顶部
收藏

人工智能


作者:
刘鹏 张玉宏
定价:
45.00元
ISBN:
978-7-04-052943-2
版面字数:
420.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2020-05-18
读者对象:
高等教育
一级分类:
计算机/教育技术类
二级分类:
计算机类专业核心课程
三级分类:
人工智能

本书是聚焦人工智能热点技术的系统性教材,介绍了人工智能的基本原理、实现技术及其应用,并全面反映了国内外人工智能研究领域的最新进展和发展方向。本书先深入浅出地阐述了经典人工智能的原理和方法,包括知识表示、智能搜索、自动推理、机器学习和深度学习等内容,使读者对人工智能的概念和构造方法有一个比较清晰的认识;又对人工智能热点领域进行了深入阐述,包括卷积神经网络、循环神经网络、自然语言处理、分布式智能和智能机器人等内容;还对当前人工智能研究的前沿领域进行了介绍,包括深度强化学习、生成对抗网络、神经胶囊网络和自动机器学习等内容。为方便教学,本书在附录给出了配套的实验,并提供全套PPT。

本书强调实用性、先进性和可读性,可作为高等院校计算机、信息处理和自动化等相关专业的本科生和研究生学习人工智能的教材,也可供从事人工智能教学和科研的人员参考。

  • 前辅文
  • 第1章 绪论
    • 1.1 人工智能定义
      • 1.1.1 什么是智能
      • 1.1.2 为什么需要“人工”智能
      • 1.1.3 图灵测试与人工智能的定义
    • 1.2 人工智能的起源与发展
      • 1.2.1 人工智能的起源
      • 1.2.2 从感知器到深度学习
      • 1.2.3 符号主义的兴衰
      • 1.2.4 行为主义的进展
    • 1.3 人工智能研究范畴
      • 1.3.1 认知建模
      • 1.3.2 知识表示
      • 1.3.3 机器感知
      • 1.3.4 自动推理
      • 1.3.5 机器学习
    • 1.4 人工智能应用领域
      • 1.4.1 问题求解与博弈
      • 1.4.2 专家系统
      • 1.4.3 数据挖掘与知识发现
      • 1.4.4 自然语言处理
      • 1.4.5 深度神经网络
      • 1.4.6 模式识别
      • 1.4.7 智能信息检索
      • 1.4.8 智能机器人
      • 1.4.9 分布式智能与Agent
    • 1.5 人工智能面临的挑战
    • 1.6 本章小结
    • 习题
    • 参考文献
  • 第2章 知识表示
    • 2.1 知识表示的内涵
      • 2.1.1 知识与知识表示
      • 2.1.2 知识表示方法
    • 2.2 谓词逻辑表示法
      • 2.2.1 命题逻辑
      • 2.2.2 谓词逻辑
      • 2.2.3 知识表示实例
      • 2.2.4 谓词逻辑表示的特点和问题
    • 2.3 产生式规则表示法
      • 2.3.1 正向规则和逆向规则
      • 2.3.2 确定和不确定规则
      • 2.3.3 特殊和一般性规则
      • 2.3.4 元规则(metarules)
    • 2.4 语义网络表示
      • 2.4.1 基本语义关系
      • 2.4.2 语义网络的结构
      • 2.4.3 知识的语义网络表示
      • 2.4.4 语义网络的推理过程
      • 2.4.5 语义网络表示法的特点
    • 2.5 知识图谱表示
      • 2.5.1 知识图谱的定义
      • 2.5.2 知识图谱的架构
      • 2.5.3 知识图谱构建的关键技术
      • 2.5.4 知识图谱在搜索中的典型应用
    • 2.6 框架表示法
      • 2.6.1 框架的构成
      • 2.6.2 框架的推理
      • 2.6.3 框架表示法的特点
    • 2.7 脚本表示法
      • 2.7.1 脚本的结构
      • 2.7.2 脚本的推理
      • 2.7.3 脚本的特点
    • 2.8 本章小结
    • 习题
    • 参考文献
  • 第3章 智能搜索
    • 3.1 搜索概论
      • 3.1.1 搜索的定义
      • 3.1.2 状态空间表示
    • 3.2 盲目搜索
      • 3.2.1 宽度优先搜索
      • 3.2.2 深度优先搜索
    • 3.3 启发式搜索
      • 3.3.1 启发式搜索策略
      • 3.3.2 有序搜索
      • 3.3.3 通用图搜索算法
      • 3.3.4 A* 算法
    • 3.4 博弈树搜索
      • 3.4.1 博弈的定义
      • 3.4.2 极大极小分析法
      • 3.4.3 α -β 剪枝技术
      • 3.4.4 蒙特卡洛树搜索
    • 3.5 本章小结
    • 习题
    • 参考文献
  • 第4章 自动推理
    • 4.1 确定性推理
      • 4.1.1 自然演绎推理
      • 4.1.2 归结演绎推理
      • 4.1.3 经典的归结方法
    • 4.2 非确定性推理
      • 4.2.1 非确定性推理的基本问题
      • 4.2.2 概率方法
      • 4.2.3 主观Bayes方法
      • 4.2.4 可信度推理方法
      • 4.2.5 模糊推理方法
    • 4.3 本章小结
    • 习题
    • 参考文献
  • 第5章 机器学习
    • 5.1 理解机器学习
      • 5.1.1 定义
      • 5.1.2 分类
      • 5.1.3 基本流程
    • 5.2 数据集
      • 5.2.1 数据集的划分
      • 5.2.2 数据预处理与可视化分析
    • 5.3 特征工程
      • 5.3.1 特征提取
      • 5.3.2 特征选择
      • 5.3.3 降维
    • 5.4 机器学习算法
      • 5.4.1 分类算法
      • 5.4.2 聚类算法
      • 5.4.3 回归算法
    • 5.5 模型选择与评估
      • 5.5.1 性能度量
      • 5.5.2 方差与偏差
      • 5.6 本章小结
    • 习题
    • 参考文献
  • 第6章 深度学习
    • 6.1 深度学习形成过程
      • 6.1.1 感知器
      • 6.1.2 BP 神经网络
      • 6.1.3 深度神经网络
    • 6.2 深度学习基本方法
      • 6.2.1 正向学习
      • 6.2.2 反向调整
    • 6.3 深度学习中的正则化
      • 6.3.1 参数惩罚
      • 6.3.2 数据集扩充增强
      • 6.3.3 Dropout
    • 6.4 深度学习中的优化
      • 6.4.1 ReLU激活函数
      • 6.4.2 批量归一化
      • 6.4.3 随机梯度下降
      • 6.4.4 动量法
      • 6.4.5 AdaGrad 优化算法
      • 6.4.6 RMSProp 优化算法
      • 6.4.7 Adam 优化算法
    • 6.5 深度学习软硬件实现
      • 6.5.1 Caffe
      • 6.5.2 TensorFlow
      • 6.5.3 硬件支撑
      • 6.5.4 深度学习一体机
    • 6.6 本章小结
    • 习题
    • 参考文献
  • 第7章 卷积神经网络
    • 7.1 基于手工特征的图像分类
      • 7.1.1 “指鹿为马”的尴尬
      • 7.1.2 计算机“视界”中的图像
      • 7.1.3 深度学习的“端到端”
    • 7.2 卷积神经网络的发展历程
      • 7.2.1 神经生物学家的发现
      • 7.2.2 卷积网络的提出
      • 7.2.3 卷积神经网络的发展动力
    • 7.3 卷积的本质
      • 7.3.1 什么是卷积
      • 7.3.2 什么是卷积核
      • 7.3.3 卷积运算
    • 7.4 卷积神经网络的结构
    • 7.5 卷积层
      • 7.5.1 局部连接
      • 7.5.2 卷积层的核心参数
      • 7.5.3 权值共享
    • 7.6 非线性激活层
      • 7.6.1 传统激活函数
      • 7.6.2 激活函数ReLU
    • 7.7 池化层
    • 7.8 全连接层
    • 7.9 CNN 网络的训练
    • 7.10 经典的卷积神经网络
      • 7.10.1 LeNet-5
      • 7.10.2 AlexNet
      • 7.11 本章小结
    • 习题
    • 参考文献
  • 第8章 循环神经网络
    • 8.1 循环神经网络的工作原理
      • 8.1.1 循环神经网络的模型结构
      • 8.1.2 循环神经网络的基本工作原理
      • 8.1.3 循环神经网络的前向计算
      • 8.1.4 循环神经网络的梯度计算
    • 8.2 改进的循环神经网络
      • 8.2.1 梯度爆炸与梯度消失
      • 8.2.2 长短时记忆神经网络
    • 8.3 深层循环神经网络
    • 8.4 双向循环神经网络
    • 8.5 循环神经网络的应用
      • 8.5.1 情感分析
      • 8.5.2 语音识别
      • 8.5.3 机器翻译
      • 8.5.4 基于循环神经网络的语言模型
    • 8.6 本章小结
    • 习题
    • 参考文献
  • 第9章 自然语言处理
    • 9.1 概论
    • 9.2 自然语言处理原理
      • 9.2.1 语言学基础
      • 9.2.2 汉语分词
      • 9.2.3 词性标注
      • 9.2.4 命名实体识别
      • 9.2.5 句法理论与自动分析
    • 9.3 自然语言模型
      • 9.3.1 语料库
      • 9.3.2 统计语言模型
      • 9.3.3 语言模型的平滑
      • 9.3.4 概率图模型
    • 9.4 自然语言处理应用
      • 9.4.1 文本情感分析
      • 9.4.2 自然语言模型在消歧中的应用
    • 9.5 自然语言处理前瞻
    • 9.6 本章小结
    • 习题
    • 参考文献
  • 第10章 分布式智能
    • 10.1 分布式人工智能
      • 10.1.1 多智能体系统
      • 10.1.2 边缘计算
      • 10.1.3 群智感知
    • 10.2 分布式协同体系架构
      • 10.2.1 符号推理体系
      • 10.2.2 行为主义体系
      • 10.2.3 协进化体系
      • 10.2.4 平行智能体系
    • 10.3 分布式智能应用
      • 10.3.1 智慧交通
      • 10.3.2 柔性制造
      • 10.3.3 工业区块链
      • 10.3.4 战术物联网
    • 10.4 本章小结
    • 习题
    • 参考文献
  • 第11章 智能机器人
    • 11.1 智能机器人基本概念
      • 11.1.1 定义
      • 11.1.2 分类
    • 11.2 智能机器人关键技术
      • 11.2.1 多传感器融合
      • 11.2.2 自主导航与避障
      • 11.2.3 路径规划
      • 11.2.4 智能控制
      • 11.2.5 人机接口技术
    • 11.3 智能机器人控制策略
      • 11.3.1 PID控制
      • 11.3.2 模糊控制
      • 11.3.3 自适应控制
      • 11.3.4 神经网络控制
    • 11.4 智能机器人应用
      • 11.4.1 智能工业机器人
      • 11.4.2 智能农业机器人
      • 11.4.3 家庭智能机器人
      • 11.4.4 其他应用
    • 11.5 本章小结
    • 习题
    • 参考文献
  • 第12章 人工智能前沿
    • 12.1 深度强化学习
      • 12.1.1 从AlphaGo 谈技术
      • 12.1.2 深度强化学习的理念
    • 12.2 生成对抗网络(GAN)
      • 12.2.1 感性认识
      • 12.2.2 基本原理
      • 12.2.3 生成对抗网络的应用领域
    • 12.3 可解释的深度学习理论
      • 12.3.1 深度学习的不足
      • 12.3.2 理论探索的方向
    • 12.4 神经胶囊网络
      • 12.4.1 基于反向传播的神经网络缺陷
      • 12.4.2 神经胶囊网络的核心思想
    • 12.5 自动机器学习
      • 12.5.1 自动学习的背景
      • 12.5.2 创建无需编程的学习模型
    • 12.6 其他人工智能高阶技术
      • 12.6.1 云端人工智能
      • 12.6.2 神经形态计算
      • 12.6.3 元学习
    • 12.7 本章小节
    • 习题
    • 参考文献
  • 附录A 实验
    • 实验一 A* 算法
    • 实验二 家用洗衣机模糊推理系统
    • 实验三 梯度下降求最小值
    • 实验四 线性回归
    • 实验五 KNN 分类算法
    • 实验六 手写数字识别
    • 实验七 利用CNN 神经网络识别手写数字
    • 实验八 基于LSTM 模型的股票预测
    • 实验九 基于强化学习的“走迷宫”游戏
    • 实验十 基于GAN 的手写数字生成
  • 附录B 人工智能实验平台介绍

相关图书