人工智能導論

第1章緒論1
1.1人工智能的歷史及概念1
1.1.1人工智能的起源與歷史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人工智能關鍵技術6
1.2.1機器學習6
1.2.2知識圖譜8
1.2.3自然語言處理9
1.2.4人機交互10
1.2.5計算機視覺12
1.2.6生物特征識別13
1.2.7虛擬現(xiàn)實/增強現(xiàn)實15
1.3人工智能產業(yè)現(xiàn)狀及趨勢16
1.3.1智能基礎設施17
1.3.2智能信息及數(shù)據18
1.3.3智能技術服務18
1.3.4人工智能行業(yè)應用18
1.3.5人工智能產業(yè)發(fā)展趨勢21
1.4安全、倫理、隱私問題21
1.4.1人工智能的安全問題22
1.4.2人工智能的倫理問題23
1.4.3人工智能的隱私問題24
1.5人工智能專業(yè)課程體系24
1.6本章小結26
習題26
第2章知識表示方法及搜索方法27
2.1知識表示方法27
2.1.1狀態(tài)空間法27
2.1.2問題歸約法29
2.1.3與或圖表示法31
2.1.4謂詞邏輯法33
2.1.5語義網絡法36
2.1.6其他方法38
2.2搜索技術43
2.2.1圖搜索策略43
2.2.2盲目搜索44
2.2.3啟發(fā)式搜索47
2.2.4A算法50
2.3本章小結52
習題52
目錄
人工智能導論
第3章Python編程簡介53
3.1IPython及其使用53
3.1.1IPython控制臺53
3.1.2語句與表達式54
3.1.3錯誤信息58
3.1.4模塊59
3.2數(shù)據結構59
3.2.1對象和方法60
3.2.2列表60
3.2.3數(shù)組62
3.3程序控制68
3.3.1分支結構68
3.3.2循環(huán)結構71
3.4腳本73
3.4.1腳本設計73
3.4.2腳本執(zhí)行74
3.5輸入、輸出與可視化75
3.5.1輸入與輸出75
3.5.2數(shù)據可視化78
3.6本章小結81
習題82
第4章分類與聚類83
4.1K最近鄰算法83
4.1.1算法概述83
4.1.2基本思想84
4.1.3算法實踐84
4.2樸素貝葉斯86
4.2.1算法概述86
4.2.2基本思想86
4.2.3算法實踐87
4.3決策樹90
4.3.1算法概述91
4.3.2基本思想91
4.3.3構造方法91
4.3.4算法實踐92
4.4隨機森林94
4.4.1算法概述94
4.4.2基本思想94
4.4.3算法實踐94
4.5K均值聚類算法96
4.5.1算法概述97
4.5.2算法實踐97
4.6本章小結98
習題98
第5章回歸99
5.1一元線性回歸99
5.1.1線性關系99
5.1.2一元線性回歸101
5.2多元線性回歸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線性回歸110
5.4Logistic回歸111
5.4.1Logistic回歸模型111
5.4.2Logistic回歸應用113
5.5本章小結117
習題117
第6章人工神經網絡119
6.1感知機119
6.1.1感知機模型119
6.1.2感知機學習策略120
6.1.3應用感知機進行分類124
6.1.4感知機的局限性127
6.2多層感知機127
6.2.1多層感知機模型127
6.2.2多層感知機的訓練——BP算法129
6.3多層感知機的應用131
6.3.1多層感知機逼近XOR問題131
6.3.2多層感知機識別手寫數(shù)字135
6.4其他神經網絡140
6.4.1遞歸神經網絡140
6.4.2霍普菲爾德網絡141
6.4.3玻爾茲曼機143
6.4.4自組織映射144
6.5本章小結144
習題145
第7章深度學習146
7.1深度學習的歷史和定義146
7.1.1深度學習的歷史146
7.1.2深度學習的定義148
7.2深度學習模型149
7.2.1深度信念網絡149
7.2.2卷積神經網絡151
7.2.3長短時記憶153
7.2.4對抗生成網絡155
7.3深度學習主要開發(fā)框架156
7.3.1Tensorflow156
7.3.2PyTorch與Caffe 2157
7.3.3飛槳158
7.3.4Keras159
7.4深度學習的應用160
7.4.1計算機視覺160
7.4.2語音與自然語言處理160
7.4.3推薦系統(tǒng)160
7.4.4自動駕駛161
7.4.5風格遷移161
7.5深度學習的展望162
7.6本章小結163
習題164
參考文獻165