人工智能理论与实践（微课视频版） - 中国高校教材图书网
|
|
| 内容简介： |
|
本书从人工智能的基本定义开始，由浅入深地向读者阐述了人工智能的理论、策略、研究方法和应用领域，以梳理知识脉络和要点的方式，带领读者登堂入室。作为导论书籍，书中概念论述清楚，内容丰富，通俗易懂，在较为全面介绍人工智能领域进展的基础上对一些传统内容进行了取舍。详细介绍了知识表示、逻辑推理、非确定性推理、搜索策略、机器学习等方面内容。最后一章是有关人工智能的实验，便于读者在所学知识的基础上懂得如何运用。 本书既适合作为高等院校人工智能课程的教材，也适合计算机爱好者阅读。
|
| 作者简介： |
|
吕云翔，北京航空航天大学软件学院副教授。具有多年的软件开发、项目管理、计算机教学经验，对IT行业具有较全面的认识，出版教材多部。目前研究领域包括：软件工程、人工智能、大数据。
|
| 章节目录： |
目录
第1章绪论
1.1什么是人工智能
1.2人工智能的发展简史
1.3人工智能的研究目标
1.4人工智能的研究方法
1.4.1符号主义研究方法
1.4.2连接主义研究方法
1.4.3行为主义研究方法
1.5人工智能的基本研究内容
1.5.1智能感知
1.5.2智能推理
1.5.3智能学习
1.5.4智能行动
1.6人工智能的应用领域
1.6.1计算机视觉
1.6.2自然语言处理
1.6.3智能体
1.7人工智能的发展趋势
习题
第2章知识表示
2.1有关知识的概述
2.1.1什么是知识
2.1.2什么是知识表示
2.2状态空间表示法
2.2.1问题状态描述
2.2.2状态图示法
2.3谓词逻辑表示法
2.3.1谓词逻辑表示法的逻辑基础
2.3.2谓词逻辑表示法的步骤
2.3.3谓词逻辑表示法的特点
2.4语义网络表示法
2.4.1语义基元
2.4.2语义网络中常用的语义联系
2.4.3语义网络的知识表示方法
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框架表示法
2.5.1框架的基本结构
2.5.2基于框架的推理过程
2.5.3框架表示法的特点
2.6案例： 知识图谱
习题
第3章逻辑推理及方法
3.1逻辑推理概述
3.1.1逻辑推理的定义
3.1.2逻辑推理的分类
3.1.3逻辑推理的控制策略
3.2逻辑推理的基础
3.2.1谓词公式
3.2.2谓词公式的范式
3.2.3置换与合一
3.3归结演绎推理
3.3.1子句集
3.3.2鲁滨逊归结原理
3.3.3归结反演
3.3.4归结策略
3.4非归结演绎推理
3.4.1自然演绎推理
3.4.2与或型演绎推理
3.5案例： 家庭财务分配管理系统
习题
第4章非确定性推理及方法
4.1什么是非确定性推理
4.2基本的概率推理
4.2.1经典概率方法
4.2.2逆概率方法
4.3主观贝叶斯推理
4.3.1非确定性表示
4.3.2非确定性传递
4.3.3结论非确定性的组合
4.4基于可信度的推理
4.4.1可信度理论的非确定性表示
4.4.2非确定性计算
4.4.3非确定性更新
4.4.4结论非确定性的组合
4.5证据理论
4.5.1DS理论
4.5.2非确定性表示
4.5.3非确定性计算
4.5.4非确定性更新
4.6模糊推理
4.6.1模糊理论
4.6.2模糊匹配
4.6.3两种模糊假言推理
4.7案例： 基于朴素贝叶斯方法的垃圾邮件过滤
习题
第5章搜索策略
5.1搜索的基本概念
5.2基于状态空间的盲目搜索
5.2.1状态空间的搜索过程
5.2.2状态空间的广度优先搜索
5.2.3状态空间的深度优先搜索
5.3基于状态空间的启发式搜索
5.3.1动态规划
5.3.2A*算法
5.3.3爬山法
5.3.4模拟退火算法
5.4基于树的盲目搜索
5.4.1与或树的一般性搜索
5.4.2与或树的广度优先搜索
5.4.3与或树的深度优先搜索
5.5基于树的启发式搜索
5.5.1与或树的有序搜索
5.5.2博弈树搜索
5.5.3博弈树的剪枝优化
5.6案例： 无人驾驶中的搜索策略
习题
第6章机器学习
6.1什么是机器学习
6.1.1机器学习的定义
6.1.2统计与机器学习
6.1.3机器学习范式
6.2机器学习的发展
6.3机器学习算法
6.3.1K近邻算法
6.3.2线性回归
6.3.3逻辑回归
6.3.4朴素贝叶斯分类器
6.3.5决策树
6.3.6主成分分析
6.3.7K均值聚类算法
6.4模型评价
6.4.1验证与测试
6.4.2偏差与方差
6.4.3集成学习
6.5案例： 基于梯度提升树预测波士顿房价
习题
第7章深度学习
7.1人工神经网络
7.1.1感知器模型
7.1.2多层感知器
7.1.3激活函数
7.1.4反向传播算法
7.2卷积神经网络
7.2.1卷积
7.2.2池化
7.2.3步长与填充
7.2.4手写数字识别
7.2.5图像分类
7.2.6检测与分割
7.3循环神经网络
7.3.1自然语言处理
7.3.2Elman网络
7.3.3沿时间线的反向传播
7.3.4长短时记忆网络
7.4生成对抗网络
7.4.1生成式模型
7.4.2对抗学习
7.4.3生成对抗网络的变种
7.5深度学习框架
7.5.1TensorFlow
7.5.2PyTorch
7.5.3MXNet
7.5.4Caffe
7.5.5飞桨
7.6深度学习基础设施
7.6.1图形处理器
7.6.2张量处理器
7.6.3分布式训练
7.7案例： 使用Keras进行人脸关键点检测
7.7.1数据集准备
7.7.2数据预处理
7.7.3模型的搭建与训练
习题
第8章大数据
8.1大数据概述
8.1.1“大数据”的三要素
8.1.2大数据技术的发展历程
8.2数据获取——网络爬虫
8.2.1网络爬虫软件
8.2.2爬虫的原理
8.2.3Robots协议
8.3数据分析
8.3.1数据分析项目的落地
8.3.2数据分析方法
8.3.3数据分析工具
8.3.4现状与未来
8.4数据挖掘
8.4.1数据挖掘的流程
8.4.2数据挖掘工具
8.5大数据技术的重要组件
8.5.1HDFS分布式文件系统
8.5.2MapReduce： 分布式运算框架
8.5.3HBase： 可拓展的数据库系统
8.5.4Spark RDD
8.6数据可视化
8.7案例： 使用机器学习算法实现基于用户行为数据的用户分类器
8.7.1数据的特征工程
8.7.2模型的训练及评价指标的计算
8.7.3模型的调参
习题
第9章实验
9.1计算机视觉
9.1.1一个通用的图像分类模型
9.1.2两阶段目标检测和语义分割
9.1.3人物图像处理
9.1.4调用远程服务
9.1.5动漫图像生成
9.2自然语言处理
9.2.1垃圾邮件分类
9.2.2词嵌入技术
9.2.3文本生成与多轮对话
9.2.4语音识别
9.3强化学习
9.4可视化技术
9.4.1使用TensorBoard可视化训练过程
9.4.2卷积核可视化
9.4.3注意力机制可视化
附录APython编程基础
A.1Python简介
A.1.1Python是什么
A.1.2Python的安装
A.1.3初试Python
A.2基本元素
A.2.1四则运算
A.2.2数值类型
A.2.3变量
A.2.4运算符
A.2.5字符串
A.2.6tuple、list与dict
A.3控制语句
A.3.1执行结构
A.3.2控制语句的类型和程序
A.4面向对象编程
A.4.1面向对象简介
A.4.2类
A.4.3对象
A.4.4类和对象的关系
A.4.5面向过程还是对象
参考文献
|
| 精彩片段： |
|
|
| 书 评： |
|
国内外已出版了多本关于人工智能的书籍。诚然，很多书籍对人工智能各个细分领域的诸多问题有非常精辟的论述，但对初学者来说显得有些深奥。人工智能范围甚广，是一门典型的交叉学科，因此一两本书很难覆盖所有问题。本书的主要目的是使读者了解人工智能研究和发展的基本轮廓，对人工智能有一个基本的认识，知道目前人工智能研究中的一些热点，掌握人工智能研究和应用中的一些基本的、普遍的、比较广泛的原理和方法。本书通过简洁清晰的架构和引人思索的案例带领读者“入门”人工智能。
|
| 其 它： |
|
|
|
