人工智能基础及应用

第1章人工智能概述1
1.1人工智能的萌芽与诞生2
1.1.1人工智能的萌芽2
1.1.2图灵测试与中文屋实验2
1.1.3人工智能的诞生 3
1.2人工智能的定义 4
1.3人工智能发展简史5
1.3.1人工智能的黄金期（20世纪50年代中期—60年代中期）5
1.3.2人工智能的**个寒冬期（20世纪60年代后期—70年代初）7
1.3.3人工智能的繁荣期（20世纪70年代中期—80年代后期）8
1.3.4人工智能的第二个寒冬期（20世纪80年代末—90年代中期）9
1.3.5人工智能的复苏期（1997年—2011年）11
1.3.6人工智能的蓬勃发展期 （2012年至今）12
1.4人工智能的研究流派13
1.5人工智能研究的基本内容15
1.6人工智能的主要研究领域16
1.7本章小结19
习题 119
第2章知识表示与知识图谱21
2.1知识的基本概念21
2.1.1知识的定义21
2.1.2知识的特性22
2.1.3知识的分类22
2.2知识表示的方法23
2.3产生式规则表示法24
2.3.1产生式25
2.3.2产生式系统27
2.3.3产生式表示法的特点28
2.4状态空间表示法29
2.5知识图谱33
2.5.1知识图谱的定义33
2.5.2知识图谱的表示34
2.5.3知识图谱的发展简史35
2.5.4典型的知识图谱39
2.5.5知识图谱的应用43
2.6本章小结44
习题245
第3章搜索策略46
3.1图搜索策略46
3.2盲目的图搜索策略48
3.2.1深度优先搜索48
3.2.2宽度优先搜索50
3.3启发式图搜索策略52
3.3.1A搜索53
3.3.2A搜索54
3.4局部搜索算法57
3.4.1爬山法58
3.4.2模拟退火法60
3.4.3遗传算法62
3.5本章小结69
习题370
第4章机器学习72
4.1机器学习概述72
4.1.1机器学习的定义72
4.1.2机器学习的基本术语73
4.1.3机器学习的三个视角76
4.2监督学习78
4.2.1监督学习的步骤78
4.2.2监督学习的主要任务79
4.2.3监督学习的典型算法81
4.3无监督学习84
4.3.1无监督学习的基本原理84
4.3.2无监督学习的主要任务85
4.3.3无监督学习的典型算法88
4.4弱监督学习90
4.4.1不完全监督学习91
4.4.2不确切监督学习95
4.4.3不准确监督学习96
4.5本章小结97
习题 497
第5章人工神经网络99
5.1人工神经网络的发展历程99
5.2感知机与神经网络101
5.2.1生物神经元结构101
5.2.2神经元数学模型——MP模型102
5.2.3感知机103
5.2.4多层神经网络结构104
5.3BP神经网络及其学习算法106
5.3.1BP神经网络的结构106
5.3.2BP学习算法107
5.4卷积神经网络113
5.4.1卷积神经网络的整体结构113
5.4.2卷积运算116
5.4.3激活函数121
5.4.4池化运算122
5.5本章小结123
习题 5124
第6章典型卷积神经网络125
6.1LeNet125
6.1.1LeNet模型的发展历程125
6.1.2LeNet5模型的结构126
6.2AlexNet128
6.2.1AlexNet模型的结构128
6.2.2AlexNet模型的创新性130
6.3VGGNet132
6.3.1VGGNet模型的结构132
6.3.2VGGNet模型的优势134
6.4GoogLeNet/Inception135
6.4.1GoogLeNet模型的研究思路135
6.4.2GoogLeNet模型结构的总体说明136
6.4.3GoogLeNet模型结构解析139
6.4.4GoogLeNet模型的特点141
6.5ResNet142
6.5.1ResNet模型的研究动机142
6.5.2ResNet模型的结构143
6.6DenseNet145
6.7本章小结149
习题 6150
第7章智能图像处理151
7.1数字图像处理概述151
7.1.1数字图像处理的基本概念151
7.1.2数字图像处理的主要任务153
7.2传统的图像处理技术157
7.2.1图像分类158
7.2.2图像目标检测161
7.2.3图像分割164
7.3基于深度学习的图像处理技术166
7.3.1基于深度学习的图像分类166
7.3.2基于深度学习的图像目标检测168
7.3.3基于深度学习的图像分割173
7.4本章小结175
习题 7176
第8章机器学习开发框架177
8.1机器学习开发框架简介177
8.2机器学习库——Scikitlearn178
8.2.1Scikitlearn代码设计179
8.2.2Scikitlearn数据表示及数据集构建180
8.2.3Scikitlearn模型训练182
8.2.4Scikitlearn模型预测183
8.2.5Scikitlearn模型评估与超参数选择184
8.3深度学习框架——PyTorch185
8.3.1深度学习框架中的自动求导185
8.3.2PyTorch框架结构 187
8.3.3PyTorch中的张量188
8.3.4PyTorch数据集构建190
8.3.5PyTorch模型训练192
8.3.6PyTorch模型预测与评估198
8.3.7PyTorch模型超参数选择199
8.3.8PyTorch中的自动求导机制203
8.4深度学习框架——飞桨207
8.4.1飞桨框架概述207
8.4.2飞桨的张量表示209
8.4.3飞桨的自动微分机制 210
8.4.4飞桨数据集构建212
8.4.5飞桨的模型开发213
8.5本章小结215
习题 8215
第9章机器学习项目剖析217
9.1机器学习应用项目的开发流程217
9.2波士顿房价预测——线性回归模型218
9.2.1数据集构建218
9.2.2模型构建与设置219
9.2.3模型训练与测试220
9.3鸢尾花分类——SVM模型220
9.3.1数据集构建220
9.3.2模型构建与设置222
9.3.3模型训练与测试222
9.4手写体数字识别——多层神经网络模型223
9.4.1数据集构建223
9.4.2模型构建与设置224
9.4.3模型训练与测试226
9.5动物图像分类——VGG模型227
9.5.1数据集构建227
9.5.2模型构建与设置229
9.5.3模型训练与测试232
9.6宠物图像分割——UNet模型234
9.6.1数据集构建234
9.6.2模型构建与设置236
9.6.3模型训练与测试240
9.7昆虫目标检测——YOLOv3模型242
9.7.1数据集构建242
9.7.2模型构建与设置243
9.7.3模型训练与测试245
9.8本章小结246
习题 9246
参考文献247