人工智能基础及应用

图书标准信息

• 作者 王方石，李翔宇，杨煜清，飞桨教材编写组
• 出版社 清华大学出版社
• 出版时间 2023-11
• 版次 1
• ISBN 9787302644224
• 定价 55.00元
• 装帧 平装
• 开本 16开
• 页数 260页
• 字数 408千字

【内容简介】

本书介绍人工智能的基础理论、技术及应用。全书共9章，主要内容包括人工智能概述、知识表示与知识图谱、搜索策略、机器学、人工神经网络、典型卷积神经网络、智能图像处理、机器学开发框架、机器学项目剖析。本书强调理论联系实际，既深入浅出地介绍了人工智能领域的基础知识和实用技术，又详细介绍了两个机器学开发框架： pytorch和百度公司研发的paddlepaddle（飞桨），并带领读者逐步剖析在飞桨台上实现的项目案例。案例的代码清晰，易于理解，读者可快速提高采用机器学方法解决实际问题的实践能力。本书可作为高等学校本科生学“人工智能”基础课程或通识课程的入门教材，也可供对人工智能技术感兴趣的广大读者阅读。

【目录】

章人工智能概述

1.1人工智能的萌芽与诞生

1.1.1人工智能的萌芽

1.1.2图灵测试与中文屋实验

1.1.3人工智能的诞生

1.2人工智能的定义

1.3人工智能发展简史

1.3.1人工智能的期（20世纪50年代中期-60年代中期）

1.3.2人工智能的个寒冬期（20世纪60年代后期-70年代初）

1.3.3人工智能的繁荣期（20世纪70年代中期-80年代后期）

1.3.4人工智能的第二个寒冬期（20世纪80年代末-90年代中期）

1.3.5人工智能的复苏期（1997年-2011年）

1.3.6人工智能的蓬勃发展期（2012年至今）

1.4人工智能的研究流派

1.5人工智能研究的基本内容

1.6人工智能的主要研究领域

1.7本章小结

题1

第2章知识表示与知识图谱

2.1知识的基本概念

2.1.1知识的定义

2.1.2知识的特

2.1.3知识的分类

2.2知识表示的方法

2.3产生式规则表示法

2.3.1产生式”

2.3.2产生式系统

2.3.3产生式表示法的特点

2.4空间表示法

2.5知识图谱

2.5.1知识图谱的定义

2.5.2知识图谱的表示

2.5.3知识图谱的发展简史

2.5.4典型的知识图谱

2.5.5知识图谱的应用

2.6本章小结

题2

第3章搜索策略

3.1图搜索策略

3.2盲目的图搜索策略

3.2.1深度优先搜索

3.2.2宽度优先搜索

3.3启发式图搜索策略

3.3.1a搜索

3.3.2a*搜索

3.4局部搜索算法

3.4.1爬山法

3.4.2模拟退火法

3.4.3遗传算法

3.5本章小结

题3

第4章机器学

4.1机器学概述

4.1.1机器学的定义

4.1.2机器学的基本术语

4.1.3机器学的三个视角

4.2监督学

4.2.1监督学的步骤

4.2.2监督学的主要任务

4.2.3监督学的典型算法

4.3无监督学

4.3.1无监督学的基本

4.3.2无监督学的主要任务

4.3.3无监督学的典型算法

4.4弱监督学

4.4.1不接近监督学

4.4.2不确切监督学

4.4.3不准确监督学

4.5本章小结

题4

第5章人工神经网络

5.1人工神经网络的发展历程

5.2感知机与神经网络

5.2.1生物神经元结构

5.2.2神经元数学模型-mp模型

5.2.3感知机

5.2.4多层神经网络结构

5.3bp神经网络及其学算法

5.3.1bp神经网络的结构

5.3.2bp学算法

5.4卷积神经网络

5.4.1卷积神经网络的整体结构

5.4.2卷积运算

5.4.3激活函数

5.4.4池化运算

5.5本章小结

题5

第6章典型卷积神经网络

6.1le

6.1.1le模型的发展历程

6.1.2le-5模型的结构

6.2alex

6.2.1alex模型的结构

6.2.2alex模型的创新

6.3vgg

6.3.1vgg模型的结构

6.3.2vgg模型的优势

6.4google/inception

6.4.1google模型的研究思路

6.4.2google模型结构的体说明

6.4.3google模型结构解析

6.4.4google模型的特点

6.5res

6.5.1res模型的研究动机

6.5.2res模型的结构

6.6dense

6.7本章小结

题6

第7章智能图像处理

7.1数字图像处理概述

7.1.1数字图像处理的基本概念

7.1.2数字图像处理的主要任务

7.2传统的图像处理技术

7.2.1图像分类

7.2.2图像目标检测

7.2.3图像分割

7.3基于深度学的图像处理技术

7.3.1基于深度学的图像分类

7.3.2基于深度学的图像目标检测

7.3.3基于深度学的图像分割

7.4本章小结

题7

第8章机器学开发框架

8.1机器学开发框架简介

8.2机器学库——scikit-learn

8.2.1scikit-learn代码设计

8.2.2scikit-learn数据表示及数据集构建

8.2.3scikit-learn模型训练

8.2.4scikit-learn模型预测

8.2.5scikit-learn模型评估与超参数选择

8.3深度学框架——pytorch

8.3.1深度学框架中的自动求导

8.3.2pytorch框架结构

8.3.3pytorch中的张量

8.3.4pytorch数据集构建

8.3.5pytorch模型训练

8.3.6pytorch模型预测与评估

8.3.7pytorch模型超参数选择

8.3.8pytorch中的自动求导机制

8.4深度学框架——飞桨

8.4.1飞桨框架概述

8.4.2飞桨的张量表示

8.4.3飞桨的自动微分机制

8.4.4飞桨数据集构建

8.4.5飞桨的模型开发

8.5本章小结

题8

第9章机器学项目剖析

……