人工智能基础及应用（微课版）

图书标准信息

• 作者 孙平；唐非；张迪
• 出版社 清华大学出版社
• 出版时间 2022-12
• 版次 1
• ISBN 9787302614951
• 定价 59.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 328页
• 字数 477.000千字

【内容简介】

《人工智能基础及应用》是作者讲授多年人工智能基础及研究人工智能算法后，针对当前的教学实际需要而编写的。全书系统阐述了人工智能发展概况及前沿应用，较详细地介绍了知识表示、搜索和推理技术，给出了人工智能优化方法，还介绍了神经网络、专家系统与机器学习相关的方法，并列举了与人工智能算法相关的应用案例，从而方便大学生掌握人工智能理论的应用方法。全书内容力求简明扼要，具体实用，并有研究实例，便于自学。同时，《人工智能基础及应用》配套数字教学资源包括微视频、习题答案，针对教师还提供了电子课件、教学大纲等。 《人工智能基础及应用》适合作为人工智能基础课程的教材，是高等院校师生掌握人工智能理论与应用方法的速成参考书，也是学习人工智能基础知识的必修教材。

【作者简介】

孙平,沈阳工业大学教授，博士，博士生导师，辽宁省高等学校优秀人才。主要研究方向为康复机器人及控制、人工智能算法，主持并参与多项省级课题研究。在国际期刊、国内重要期刊和国际会议上发表论文60余篇，出版专著1部，主编教材2部，授权发明专利10项，正在审查的发明专利12项。　　

【目录】

第1章  绪论 1

1.1  人工智能的发展史 2

1.1.1  人工智能国外发展史 2

1.1.2  人工智能国内发展史 3

1.1.3  人工智能的三次浪潮 5

1.2  人工智能的基本概念 8

1.2.1  人工智能的定义 8

1.2.2  人工智能的内涵与外延 9

1.3  人工智能的主流学派 11

1.3.1  符号主义学派 11

1.3.2  联结主义学派 12

1.3.3  行为主义学派 14

1.3.4  三大学派的比较 15

1.4  人工智能的研究目标 15

1.5  人工智能的研究领域 16

习题 17

第2章  知识表示 19

2.1  知识和知识表示的基本概念 20

2.2  状态空间表示法 23

2.2.1  问题状态描述 23

2.2.2  状态图示法 25

2.3  问题归约法 26

2.3.1  问题归约描述 26

2.3.2  与或图表示 28

2.4  一阶谓词逻辑表示法 30

2.4.1  谓词 31

2.4.2  谓词公式 32

2.4.3  一阶谓词逻辑知识表示方法 37

2.5  产生式表示法 39

2.5.1  产生式 39

2.5.2  产生式系统 40

2.5.3  产生式系统的推理 41

2.5.4  产生式系统应用举例 43

2.6  语义网络表示法 44

2.6.1  语义网络的概念及结构 45

2.6.2  语义网络的基本语义联系 46

2.6.3  语义网络的知识表示方法 48

2.6.4  语义网络的知识表示举例 53

2.6.5  语义网络的推理过程 54

2.7  框架表示法 55

2.7.1  框架的一般结构 55

2.7.2  框架知识表示举例 56

习题 58

第3章  搜索及推理技术 61

3.1  图搜索策略 62

3.2  盲目搜索 64

3.2.1  宽度优先搜索 64

3.2.2  等代价搜索 66

3.2.3  深度优先搜索 68

3.3  启发式搜索 70

3.3.1  启发式搜索策略和估价函数 70

3.3.2  有序搜索 71

3.3.3  A*搜索算法 74

3.4  推理的基本概念 77

3.4.1  推理的定义 77

3.4.2  推理方式及其分类 77

3.4.3  冲突消解策略 80

3.5  自然演绎推理 81

3.6  归结演绎推理 82

3.6.1  子句集及其化简 83

3.6.2  鲁滨逊归结原理 86

3.6.3  用归结原理求解问题 89

3.7  不确定推理 91

3.8  概率推理 94

3.9  主观贝叶斯表示方法 96

3.9.1  知识的不确定性的表示 96

3.9.2  证据的不确定性的表示 97

3.9.3  不确定性的传递算法 98

3.9.4  结论不确定性的合成 101

3.9.5  主观贝叶斯方法的特点 103

3.10  可信度方法 103

3.10.1  基于可信度的不确定表示 103

3.10.2  可信度方法的推理算法 105

3.11  证据理论 108

3.11.1  证据理论的形式化描述 109

3.11.2  证据理论的不确定性推理

模型 114

习题 121

第4章  智能优化计算 123

4.1  优化问题分类 124

4.2  优化算法分类 125

4.3  混沌优化 126

4.3.1  基本混沌优化算法 126

4.3.2  变尺寸混沌优化算法 127

4.3.3  双混沌优化搜索算法 127

4.3.4  幂函数载波的混沌优化

算法 128

4.3.5  并行混沌优化算法 129

4.4  模拟退火算法 129

4.5  遗传算法 130

4.5.1  遗传算法的基础知识 130

4.5.2  遗传算法中的基本流程 138

4.5.3  遗传算法的改进 139

4.5.4  遗传算法案例 141

4.6  蚁群算法 142

4.6.1  蚁群算法简介 143

4.6.2  基本蚁群算法的工作原理 144

4.7  粒子群优化算法 146

4.7.1  基本粒子群优化算法 146

4.7.2  粒子群优化算法的拓扑

结构 150

4.8  其他优化算法 152

习题 154

第5章  神经网络 155

5.1  神经网络概述 156

5.2  神经网络模型 157

5.2.1  生物神经元模型 157

5.2.2  人工神经元模型 158

5.2.3  人工神经网络的学习方式 161

5.3  BP神经网络 162

5.3.1  网络基本结构 163

5.3.2  学习算法 164

5.3.3  网络的改进算法 166

5.3.4  BP神经网络的特点 167

5.3.5  神经网络应用示例 168

5.4  RBF神经网络 171

5.4.1  径向基函数 172

5.4.2  径向基函数网络结构 173

5.4.3  网络学习算法 174

5.4.4  RBF网络与BP网络的

对比 175

5.5  Hopfield神经网络 176

5.5.1  离散型Hopfield网络 176

5.5.2  连续型Hopfield网络 178

5.6  Elman神经网络 181

5.6.1  Elman神经网络的结构 181

5.6.2  Elman神经网络学习算法 182

5.7  CMAC神经网络 182

5.7.1  CMAC网络结构 182

5.7.2  网络学习算法 183

5.7.3  CMAC网络的特点 185

5.8  模糊神经网络 185

5.8.1  网络结构 186

5.8.2  学习过程 188

5.9  深度学习 189

5.9.1  常见模型 189

5.9.2  训练算法及优化策略 191

习题 193

第6章  专家系统 195

6.1  专家系统概述 196

6.1.1  专家系统的产生和发展 196

6.1.2  专家系统的定义、特点

及类型 197

6.1.3  专家系统的结构和建造

步骤 200

6.2  基于规则的专家系统 203

6.2.1  基于规则的专家系统的工作

模型和结构 203

6.2.2  基于规则的专家系统的

特点 204

6.3  基于框架的专家系统 206

6.3.1  基于框架的专家系统的定义、

结构和设计方法 206

6.3.2  基于框架的专家系统的继承、

槽和方法 208

6.4  基于模型的专家系统 211

6.4.1  基于模型的专家系统的

提出 211

6.4.2  基于神经网络的专家系统 212

6.5  新型专家系统 214

6.5.1  新型专家系统的特征 214

6.5.2  分布式专家系统 215

6.5.3  协同式专家系统 217

6.6  专家系统的实例 218

6.6.1  医学专家系统——MYCIN 218

6.6.2  地质勘探专家系统——

PROSPECTOR 224

6.7  专家系统的设计过程 226

习题 231

第7章  机器学习 233

7.1  概述 234

7.1.1  机器学习的定义 234

7.1.2  机器学习的发展史 235

7.1.3  机器学习方法的分类 237

7.1.4  机器学习的基本问题 239

7.2  机器学习的主要策略及基本结构 240

7.2.1  机器学习的主要策略 240

7.2.2  机器学习的基本结构 240

7.3  归纳学习 242

7.3.1  归纳学习的模式及规则 243

7.3.2  归纳学习方法 244

7.4  类比学习 246

7.4.1  类比学习的推理及学习

形式 246

7.4.2  类比的学习过程及分类 247

7.5  解释学习 248

7.5.1  解释学习的过程及算法 248

7.5.2  解释学习案例 249

7.6  贝叶斯学习 250

7.6.1  贝叶斯法则 251

7.6.2  朴素贝叶斯方法 254

7.6.3  贝叶斯网络 255

7.6.4  贝叶斯学习应用案例 256

7.7  决策树学习 258

7.7.1  决策树表示法 259

7.7.2  ID3算法 260

7.7.3  决策树学习的常见问题 262

7.7.4  决策树学习应用案例 265

7.8  其他学习算法 268

7.8.1  K近邻算法 268

7.8.2  K均值算法 269

7.8.3  强化学习 269

习题 272

第8章  人工智能应用案例 273

8.1  模糊技术在坐垫服务机器人中的

应用 274

8.1.1  坐垫服务机器人 274

8.1.2  机器人的避障角度 274

8.1.3  模糊轨迹规划 276

8.2  随机配置网络在坐垫服务机器人中的

应用 278

8.2.1  具有系统偏移量的动力学

模型 278

8.2.2  系统偏移量SCN辨识模型 279

8.2.3  机器人限时迭代学习跟踪

控制 280

8.3  强化学习在康复训练机器人中的

应用 283

8.3.1  康复训练机器人动力学

模型 283

8.3.2  机器人强化学习运动速度

决策 284

8.3.3  人机运动速度协调跟踪

控制 285

习题 286

第9章  人工智能的前沿 287

9.1  人工智能与智能助理 288

9.1.1  智能助理的基本逻辑 288

9.1.2  智能助理的未来 290

9.1.3  常见的几种智能助理 290

9.2  人工智能与量子计算 292

9.2.1  量子计算的概念 293

9.2.2  量子计算与人工智能的

结合 294

9.3  人工智能与自动驾驶 295

9.3.1  感知系统 297

9.3.2  决策系统 298

9.3.3  控制系统 300

9.3.4  其他关键技术 300

9.4  人工智能与智慧教育 302

9.4.1  人工智能变革教育的潜力 302

9.4.2  人工智能与教育的结合 303

9.5  人工智能与智能家居 305

9.5.1  国内外智能家居的现状 305

9.5.2  智能家居的主要系统 307

9.5.3  人工智能在智能家居中的

应用 308

9.6  机器学习的未来 310

9.6.1  深度学习的新型网络结构 310

9.6.2  强化学习 311

9.6.3  3D打印 312

9.6.4  VR和AR 314

习题 317

参考文献 318