人工智能导论

第1章绪论1
1.1人工智能的历史及概念1
1.1.1人工智能的起源与历史1
1.1.2人工智能的概念3
1.1.3人工智能的特征4
1.2人工智能关键技术6
1.2.1机器学习6
1.2.2知识图谱8
1.2.3自然语言处理9
1.2.4人机交互10
1.2.5计算机视觉12
1.2.6生物特征识别13
1.2.7虚拟现实/增强现实15
1.3人工智能产业现状及趋势16
1.3.1智能基础设施17
1.3.2智能信息及数据18
1.3.3智能技术服务18
1.3.4人工智能行业应用18
1.3.5人工智能产业发展趋势21
1.4安全、伦理、隐私问题21
1.4.1人工智能的安全问题22
1.4.2人工智能的伦理问题23
1.4.3人工智能的隐私问题24
1.5人工智能专业课程体系24
1.6本章小结26
习题26
第2章知识表示方法及搜索方法27
2.1知识表示方法27
2.1.1状态空间法27
2.1.2问题归约法29
2.1.3与或图表示法31
2.1.4谓词逻辑法33
2.1.5语义网络法36
2.1.6其他方法38
2.2搜索技术43
2.2.1图搜索策略43
2.2.2盲目搜索44
2.2.3启发式搜索47
2.2.4A算法50
2.3本章小结52
习题52
目录
人工智能导论
第3章Python编程简介53
3.1IPython及其使用53
3.1.1IPython控制台53
3.1.2语句与表达式54
3.1.3错误信息58
3.1.4模块59
3.2数据结构59
3.2.1对象和方法60
3.2.2列表60
3.2.3数组62
3.3程序控制68
3.3.1分支结构68
3.3.2循环结构71
3.4脚本73
3.4.1脚本设计73
3.4.2脚本执行74
3.5输入、输出与可视化75
3.5.1输入与输出75
3.5.2数据可视化78
3.6本章小结81
习题82
第4章分类与聚类83
4.1K最近邻算法83
4.1.1算法概述83
4.1.2基本思想84
4.1.3算法实践84
4.2朴素贝叶斯86
4.2.1算法概述86
4.2.2基本思想86
4.2.3算法实践87
4.3决策树90
4.3.1算法概述91
4.3.2基本思想91
4.3.3构造方法91
4.3.4算法实践92
4.4随机森林94
4.4.1算法概述94
4.4.2基本思想94
4.4.3算法实践94
4.5K均值聚类算法96
4.5.1算法概述97
4.5.2算法实践97
4.6本章小结98
习题98
第5章回归99
5.1一元线性回归99
5.1.1线性关系99
5.1.2一元线性回归101
5.2多元线性回归106
5.3梯度下降法108
5.3.1梯度下降法的原理108
5.3.2基于梯度下降法的多元线性回归110
5.4Logistic回归111
5.4.1Logistic回归模型111
5.4.2Logistic回归应用113
5.5本章小结117
习题117
第6章人工神经网络119
6.1感知机119
6.1.1感知机模型119
6.1.2感知机学习策略120
6.1.3应用感知机进行分类124
6.1.4感知机的局限性127
6.2多层感知机127
6.2.1多层感知机模型127
6.2.2多层感知机的训练——BP算法129
6.3多层感知机的应用131
6.3.1多层感知机逼近XOR问题131
6.3.2多层感知机识别手写数字135
6.4其他神经网络140
6.4.1递归神经网络140
6.4.2霍普菲尔德网络141
6.4.3玻尔兹曼机143
6.4.4自组织映射144
6.5本章小结144
习题145
第7章深度学习146
7.1深度学习的历史和定义146
7.1.1深度学习的历史146
7.1.2深度学习的定义148
7.2深度学习模型149
7.2.1深度信念网络149
7.2.2卷积神经网络151
7.2.3长短时记忆153
7.2.4对抗生成网络155
7.3深度学习主要开发框架156
7.3.1Tensorflow156
7.3.2PyTorch与Caffe 2157
7.3.3飞桨158
7.3.4Keras159
7.4深度学习的应用160
7.4.1计算机视觉160
7.4.2语音与自然语言处理160
7.4.3推荐系统160
7.4.4自动驾驶161
7.4.5风格迁移161
7.5深度学习的展望162
7.6本章小结163
习题164
参考文献165