包邮人工智能基础与应用

目 录?

第1章 绪论 1

1.1 人工智能的概念 1

1.1.1 智能 1

1.1.2 人工智能 4

1.1.3 图灵测试 4

1.2 人工智能发展简史 5

1.2.1 孕育阶段 5

1.2.2 形成阶段 5

1.2.3 发展阶段 6

1.2.4 人工智能的学派 8

1.3 人工智能的研究及应用领域 12

1.4 人工智能的发展现状和趋势 18

1.5 本章小结 20

1.6 习题 20

参考文献 20

第2章 知识与知识表示 22

2.1 知识与知识表示的内涵 22

2.1.1 知识的概念 22

2.1.2 知识的特征 23

2.1.3 知识表示的概念 24

2.2 知识表示方法 24

2.2.1 一阶谓词逻辑表示法 24

2.2.2 产生式表示法 33

2.2.3 状态空间表示法 36

2.2.4 框架表示法 40

2.3 知识图谱及其应用 44

2.3.1 知识图谱概述 44

2.3.2 知识图谱应用示例 45

2.4 本章小结 47

2.5 习题 48

参考文献 48

第3章 自动推理与专家系统 50

3.1 自动推理基本知识 50

3.1.1 确定性推理 50

3.1.2 不确定性推理 59

3.2 专家系统 63

3.2.1 专家系统的内涵 63

3.2.2 专家系统的结构 63

3.2.3 专家系统的设计与实现 66

3.2.4 专家系统的应用与发展 71

3.3 本章小结 77

3.4 习题 78

参考文献 78

第4章 搜索算法与智能计算 80

4.1 搜索算法 80

4.1.1 盲目搜索策略 81

4.1.2 启发式搜索 83

4.1.3 博弈搜索策略 89

4.2 遗传算法 91

4.2.1 基本遗传算法 91

4.2.2 遗传算法的基本操作 93

4.2.3 遗传算法的一般步骤 99

4.2.4 遗传算法的应用 100

4.3 蚁群算法 100

4.3.1 蚁群算法的基本思想 101

4.3.2 基本的蚁群算法模型 101

4.3.3 蚁群算法的参数选择 103

4.3.4 蚁群算法的应用 103

4.4 粒子群优化算法 105

4.4.1 粒子群优化算法的基本原理 105

4.4.2 粒子群优化算法的流程 106

4.4.3 粒子群优化算法的参数分析 107

4.4.4 粒子群优化算法的应用 108

4.5 本章小结 110

4.6 习题 110

参考文献 112

第5章 机器学习 113

5.1 机器学习的概念与类型 113

5.1.1 机器学习的概念 113

5.1.2 机器学习的类型 114

5.2 机器学习的流程 119

5.2.1 模型 119

5.2.2 训练 120

5.3 模型性能度量 122

5.3.1 模型精度 122

5.3.2 查准率、查全率与F值 122

5.3.3 ROC与AUC 123

5.4 常见分类方法 124

5.4.1 逻辑回归与Softmax回归 124

5.4.2 KNN 126

5.4.3 朴素贝叶斯 129

5.4.4 决策树 130

5.4.5 支持向量机 132

5.5 常见聚类方法 137

5.5.1 原型聚类 137

5.5.2 密度聚类 138

5.5.3 层次聚类 141

5.6 集成学习 142

5.7 本章小结 143

5.8 习题 143

参考文献 144

第6章 深度学习(1) 145

6.1 神经元与神经网络 145

6.1.1 神经元模型 146

6.1.2 神经网络的结构 147

6.1.3 神经网络的优化算法 148

6.1.4 神经网络的发展历程 151

6.2 BP神经网络 152

6.2.1 BP神经网络的结构 152

6.2.2 BP神经网络的基本原理 153

6.2.3 BP学习算法 153

6.2.4 BP神经网络在模式识别中的应用 155

6.3 卷积神经网络 156

6.3.1 卷积神经网络的结构 157

6.3.2 卷积神经网络的模型实例 162

6.3.3 几种典型的卷积神经网络 163

6.4 循环神经网络 164

6.4.1 循环神经网络的结构 165

6.4.2 BPTT学习算法 166

6.4.3 梯度消失和梯度爆炸 167

6.4.4 基于门控机制的循环神经网络 167

6.5 贝叶斯深度学习 170

6.5.1 贝叶斯公式 170

6.5.2 贝叶斯深度学习 171

6.5.3 基于贝叶斯深度学习的预测和训练 172

6.5.4 贝叶斯深度学习框架 173

6.6 本章小结 174

6.7 习题 174

参考文献 176

第7章 深度学习(2) 177

7.1 注意力与记忆机制 177

7.1.1 注意力 177

7.1.2 注意力机制 178

7.1.3 常见的记忆方式 180

7.1.4 典型的记忆网络 183

7.1.5 典型场景应用 184

7.2 自编码器 185

7.2.1 传统自编码器 185

7.2.2 改进的自编码器 186

7.2.3 自编码器的应用 192

7.3 强化学习 194

7.3.1 强化学习的基本原理 194

7.3.2 强化学习的分类及任务 195

7.3.3 强化学习算法 195

7.3.4 强化学习的主要应用 197

7.4 对抗学习 198

7.4.1 GAN的提出背景 198

7.4.2 GAN的核心原理 200

7.4.3 GAN的学习方法 201

7.4.4 GAN的衍生模型 202

7.4.5 GAN的应用领域 203

7.4.6 GAN的思考与展望 204

7.5 联邦学习 207

7.5.1 联邦学习的提出背景 207

7.5.2 联邦学习的基本内涵 207

7.5.3 联邦学习的应用探索 209

7.6 本章小结 210

7.7 习题 211

参考文献 211

第8章 计算机视觉 213

8.1 计算机视觉概述 213

8.2 图像的分析和理解 215

8.2.1 基于浅层模型的方法 216

8.2.2 基于深度模型的方法 219

8.3 计算机视觉的典型应用 222

8.3.1 模式识别 222

8.3.2 动态行为分析 225

8.3.3 机器视觉 226

8.4 本章小结 227

8.5 习题 228

参考文献 228

第9章 自然语言处理与语音处理 229

9.1 自然语言处理 229

9.1.1 自然语言处理概述 229

9.1.2 情感分类 233

9.1.3 机器翻译 244

9.1.4 自然语言人机交互 246

9.2 语音处理 256

9.2.1 语音识别 256

9.2.2 语音合成 261

9.2.3 语音转换 265

9.3 本章小结 266

9.4 习题 267

参考文献 267

第10章 机器人 269

10.1 机器人概述 269

10.1.1 机器人的定义 269

10.1.2 机器人的分类 270

10.1.3 机器人的特性 271

10.1.4 机器人三原则 271

10.1.5 智能机器人的发展历程 271

10.2 机器人的基本构成 272

10.3 机器人的工作原理 273

10.4 人工智能技术在机器人中的应用 274

10.4.1 智能感知 275

10.4.2 智能导航与规划 277

10.4.3 智能控制与操作 279

10.4.4 智能交互 280

10.5 机器人的应用 282

10.5.1 机器人的典型应用场景 282

10.5.2 智能机器人的发展展望 287

10.6 本章小结 289

10.7 习题 289

参考文献 289

第11章 大数据与区块链 291

11.1 大数据 291

11.1.1 大数据的基本概念与特征 291

11.1.2 大数据的应用 293

11.1.3 大数据的关键技术 297

11.1.4 大数据与云计算、物联网的关系 303

11.1.5 大数据与人工智能应用探讨 303

11.2 区块链 306

11.2.1 区块链概述 306

11.2.2 区块链的技术基础 308

11.2.3 区块链与人工智能 310

11.2.4 区块链的应用探讨与展望 314

11.3 大数据与区块链的关系 316

11.4 本章小结 317

11.5 习题 318

参考文献 318

第12章 Python编程基础 319

12.1 Python——编程语言 319

12.2 Python——解释器 320

12.3 安装Python 321

12.4 使用Python 321

12.4.1 Python shell 321

12.4.2 运行完整的Python程序 322

12.4.3 使用IDE编写代码 322

12.4.4 与Python交互 322

12.5 编写Python代码 322

12.5.1 Python基础语法 322

12.5.2 数学运算 325

12.5.3 导入新的库和函数 326

12.5.4 函数式编程 328

12.6 PyPI软件仓库——Python包索引 329

12.7 NumPy库 330

12.7.1 NumPy简史 330

12.7.2 安装NumPy 330

12.7.3 ndarray对象 331

12.7.4 基本操作 335

12.8 Pandas库 338

12.8.1 Pandas：Python数据 分析库 338

12.8.2 安装Pandas 338

12.8.3 测试Pandas是否安装成功 339

12.8.4 Pandas数据结构简介 339

12.9 matplotlib库 347

12.9.1 安装matplotlib 348

12.9.2 pyplot模块 348

12.9.3 为图表添加更多元素 353

12.10 本章小结 357

12.11 习题 357

参考文献 358