人工智能引论

第1章绪论/ 1.1达特茅斯会议/ 1.21956年—20世纪70年代初/ 1.320世纪70年代末—80年代末/ 1.420世纪80年代末后的二十年/ 1.52010年之后的深度学习时代/ 1.6图灵测试/ 1.7封闭世界与开放世界/ *1.8进一步学习的内容/
第2章搜索/  2.1从一个例子开始/ 2.2如何表示一个迷宫/ 2.3搜索算法和搜索过程/ 2.4理论分析——搜索算法的性质/ 2.5搜索算法应用举例/ 2.6下棋也可以用搜索算法来完成/ 2.7使用搜索算法的关键问题/ 2.8指数爆炸/ 2.9使用知识/ 2.10如何得到一个好的启发式函数/ *2.11进一步学习的内容/
第3章计算机视觉
/ 
3.1计算机视觉系统构成/ 3.2一些计算机视觉任务/ 3.3计算机视觉用到的方法/ 3.4计算机视觉传统方法/ 3.5计算机视觉深度学习方法/ 3.6LeNet： 一个图像识别模型/ 3.7目标函数与优化/ 3.8端到端/ 3.9表示学习/ 3.10特征的可视化/ 3.11其他神经网络模型/ 3.12一些计算机视觉成功案例/ 3.13深度神经网络方法为什么能在计算机视觉一些任务中取得成功/ 3.14计算机视觉任务的困难/ 3.15人类视觉和计算机视觉之间的比较/ *3.16进一步学习的内容/
第4章计算机听觉
/ 
4.1计算机听觉的任务/ 4.2声音相关的基本概念/ 4.3音乐相关的基本概念/ 4.4计算机听觉采用的方法/ 4.5适合序列数据的神经网络模型/ 4.6当前的技术状况/ 4.7计算机视觉和计算机听觉的比较/ *4.8进一步学习的内容/
第5章自然语言处理与理解
/ 
5.1为什么要研究自然语言处理与理解？/ 5.2自然语言处理与理解的一些任务/ 5.3自然语言处理与理解包含的几个层次/ 5.4词的表示/ 5.5三大类方法/ 5.6Transformer/ 5.7BERT/ 5.8OpenAI公司的ChatGPT/ 5.9一个机器翻译的例子/ 5.10机器对话和问答/ 5.11文本生成/ 5.12生成的文本的评价/ 5.13基于深度学习方法的优缺点/ 5.14自然语言处理与理解模型成功的原因与给我们的启示/ 5.15语言的局限性/ *5.16进一步学习的内容/
第6章知识表示与知识获取
/ 
6.1为什么要研究知识表示与知识获取/ 6.2主要研究内容/ 6.3知识表示方法/ 6.4知识获取方法/ 6.5知识的使用/ 6.6困难和挑战/ 6.7知识不只在语言中/ *6.8进一步学习的内容/
第7章机器学习
/ 
7.1回归/ 7.2分类/ 7.3聚类/ 7.4再励学习/ 7.5使用机器学习方法的几个关键问题/ 7.6过拟合与泛化/ 7.7机器学习的思想/ 7.8黑盒和白盒/ 7.9机器学习生态/ 7.10机器学习理论/ *7.11进一步学习的内容/
第8章推理
/ 
8.1表示一个待求解问题/ 8.2推理规则与形式化推理/ 8.3推理算法以及推理算法的关键问题/ 8.4和推理相关的一些理论问题/ 8.5推理方法/ 8.6深度学习时代推理研究的新任务/ 8.7推理研究当前的方法和挑战/ 8.8和推理密切相关的一些任务/ 8.9神经感知和符号系统的“联合”/ 8.10因果关系/ *8.11进一步学习的内容/
第9章多模态信息处理
/ 
9.1多模态信息处理的简史/ 9.2多模态学习任务举例/ 9.3方法/ 9.4关键问题/ 9.5多模态大模型/ 9.6多模态数据让智能系统更好地理解世界/ *9.7进一步学习的内容/
第10章多智能体系统
/ 
10.1为什么要研究多智能体系统/ 10.2群体智能/ 10.3合作的智能体/ 10.4非合作的智能体/ 10.5多智能体学习/ 10.6多智能体学习的困难/ 10.7人类社会的启发/ *10.8进一步学习的内容/
第11章可信的人工智能
/  11.1公平性/ 11.2隐私和隐私保护/ 11.3模型的安全与鲁棒/ 11.4可解释性/ 11.5环境友好/ 11.6可问责性/ *11.7进一步学习的内容/
第12章人工智能生态
/ 
12.1人工智能赋能/ 12.2助力人工智能/ 12.3机器人与智能机器人/ 12.4人工智能与认知科学/ 12.5传感器与材料科学/ 12.6人工智能与社会治理/ 12.7人工智能与艺术/ *12.8进一步学习的内容/