图书信息
图书目录
人工智能及其应用（第五版）
人工智能是解决复杂工程问题的重要工具，是许多高新技术产品中的核心技术。读者通过学习本书，能够掌握人工智能的基本内容，了解人工智能研究的一些最新的前沿内容，为深入研究与应用人工智能技术奠定基础。
全书共12章，分别为人工智能的基本概念与主要研究领域、知识表示与知识图谱、确定性推理方法、不确定性推理方法、搜索求解策略、进化算法（包括遗传算法、差分进化算法、量子进化算法）及其应用、群智能算法（包括粒子群优化算法、量子粒子群优化算法、蚁群算法）及其应用、机器学习、专家系统、人工神经网络（包括神经元模型、BP神经网络、Hopfield神经网络）及其应用、深度学习与生成式人工智能（包括卷积神经网络、胶囊网络、循环神经网络、生成对抗网络、自编码器、受限玻尔兹曼机）、大语言模型及其应用。附录中给出了本书实验指导书。本书为新形态教材，通过扫描二维码可观看本书重难点视频及部分习题答案。
本书主要作为计算机类、自动化类、电气类、电子信息类、机械类等专业高年级本科生、研究生，特别是智能科学与技术、人工智能、数据科学与大数据技术专业学习人工智能基础课程的教材，也适合希望掌握人工智能技术的研究人员与工程技术人员自学。由于书中几大部分内容相对独立，可以容易地根据课程计划学时选择部分内容学习，仍可保持课程体系结构的完整性。
作者：
王万良 王铮
定价：
62.00元
出版时间：
2025-09-17
ISBN：
978-7-04-065385-4
物料号：
65385-00
读者对象：
高等教育
一级分类：
电气/电子信息/自动化类
二级分类：
电子信息/通信专业课
三级分类：
其他
重点项目：
暂无
版面字数：
660.00千字
开本：
16开
全书页数：
暂无
装帧形式：
平装
- 前辅文
- 第1章 绪论
- 1.1 人工智能的基本概念
- 1.1.1 智能的概念
- 1.1.2 智能的特征
- 1.1.3 人工智能
- 1.1.4 专用人工智能和通用人工智能
- 1.2 人工智能的发展简史
- 1.2.1 孕育（1956年之前）
- 1.2.2 形成（1956—1969年）
- 1.2.3 艰难发展（1970-2010年）
- 1.2.4 大数据驱动人工智能发展期（2011年至今）
- 1.3 人工智能研究的基本内容
- 1.4 人工智能的三大学派
- 1.4.1 符号主义
- 1.4.2 连接主义
- 1.4.3 行为主义
- 1.5 人工智能的主要研究领域
- 1.6 小结
- 思考题
- 1.1 人工智能的基本概念
- 第2章 知识表示与知识图谱
- 2.1 知识与知识表示的概念
- 2.1.1 知识的概念
- 2.1.2 知识的特性
- 2.1.3 知识的分类
- 2.1.4 知识的表示
- 2.2 一阶谓词逻辑表示法
- 2.2.1 命题
- 2.2.2 谓词
- 2.2.3 谓词公式
- 2.2.4 谓词公式的性质
- 2.2.5 一阶谓词逻辑知识表示方法
- 2.2.6 一阶谓词逻辑表示法的特点
- 2.3 产生式表示法
- 2.3.1 产生式
- 2.3.2 产生式系统
- 2.3.3 产生式系统的例子—-动物识别系统
- 2.3.4 产生式表示法的特点
- 2.4 框架表示法
- 2.4.1 框架的一般结构
- 2.4.2 用框架表示知识的例子
- 2.4.3 框架表示法的特点
- 2.5 语义网络表示法
- 2.5.1 语义网络
- 2.5.2 基本命题的语义网络表示
- 2.5.3 连接词在语义网络中的表示方法
- 2.5.4 变元和量词在语义网络中的表示方法
- 2.5.5 语义网络表示法示例
- 2.5.6 语义网络的推理过程
- 2.5.7 语义网络表示法的特点
- 2.6 知识图谱
- 2.6.1 知识图谱的定义
- 2.6.2 知识图谱的架构与构建
- 2.6.3 知识抽取
- 2.6.4 知识图谱的典型应用
- 2.6.5 知识图谱的深度学习方法
- 2.7 小结
- 思考题
- 习题
- 2.1 知识与知识表示的概念
- 第3章 确定性推理方法
- 3.1 推理的基本概念
- 3.1.1 推理的定义
- 3.1.2 推理方式及其分类
- 3.1.3 推理的方向
- 3.1.4 冲突消解策略
- 3.2 自然演绎推理
- 3.3 谓词公式化为子句集的方法
- 3.4 海伯伦定理
- 3.5 鲁滨逊归结原理
- 3.5.1 命题逻辑中的归结原理
- 3.5.2 谓词逻辑中的归结原理
- 3.6 归结反演
- 3.7 应用归结原理求解问题
- 3.8 小结
- 思考题
- 习题
- 3.1 推理的基本概念
- 第4章 不确定性推理方法
- 4.1 不确定性推理中的基本问题
- 4.2 概率方法
- 4.2.1 经典概率方法
- 4.2.2 逆概率方法
- 4.3 主观Bayes方法
- 4.3.1 知识不确定性的表示
- 4.3.2 证据不确定性的表示
- 4.3.3 组合证据不确定性的算法
- 4.3.4 不确定性的传递算法
- 4.3.5 结论不确定性的合成算法
- 4.4 可信度方法
- 4.4.1 可信度的概念
- 4.4.2 C-F模型
- 4.5 证据理论
- 4.5.1 概率分配函数
- 4.5.2 信任函数
- 4.5.3 似然函数
- 4.5.4 信任函数与似然函数的关系
- 4.5.5 概率分配函数的正交和（证据的组合）
- 4.5.6 基于证据理论的不确定性推理
- 4.6 模糊推理方法
- 4.6.1 模糊逻辑的提出与发展
- 4.6.2 模糊集合
- 4.6.3 模糊集合的运算
- 4.6.4 模糊关系与模糊关系的合成
- 4.6.5 模糊推理
- 4.6.6 模糊决策
- 4.6.7 模糊推理的应用
- 4.7 模糊控制
- 4.7.1 模糊控制器的输入、输出变量
- 4.7.2 模糊控制规则
- 4.7.3 模糊推理与决策
- 4.7.4 全自动洗衣机的模糊控制
- 4.8 小结
- 思考题
- 习题
- 第5章 搜索求解策略
- 5.1 搜索的概念
- 5.1.1 搜索的基本问题与主要过程
- 5.1.2 搜索策略
- 5.1.3 人工智能中主要搜索策略
- 5.2 状态空间知识表示方法
- 5.2.1 状态空间表示法
- 5.2.2 状态空间的图描述
- 5.3 盲目的图搜索策略
- 5.3.1 回溯策略
- 5.3.2 宽度优先搜索策略
- 5.3.3 深度优先搜索策略
- 5.4 启发式图搜索策略
- 5.4.1 启发式策略
- 5.4.2 启发信息和估价函数
- 5.4.3 A搜索算法
- 5.4.4 A*搜索算法及其特性分析
- 5.4.5 蒙特卡罗树搜索算法
- 5.5 与/或图搜索策略
- 5.6 小结
- 思考题
- 习题
- 5.1 搜索的概念
- 第6章 进化算法及其应用
- 6.1 进化算法的产生与发展
- 6.1.1 进化算法的概念
- 6.1.2 进化算法的生物学背景
- 6.1.3 进化算法的设计原则
- 6.2 基本遗传算法
- 6.2.1 遗传算法的基本思想
- 6.2.2 遗传算法的发展历史
- 6.2.3 编码
- 6.2.4 群体设定
- 6.2.5 适应度函数
- 6.2.6 选择
- 6.2.7 交叉
- 6.2.8 变异
- 6.2.9 模式定理
- 6.2.10 遗传算法的一般步骤
- 6.2.11 遗传算法的特点
- 6.3 遗传算法的改进算法
- 6.3.1 双倍体遗传算法
- 6.3.2 双种群遗传算法
- 6.3.3 自适应遗传算法
- 6.4 基于遗传算法的生产调度方法
- 6.4.1 基于遗传算法的流水车间调度方法
- 6.4.2 基于遗传算法的混合流水车间调度方法
- 6.5 差分进化算法及其应用
- 6.5.1 差分进化算法
- 6.5.2 差分进化算法的流程
- 6.5.3 差分进化算法的改进
- 6.6 量子进化算法及其应用
- 6.6.1 量子进化算法的基本概念
- 6.6.2 基本量子进化算法
- 6.6.3 基本量子进化算法的流程
- 6.6.4 基于量子进化算法的生产调度方法
- 6.7 小结
- 思考题
- 习题
- 6.1 进化算法的产生与发展
- 第7章 群智能算法及其应用
- 7.1 群智能算法产生的背景
- 7.2 粒子群优化算法
- 7.2.1 粒子群优化算法的基本原理
- 7.2.2 粒子群优化算法的参数分析
- 7.3 量子粒子群优化算法
- 7.3.1 基本量子粒子群优化算法
- 7.3.2 改进量子粒子群优化算法
- 7.4 粒子群优化算法的应用
- 7.4.1 粒子群优化算法应用领域
- 7.4.2 粒子群优化算法在PID参数整定中的应用
- 7.4.3 粒子群优化算法求解车辆路径问题
- 7.5 基本蚁群算法
- 7.5.1 基本蚁群算法模型
- 7.5.2 蚁群算法的参数选择
- 7.6 改进蚁群算法
- 7.6.1 蚂蚁-Q系统
- 7.6.2 蚁群系统
- 7.6.3 最大-最小蚂蚁系统
- 7.6.4 自适应蚁群算法
- 7.7 蚁群算法的应用
- 7.8 小结
- 思考题
- 第8章 机器学习
- 8.1 机器学习的基本概念
- 8.1.1 学习
- 8.1.2 机器学习
- 8.1.3 机器学习系统
- 8.1.4 机器学习的发展
- 8.1.5 机器学习的分类
- 8.1.6 监督学习、无监督学习、弱监督学习的概念
- 8.2 线性回归机器学习算法
- 8.2.1 线性回归问题
- 8.2.2 最小二乘法
- 8.2.3 最小二乘法的应用
- 8.3 K-近邻机器学习算法
- 8.3.1 K-近邻算法原理直观说明
- 8.3.2 K-近邻基本算法
- 8.3.3 K-近邻算法的应用举例
- 8.4 决策树机器学习算法
- 8.4.1 决策树
- 8.4.2 决策树的熵
- 8.5 支持向量机
- 8.5.1 支持向量机的基本思想
- 8.5.2 线性支持向量机
- 8.5.3 非线性支持向量机
- 8.6 K-均值聚类算法
- 8.7 小结
- 讨论题
- 习题
- 8.1 机器学习的基本概念
- 第9章 专家系统
- 9.1 专家系统的产生和发展
- 9.2 专家系统的概念
- 9.2.1 专家系统的定义
- 9.2.2 专家系统的特点
- 9.2.3 专家系统的类型
- 9.2.4 专家系统的典型案例
- 9.3 专家系统的工作原理
- 9.3.1 专家系统的一般结构
- 9.3.2 知识库
- 9.3.3 推理机
- 9.3.4 综合数据库
- 9.3.5 知识获取机构
- 9.3.6 人机接口
- 9.3.7 解释机构
- 9.4 专家系统的建立
- 9.4.1 骨架系统的概念
- 9.4.2 EMYCIN骨架系统
- 9.4.3 KAS骨架系统
- 9.4.4 专家系统开发环境
- 9.5 小结
- 思考题
- 第10章 人工神经网络及其应用
- 10.1 神经元与神经网络
- 10.1.1 生物神经元的结构
- 10.1.2 神经元数学模型
- 10.1.3 神经网络的结构与工作方式
- 10.1.4 神经网络的学习
- 10.2 BP神经网络及其学习算法
- 10.2.1 BP神经网络的结构
- 10.2.2 BP学习算法
- 10.2.3 BP学习算法的实现
- 10.3 BP神经网络的应用
- 10.3.1 BP神经网络在模式识别中的应用
- 10.3.2 BP神经网络在软测量中的应用
- 10.4 Hopfield神经网络及其改进
- 10.4.1 离散型Hopfield神经网络
- 10.4.2 连续型Hopfield神经网络及其VLSI实现
- 10.4.3 随机神经网络
- 10.4.4 混沌与混沌神经网络
- 10.5 Hopfield神经网络的应用
- 10.5.1 Hopfield神经网络在联想记忆中的应用
- 10.5.2 Hopfield神经网络优化方法
- 10.6 Hopfield神经网络优化方法求解JSP
- 10.6.1 作业车间调度问题
- 10.6.2 JSP的Hopfield神经网络及其求解
- 10.6.3 作业车间生产调度举例
- 10.6.4 基于随机神经网络的生产调度方法
- 10.7 小结
- 思考题
- 习题
- 10.1 神经元与神经网络
- 第11章 深度学习与生成式人工智能
- 11.1 动物视觉机理与深度学习的提出
- 11.2 卷积神经网络
- 11.2.1 卷积神经网络的结构
- 11.2.2 卷积神经网络的卷积运算
- 11.2.3 卷积神经网络的局部连接
- 11.2.4 卷积神经网络的权值共享
- 11.2.5 卷积神经网络的多卷积核
- 11.2.6 卷积神经网络的池化
- 11.2.7 卷积神经网络的训练
- 11.3 典型的卷积神经网络
- 11.3.1 卷积神经网络LeNet
- 11.3.2 卷积神经网络AlexNet
- 11.3.3 卷积神经网络的实现与应用
- 11.4 胶囊网络
- 11.4.1 胶囊网络的基本思想
- 11.4.2 胶囊网络的基本结构
- 11.4.3 胶囊网络的学习运算
- 11.4.4 胶囊网络测试结果
- 11.4.5 胶囊网络研究新进展
- 11.5 循环神经网络
- 11.5.1 循环神经网络的概念
- 11.5.2 循环神经网络的训练
- 11.5.3 循环神经网络的递归过程
- 11.5.4 长短期记忆神经网络
- 11.5.5 基于循环神经网络的机器翻译
- 11.6 生成对抗网络
- 11.6.1 生成对抗网络的基本原理
- 11.6.2 生成对抗网络的结构
- 11.6.3 生成对抗网络的目标函数
- 11.6.4 生成对抗网络的训练
- 11.7 自编码器
- 11.7.1 基本自编码器
- 11.7.2 自编码器的变体
- 11.8 受限玻尔兹曼机
- 11.8.1 能量模型和概率分布
- 11.8.2 RBM的网络结构
- 11.8.3 RBM网络的特征学习过程
- 11.8.4 基于RBM的深度网络结构
- 11.9 小结
- 思考题
- 习题
- 第12章 大语言模型及其应用
- 12.1 大语言模型
- 12.1.1 大语言模型的概念与发展
- 12.1.2 大语言模型的特点
- 12.1.3 大语言模型提示工程
- 12.1.4 知识蒸馏技术
- 12.1.5 国内外主要大模型平台
- 12.2 注意力机制
- 12.2.1 编码器-解码器结构
- 12.2.2 注意力机制
- 12.3 Transformer
- 12.3.1 Transformer的结构
- 12.3.2 Transformer的输入编码
- 12.3.3 Transformer中的多头自注意力机制
- 12.4 生成式人工智能在图像处理中的应用
- 12.4.1 人工智能在图像处理中的应用案例
- 12.4.2 根据提示词生成图像
- 12.5 生成式人工智能在机器翻译中的应用
- 12.5.1 自然语言理解的概念与发展历史
- 12.5.2 机器翻译方法概述
- 12.6 生成式人工智能在语音识别中的应用
- 12.6.1 语音识别的概念
- 12.6.2 语音信号采集与预处理
- 12.6.3 语言信号特征参数提取
- 12.6.4 向量量化
- 12.6.5 识别
- 12.7 生成式人工智能在视频生成中的应用
- 12.7.1 生成式人工智能典型应用案例
- 12.7.2 视频生成大模型
- 12.8 生成式人工智能在语言处理中的应用
- 12.8.1 人工智能新闻系统
- 12.8.2 人工智能写作系统
- 12.8.3 人工智能诗歌创作系统
- 12.9 生成对抗网络在生物医疗中的应用
- 12.10 小结
- 思考题
- 12.1 大语言模型
- 附录 人工智能实验指导书
- 参考文献
相关图书
1