人工智能原理、技術及應用

目錄 \n
\n
出版說明 \n
前言 \n
\n
第1章 人工智能概述1 \n
1.1 人工智能的起源與定義1 \n
1.1.1 人工智能的起源1 \n
1.1.2 人工智能的定義4 \n
1.1.3 人工智能的分類及特征4 \n
1.2 人工智能的流派6 \n
1.2.1 符號主義7 \n
1.2.2 連接主義8 \n
1.2.3 行為主義9 \n
1.3 人工智能的技術構成9 \n
1.3.1 基礎設施10 \n
1.3.2 基礎技術10 \n
1.3.3 AI要素10 \n
1.3.4 AI技術10 \n
1.3.5 AI應用11 \n
1.4 人工智能的進展與發(fā)展趨勢11 \n
1.4.1 知識表示11 \n
1.4.2 知識獲取12 \n
1.4.3 知識應用16 \n
1.5 人工智能的應用領域19 \n
1.5.1 AI在農業(yè)方面的應用19 \n
1.5.2 AI在工業(yè)方面的應用20 \n
1.5.3 AI在商業(yè)方面的應用21 \n
1.5.4 AI在醫(yī)療方面的應用21 \n
1.5.5 AI在教育方面的應用22 \n
1.6 本章習題24 \n
第2章 人工智能與大數(shù)據(jù)、云計算25 \n
2.1 大數(shù)據(jù)—AI發(fā)展的能量源25 \n
2.1.1 大數(shù)據(jù)簡介25 \n
2.1.2 大數(shù)據(jù)的特征26 \n
2.1.3 大數(shù)據(jù)技術生態(tài)圈27 \n
2.2 云計算—AI發(fā)展的發(fā)動機28 \n
2.2.1 云計算簡介28 \n
2.2.2 云計算的基礎架構29 \n
2.2.3 云計算的特點30 \n
2.3 人工智能、大數(shù)據(jù)與云計算的 \n
關系31 \n
2.3.1 大數(shù)據(jù)與云計算的關系31 \n
2.3.2 人工智能=云計算+大數(shù)據(jù)32 \n
2.4 本章習題33 \n
第3章 人工智能的技術基礎34 \n
3.1 知識表示和圖譜34 \n
3.1.1 知識與知識表示的概念34 \n
3.1.2 知識表示方法35 \n
3.1.3 知識圖譜的概念37 \n
3.1.4 本體知識表示、萬維網知識表示38 \n
3.2 知識圖譜的現(xiàn)狀及發(fā)展40 \n
3.3 自動推理44 \n
3.4 專家系統(tǒng)45 \n
3.4.1 專家系統(tǒng)的概念及特點45 \n
3.4.2 專家系統(tǒng)的結構及類型45 \n
3.4.3 專家系統(tǒng)工具與環(huán)境46 \n
3.5 群智能算法46 \n
3.5.1 群智能算法的發(fā)展歷程46 \n
3.5.2 遺傳算法48 \n
3.5.3 粒子群算法49 \n
3.5.4 蟻群算法50 \n
3.6 搜索技術51 \n
3.6.1 搜索的概念51 \n
3.6.2 搜索算法52 \n
3.7 本章習題54 \n
第4章 知識發(fā)現(xiàn)與數(shù)據(jù)挖掘55 \n
4.1 知識發(fā)現(xiàn)概述55 \n
4.1.1 知識發(fā)現(xiàn)的對象56 \n
4.1.2 知識發(fā)現(xiàn)的任務57 \n
4.1.3 知識發(fā)現(xiàn)方法57 \n
4.1.4 知識發(fā)現(xiàn)的應用領域59 \n
4.2 數(shù)據(jù)挖掘概述59 \n
4.2.1 數(shù)據(jù)挖掘技術的產生及定義60 \n
4.2.2 數(shù)據(jù)挖掘的功能60 \n
4.2.3 常用的數(shù)據(jù)挖掘方法61 \n
4.3 大數(shù)據(jù)處理概述65 \n
4.3.1 分布式數(shù)據(jù)基礎設施平臺Hadoop \n
及其生態(tài)系統(tǒng)66 \n
4.3.2 分布式計算框架Spark及其生態(tài) \n
系統(tǒng)70 \n
4.3.3 低延遲流式處理大數(shù)據(jù)框架— \n
Storm77 \n
4.3.4 大數(shù)據(jù)挖掘與分析80 \n
4.4 數(shù)據(jù)挖掘應用實踐82 \n
4.4.1 學生考試成績預測82 \n
4.4.2 基于用戶手機使用行為進行風險 \n
識別85 \n
4.5 本章習題88 \n
第5章 機器學習89 \n
5.1 機器學習簡介89 \n
5.1.1 機器學習的發(fā)展歷程89 \n
5.1.2 機器學習的概念及地位90 \n
5.1.3 機器學習的范疇92 \n
5.2 機器學習的分類93 \n
5.2.1 監(jiān)督學習93 \n
5.2.2 無監(jiān)督學習94 \n
5.2.3 弱監(jiān)督學習94 \n
5.3 經典的機器學習算法97 \n
5.3.1 分類算法98 \n
5.3.2 k均值聚類算法104 \n
5.3.3 Apriori關聯(lián)規(guī)則算法106 \n
5.3.4 遷移學習108 \n
5.4 機器學習應用實踐112 \n
5.4.1 使用決策樹模型進行列車空調 \n
故障預測112 \n
5.4.2 采用多種算法實現(xiàn)校園用戶 \n
識別115 \n
5.5 本章習題120 \n
第6章 深度學習121 \n
6.1 深度學習簡介121 \n
6.1.1 什么是深度學習121 \n
6.1.2 深度學習的前世今生123 \n
6.1.3 深度學習開發(fā)框架125 \n
6.2 卷積神經網絡129 \n
6.2.1 卷積神經網絡的提出129 \n
6.2.2 卷積神經網絡結構130 \n
6.2.3 經典卷積模型132 \n
6.3 循環(huán)神經網絡137 \n
6.3.1 RNN基本原理137 \n
6.3.2 RNN的基本結構138 \n
6.3.3 RNN的高級形式139 \n
6.3.4 RNN的訓練142 \n
6.4 深度學習應用實踐144 \n
6.4.1 用GoogLeNet訓練識別花卉144 \n
6.4.2 圖像著色148 \n
6.4.3 風格遷移148 \n
6.4.4 圖片識別149 \n
6.5 本章習題149 \n
第7章 強化學習150 \n
7.1 強化學習簡介150 \n
7.1.1 什么是強化學習150 \n
7.1.2 強化學習的應用152 \n
7.2 基于值函數(shù)的強化學習方法153 \n
7.2.1 蒙特卡羅法154 \n
7.2.2 時間差分法155 \n
7.2.3 值函數(shù)逼近法156 \n
7.3 基于直接策略搜索的強化學習 \n
方法157 \n
7.3.1 策略梯度法158 \n
7.3.2 置信域策略優(yōu)化法160 \n
7.3.3 確定性策略梯度法160 \n
7.4 DQN算法模型161 \n
7.5 強化學習前沿研究162 \n
7.5.1 逆向強化學習162 \n
7.5.2 深度強化學習163 \n
7.5.3 分層強化學習164 \n
7.5.4 價值迭代網絡164 \n
7.5.5 AlphaGo的原理165 \n
7.6 強化學習應用實踐167 \n
7.7 本章習題169 \n
第8章 自然語言處理170 \n
8.1 自然語言處理概述170 \n
8.1.1 自然語言處理的概念170 \n
8.1.2 自然語言處理的層次171 \n
8.1.3 NLP的判別標準172 \n
8.2 自然語言處理的發(fā)展與應用173 \n
8.2.1 自然語言處理的發(fā)展歷程173 \n
8.2.2 自然語言處理的應用175 \n
8.3 自然語言處理技術分類178 \n
8.3.1 NLP基礎技術178 \n
8.3.2 NLP應用技術180 \n
8.4 語音處理182 \n
8.4.1 語音處理概述183 \n
8.4.2 語音處理發(fā)展狀況183 \n
8.4.3 語音處理的主要分支184 \n
8.4.4 語音處理的其他分支184 \n
8.5 自然語言處理應用實踐185 \n
8.6 本章習題187 \n
第9章 機器視覺188 \n
9.1 圖像表達與性質188 \n
9.1.1 圖像表達的若干概念1