲁滨逊归结原理92

3.5.3归结反演93

3.5.4归结求解96

3.6基于统计分析的不确定性推理99

3.6.1不确定性推理的概念99

3.6.2可信度方法103

3.6.3可信度方法举例106

3.7基于模糊理论的不确定性推理107

3.7.1模糊逻辑的提出与发展107

3.7.2模糊集合的定义与表示109

3.7.3隶属函数111

3.7.4模糊关系113

3.7.5模糊关系的合成115

3.7.6模糊推理116

3.7.7模糊决策117

3.7.8模糊推理的应用118

3.8本章小结119

讨论题121

习题121

第4章搜索策略125

4.1搜索的概念125

4.2如何用状态空间表示搜索对象126

4.2.1状态空间知识表示方法126

4.2.2状态空间的图描述128

4.3回溯策略131

4.4盲目的图搜索策略133

4.4.1宽度优先搜索策略133

4.4.2深度优先搜索策略134

4.5启发式图搜索策略137

4.5.1启发式策略137

4.5.2启发信息和估价函数140

4.5.3A搜索算法142

4.5.4A搜索算法143

4.5.5蒙特卡洛树搜索算法145

4.6本章小结147

讨论题148

习题149

第5章模拟生物进化的遗传算法150

5.1进化算法的生物学背景150

5.2遗传算法152

5.2.1遗传算法的发展历史152

5.2.2遗传算法的基本思想153

5.2.3编码154

5.2.4种群设定156

5.2.5适应度函数157

5.2.6选择158

5.2.7交叉161

5.2.8变异163

5.3遗传算法的主要改进算法164

5.3.1双倍体遗传算法165

5.3.2双种群遗传算法166

5.3.3自适应遗传算法167

5.4基于遗传算法的生产调度方法169

5.4.1基于遗传算法的流水车间调度方法169

5.4.2基于遗传算法的混合流水车间调度方法171

5.5本章小结176

讨论题177

习题178

第6章模拟生物群体行为的群智能算法179

6.1群智能算法的生物学背景179

6.2模拟鸟群行为的粒子群优化算法181

6.2.1基本粒子群优化算法181

6.2.2粒子群优化算法的应用183

6.3模拟蚁群行为的蚁群优化算法185

6.3.1蚁群优化算法的生物学背景186

6.3.2基本蚁群优化算法186

6.3.3蚁群优化算法的应用190

6.4本章小结192

讨论题193

第7章模拟生物神经系统的人工神经网络194

7.1人工神经元与人工神经网络194

7.1.1生物神经元结构194

7.1.2生物神经元的数学模型195

7.1.3人工神经网络的结构与学习197

7.2机器学习的先驱——赫布学习规则198

7.3掀起人工神经网络**次高潮的感知器200

7.4掀起人工神经网络第二次高潮的BP学习算法202

7.4.1BP学习算法的提出202

7.4.2BP神经网络203

7.4.3BP学习算法204

7.4.4BP学习算法在模式识别中的应用207

7.5本章小结209

讨论题209

习题210

第8章机器学习与深度学习213

8.1机器学习的基本概念213

8.1.1学习213

8.1.2机器学习214

8.1.3学习系统214

8.1.4机器学习的发展217

8.2机器学习的分类218

8.2.1机器学习的一般分类方法218

8.2.2监督学习与无监督学习220

8.2.3弱监督学习222

8.3知识发现与数据挖掘225

8.3.1知识发现与数据挖掘的概念226

8.3.2知识发现的一般过程226

8.3.3知识发现的任务227

8.3.4知识发现的对象228

8.4动物视觉机理与深度学习的提出230

8.4.1浅层学习的局限性230

8.4.2深度学习的提出231

8.5卷积神经网络与胶囊网络233

8.5.1卷积神经网络的结构233

8.5.2卷积的物理、生物与生态学等意义234

8.5.3卷积神经网络的卷积运算235

8.5.4卷积神经网络中的关键技术237

8.5.5卷积神经网络的应用240

8.5.6胶囊网络241

8.5.7基于深度学习的计算机视觉244

8.6生成对抗网络及其应用246

8.6.1生成对抗网络的基本原理247

8.6.2生成对抗网络的结构与训练248

8.6.3生成对抗网络在图像处理中的应用250

8.6.4生成对抗网络在语言处理中的应用254

8.6.5生成对抗网络在视频生成中的应用258

8.6.6生成对抗网络在医疗中的应用259

8.7本章小结260

讨论题262

习题262

第9章专家系统263

9.1专家系统的产生和发展263

9.2专家系统的概念265

9.2.1专家系统的定义265

9.2.2专家系统的特点266

9.2.3专家系统的类型268

9.3专家系统的工作原理269

9.3.1专家系统的一般结构269

9.3.2知识库270

9.3.3推理机271

9.3.4综合数据库271

9.3.5知识获取机构271

9.3.6解释机构272

9.3.7人机接口273

9.4简单的动物识别专家系统273

9.4.1知识库建立273

9.4.2综合数据库建立和推理过程275

9.5专家系统开发工具——骨架系统276

9.5.1骨架系统的概念276

9.5.2EMYCIN骨架系统277

9.5.3KAS骨架系统278

9.6专家系统开发环境280

9.7本章小结281

讨论题282

第10章自然语言理解283

10.1自然语言理解的概念与发展283

10.1.1自然语言理解的概念283

10.1.2自然语言理解的发展历史284

10.2语言处理过程的层次287

10.3机器翻译方法概述289

10.4循环神经网络293

10.4.1循环神经网络的结构293

10.4.2循环神经网络的训练294

10.4.3长短期记忆神经网络295

10.5基于循环神经网络的机器翻译295

10.6语音识别297

10.6.1语音识别的概念297

10.6.2语音识别的主要过程298

10.6.3语音识别的方法301

10.7本章小结302

讨论题303

附录A人工智能实验指导书304

实验1产生式系统实验304

实验2洗衣机模糊推理系统实验305

实验3A算法求解N数码问题实验306

实验4A算法求解迷宫寻路问题实验308

实验5遗传算法求函数*大值实验309

实验6遗传算法求解TSP问题实验312

实验7粒子群算法求函数*小值实验314

实验8蚁群算法求解TSP问题实验315

实验9BP神经网络分类实验315

实验10卷积神经网络分类实验316

实验11胶囊网络分类实验317

实验12用生成对抗网络生成数字图像实验318