人工智能基础与应用

图书标准信息

• 作者 樊重俊
• 出版社 清华大学出版社
• 出版时间 2020-08
• 版次 1
• ISBN 9787302559474
• 定价 78.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 358页
• 字数 0.58千字

【内容简介】

人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。《人工智能基础与应用》以人工智能为主要研究对象，较全面地介绍人工智能的基本原理、常见算法和应用技术。全书共分为12章，主要内容包括绪论、知识与知识表示、自动推理与专家系统、搜索算法与智能计算、机器学习、深度学习、计算机视觉、自然语言与语音处理、智能机器人以及大数据与区块链、Python编程基础等。同时，为了便于读者自学，每章结尾附有小结与习题，便于读者进一步巩固所学知识。
  《人工智能基础与应用》全面系统地介绍了人工智能的理论体系，在内容编排上不仅注重基本理论的讲述，而且以发展的眼光设计各章知识点和习题，引导学生去思考人工智能理论知识的应用与实践，使得理论学习更加生动直观，便于培养此类学生对人工智能理论的理解和应用能力。《人工智能基础与应用》面向高等院校管理学院的诸多专业，可作为高等院校经济管理类专业本科生人工智能课程要求重点掌握人工智能的基本理论知识、相关算法的初步实践操作以及Python编程基础的教材，也可作为成人教育和自学考试同名课程的参考教材，还可供从事人工智能领域研究、开发和应用的研究人员和工程技术人员阅读参考。
  《人工智能基础与应用》配套的电子课件和课后习题参考答案可以到http://www.tupwk.com.cn/downpage网站下载，也可以通过扫描前言中的二维码来下载。

【目录】

第1章  绪论  1

1.1  人工智能的概念  1

1.1.1  智能  1

1.1.2  人工智能  4

1.1.3  图灵测试  4

1.2  人工智能发展简史   5

1.2.1  孕育阶段  5

1.2.2  形成阶段  5

1.2.3  发展阶段  6

1.2.4  人工智能的学派  8

1.3  人工智能的研究及应用领域   12

1.4  人工智能的发展现状和趋势   18

1.5  本章小结   20

1.6  习题   20

参考文献   20

 

第2章  知识与知识表示  22

2.1  知识与知识表示的内涵   22

2.1.1  知识的概念  22

2.1.2  知识的特征  23

2.1.3  知识表示的概念  24

2.2  知识表示方法   24

2.2.1  一阶谓词逻辑表示法  24

2.2.2  产生式表示法  33

2.2.3  状态空间表示法  36

2.2.4  框架表示法  40

2.3  知识图谱及其应用   44

2.3.1  知识图谱概述  44

2.3.2  知识图谱应用示例  45

2.4  本章小结   47

2.5  习题   48

参考文献   48

 

第3章  自动推理与专家系统  50

3.1  自动推理基本知识   50

3.1.1  确定性推理  50

3.1.2  不确定性推理  59

3.2  专家系统   63

3.2.1  专家系统的内涵  63

3.2.2  专家系统的结构  63

3.2.3  专家系统的设计与实现  66

3.2.4  专家系统的应用与发展  71

3.3  本章小结   77

3.4  习题   78

参考文献   78

 

第4章  搜索算法与智能计算  80

4.1  搜索算法  80

4.1.1  盲目搜索策略  81

4.1.2  启发式搜索  83

4.1.3  博弈搜索策略  89

4.2  遗传算法  91

4.2.1  基本遗传算法  91

4.2.2  遗传算法的基本操作  93

4.2.3  遗传算法的一般步骤  99

4.2.4  遗传算法的应用  100

4.3  蚁群算法  100

4.3.1  蚁群算法的基本思想  101

4.3.2  基本的蚁群算法模型  101

4.3.3  蚁群算法的参数选择  103

4.3.4  蚁群算法的应用  103

4.4  粒子群优化算法  105

4.4.1  粒子群优化算法的基本原理  105

4.4.2  粒子群优化算法的流程  106

4.4.3  粒子群优化算法的参数分析  107

4.4.4  粒子群优化算法的应用  108

4.5  本章小结  110

4.6  习题  110

参考文献  112

 

第5章  机器学习  113

5.1  机器学习的概念与类型   113

5.1.1  机器学习的概念  113

5.1.2  机器学习的类型  114

5.2  机器学习的流程   119

5.2.1  模型  119

5.2.2  训练  120

5.3  模型性能度量   122

5.3.1  模型精度  122

5.3.2  查准率、查全率与F值  122

5.3.3  ROC与AUC  123

5.4  常见分类方法   124

5.4.1  逻辑回归与Softmax回归  124

5.4.2  KNN  126

5.4.3  朴素贝叶斯  129

5.4.4  决策树  130

5.4.5  支持向量机  132

5.5  常见聚类方法   137

5.5.1  原型聚类  137

5.5.2  密度聚类  138

5.5.3  层次聚类  141

5.6  集成学习   142

5.7  本章小结   143

5.8  习题   143

参考文献   144

 

第6章  深度学习(1)  145

6.1  神经元与神经网络  145

6.1.1  神经元模型  146

6.1.2  神经网络的结构  147

6.1.3  神经网络的优化算法  148

6.1.4  神经网络的发展历程  151

6.2  BP神经网络  152

6.2.1  BP神经网络的结构  152

6.2.2  BP神经网络的基本原理  153

6.2.3  BP学习算法  153

6.2.4  BP神经网络在模式识别中的应用  155

6.3  卷积神经网络  156

6.3.1  卷积神经网络的结构  157

6.3.2  卷积神经网络的模型实例  162

6.3.3  几种典型的卷积神经网络  163

6.4  循环神经网络  164

6.4.1  循环神经网络的结构  165

6.4.2  BPTT学习算法  166

6.4.3  梯度消失和梯度爆炸  167

6.4.4  基于门控机制的循环神经网络  167

6.5  贝叶斯深度学习  170

6.5.1  贝叶斯公式  170

6.5.2  贝叶斯深度学习  171

6.5.3  基于贝叶斯深度学习的预测和训练  172

6.5.4  贝叶斯深度学习框架  173

6.6  本章小结  174

6.7  习题  174

参考文献  176

 

第7章  深度学习(2)  177

7.1  注意力与记忆机制   177

7.1.1  注意力  177

7.1.2  注意力机制  178

7.1.3  常见的记忆方式  180

7.1.4  典型的记忆网络  183

7.1.5  典型场景应用  184

7.2  自编码器   185

7.2.1  传统自编码器  185

7.2.2  改进的自编码器  186

7.2.3  自编码器的应用  192

7.3  强化学习   194

7.3.1  强化学习的基本原理  194

7.3.2  强化学习的分类及任务  195

7.3.3  强化学习算法  195

7.3.4  强化学习的主要应用  197

7.4  对抗学习   198

7.4.1  GAN的提出背景  198

7.4.2  GAN的核心原理  200

7.4.3  GAN的学习方法  201

7.4.4  GAN的衍生模型  202

7.4.5  GAN的应用领域  203

7.4.6  GAN的思考与展望  204

7.5  联邦学习   207

7.5.1  联邦学习的提出背景  207

7.5.2  联邦学习的基本内涵  207

7.5.3  联邦学习的应用探索  209

7.6  本章小结   210

7.7  习题   211

参考文献   211

 

第8章  计算机视觉  213

8.1  计算机视觉概述   213

8.2  图像的分析和理解   215

8.2.1  基于浅层模型的方法  216

8.2.2  基于深度模型的方法  219

8.3  计算机视觉的典型应用   222

8.3.1  模式识别  222

8.3.2  动态行为分析  225

8.3.3  机器视觉  226

8.4  本章小结   227

8.5  习题   228

参考文献   228

 

第9章  自然语言处理与语音处理  229

9.1  自然语言处理   229

9.1.1  自然语言处理概述  229

9.1.2  情感分类  233

9.1.3  机器翻译  244

9.1.4  自然语言人机交互  246

9.2  语音处理   256

9.2.1  语音识别  256

9.2.2  语音合成  261

9.2.3  语音转换  265

9.3  本章小结   266

9.4  习题   267

参考文献   267

 

第10章  机器人  269

10.1  机器人概述   269

10.1.1  机器人的定义  269

10.1.2  机器人的分类  270

10.1.3  机器人的特性  271

10.1.4  机器人三原则  271

10.1.5  智能机器人的发展历程  271

10.2  机器人的基本构成   272

10.3  机器人的工作原理   273

10.4  人工智能技术在机器人中的应用  274

10.4.1  智能感知  275

10.4.2  智能导航与规划  277

10.4.3  智能控制与操作  279

10.4.4  智能交互  280

10.5  机器人的应用   282

10.5.1  机器人的典型应用场景  282

10.5.2  智能机器人的发展展望  287

10.6  本章小结   289

10.7  习题   289

参考文献   289

 

第11章  大数据与区块链  291

11.1  大数据   291

11.1.1  大数据的基本概念与特征  291

11.1.2  大数据的应用  293

11.1.3  大数据的关键技术  297

11.1.4  大数据与云计算、物联网的关系  303

11.1.5  大数据与人工智能应用探讨  303

11.2  区块链   306

11.2.1  区块链概述  306

11.2.2  区块链的技术基础  308

11.2.3  区块链与人工智能  310

11.2.4  区块链的应用探讨与展望  314

11.3  大数据与区块链的关系   316

11.4  本章小结   317

11.5  习题   318

参考文献   318

 

第12章  Python编程基础  319

12.1  Python——编程语言   319

12.2  Python——解释器   320

12.3  安装Python   321

12.4  使用Python   321

12.4.1  Python shell  321

12.4.2  运行完整的Python程序  322

12.4.3  使用IDE编写代码  322

12.4.4  与Python交互  322

12.5  编写Python代码   322

12.5.1  Python基础语法  322

12.5.2  数学运算  325

12.5.3  导入新的库和函数  326

12.5.4  函数式编程  328

12.6  PyPI软件仓库——Python包索引  329

12.7  NumPy库   330

12.7.1  NumPy简史  330

12.7.2  安装NumPy  330

12.7.3  ndarray对象  331

12.7.4  基本操作  335

12.8  Pandas库   338

12.8.1  Pandas：Python数据 分析库  338

12.8.2  安装Pandas  338

12.8.3  测试Pandas是否安装成功  339

12.8.4  Pandas数据结构简介  339

12.9  matplotlib库   347

12.9.1  安装matplotlib  348

12.9.2  pyplot模块  348

12.9.3  为图表添加更多元素  353

12.10  本章小结   357

12.11  习题   357

 

参考文献   358