人工智能原理与实践

近年来，人工智能学科的蓬勃发展吸引了学术界和企业界的共同关注，市面上涌现了一批人工智能相关的著作和教材，对人工智能的研究和应用起了很大的推动作用。田盛丰和黄厚宽曾经在20世纪90年代编著了人工智能教材： 《人工智能与知识工程》。这些年深度学习、强化学习与知识图谱等领域的发展令作者感到在上述人工智能教材的基础上加入人工智能学科最新进展的工作迫在眉睫，恰逢此时，百度公司百度云智学院邀请作者为其编著一本人工智能教材。诸多因素促成了本书的出版，在此非常感谢百度云智学院对本书出版的支持。

在人工智能发展的道路上，符号主义与连接主义交相辉映，分别在不同的阶段主导着人工智能的发展。本书延续以往版本的思路，以符号主义为主，全面介绍人工智能算法与模型，同时考虑到近年来连接主义(主要指深度学习)的快速发展为人工智能学科注入了新的活力这一现状，故将神经网络与深度学习单独列为一章。

本书共分10章： 第1章为绪论； 第2章介绍人工智能程序设计语言，包括Python、Lisp以及Prolog； 第3章介绍知识表示方法，包括逻辑表示法、产生式规则表示法、本体以及知识图谱等； 第4章介绍基于搜索的问题求解方法，包括状态空间搜索、A*算法、极小极大过程、αβ剪枝过程以及蒙特卡罗树搜索等； 第5章介绍基于符号的推理，包括归结反演、规则演绎系统以及非单调推理等； 第6章介绍不确定性推理，包括可信度方法、
贝叶斯网络
以及证据理论等； 第7章介绍专家系统的概念与模型，并介绍了一种专家系统开发工具CLIPS； 第8章介绍机器学习与计算智能，包括决策树、支持向量机、k均值聚类、强化学习、遗传算法以及蚁群算法等； 第9章介绍神经网络与深度学习，包括多层前向网络、Hopfield网络、各种卷积神经网络以及循环神经网络等，并简单介绍深度学习在机器视觉中的应用以及各种深度学习平台； 第10章介绍智能Agent的相关理论与模型，并介绍了一个Agent系统开发平台SPADE。

本书得到了中央高校基本科研业务费专项资金(2018JBZ006、2019JBZ110)、国家自然科学基金重点项目(61832002、61632004)、国家自然科学基金面上项目（61876016、82174533）、新一代人工智能重大项目（2018AAA0100604、2018AAA0100302）、国家重点研发计划项目(2017YFC1703506)的支持。

由于作者学识有限，本书难免存在诸多错误和不足之处，恳请各位专家和读者指正。

作者
2023年3月于北京交通大学

本书系统介绍了人工智能学科的基本原理与算法，着重介绍了基于符号的推理、深度学习以及强化学习等，并提供了Python、Lisp、Prolog语言的入门级教程，还专门介绍了专家系统构造工具CLIPS以及Agent系统开发平台SPADE。

本书共分10章，第1章为绪论，第2章介绍人工智能程序设计语言，之后5章介绍人工智能的基本原理与经典算法，第8章和第9章主要介绍机器学习与深度学习相关算法，最后一章介绍智能Agent。

本书注重人工智能的经典算法及其实用性，可作为高校计算机科学与技术、人工智能及其相关专业高年级本科生及研究生的教材，也可供对人工智能感兴趣的研究与工程人员参考。

第1章绪论

1.1人工智能的发展概况

1.1.1人工智能的定义

1.1.2人工智能的研究途径

1.1.3人工智能学科的发展

1.2人工智能的目标

1.3人工智能的应用

第2章人工智能程序设计语言

2.1Python语言

2.1.1概述

2.1.2Python基础

2.1.3函数

2.1.4自定义类

2.1.5模块

2.1.6输入输出和文件

2.1.7实例

2.2Lisp语言

2.2.1概述

2.2.2Lisp的基本功能

2.2.3递归与迭代

2.2.4输入输出

2.2.5Lisp的其他功能

2.2.6实例

2.3Prolog语言

2.3.1Prolog语言概述

2.3.2重复与递归

2.3.3列表处理方法

2.3.4字符串处理方法

2.3.5输入输出功能

2.3.6模块

2.3.7实例

第3章知识表示

3.1概述

3.1.1知识与知识表示

3.1.2知识表示的方法

3.2逻辑表示法

3.2.1一阶谓词逻辑

3.2.2谓词逻辑用于知识表示

3.3产生式规则表示法

3.4语义网络表示法

3.4.1语义网络的结构

3.4.2连接词的表示

3.4.3继承性

3.5框架与脚本表示法

3.5.1框架表示法

3.5.2脚本表示法

3.6本体

3.6.1本体的组成与分类

3.6.2本体的建模

3.6.3OWL

3.7知识图谱

3.7.1构建知识图谱

3.7.2存储知识图谱

3.7.3知识图谱推理

第4章基于搜索的问题求解方法

4.1状态空间搜索

4.1.1概述

4.1.2回溯策略

4.1.3图搜索策略

4.1.4任一路径的图捜索

4.1.5最佳路径的图捜索

4.1.6与或图的捜索

4.2博弈树搜索

4.2.1概述

4.2.2极小极大过程

4.2.3αβ剪枝过程

4.2.4蒙特卡罗树搜索

第5章基于符号的推理

5.1基础概念

5.2归结反演

5.2.1子句

5.2.2归结原理

5.2.3归结反演的控制策略

5.2.4求解填空问题

5.3基于规则的演绎系统

5.3.1正向演绎系统

5.3.2逆向演绎系统

5.4非单调推理

5.4.1封闭世界假设

5.4.2谓词完备化

5.4.3限制

5.4.4缺省推理

第6章不确定性推理

6.1引言

6.2概率方法

6.2.1基本概念

6.2.2实例

6.3可信度方法

6.3.1知识的不确定性

6.3.2证据的不确定性

6.3.3不确定性推理算法

6.4主观贝叶斯方法

6.4.1知识的不确定性表示

6.4.2证据的不确定性表示

6.4.3不确定性推理算法

6.5证据理论

6.5.1基本理论

6.5.2证据的组合

6.5.3基本算法

6.5.4实例

第7章专家系统

7.1概述

7.2基于规则的专家系统

7.2.1元知识结构

7.2.2黑板模型

7.2.3黑板控制结构

7.3其他专家系统结构

7.3.1基于框架的专家系统

7.3.2基于模型的专家系统

7.3.3基于Web的专家系统

7.4专家系统实例

7.4.1MYCIN

7.4.2AM系统

7.5专家系统开发工具CLIPS

7.5.1事实

7.5.2规则

7.5.3其他

7.5.4实例

第8章机器学习与计算智能

8.1概述

8.2分类与聚类

8.2.1分类

8.2.2聚类

8.3决策树

8.3.1构造决策树

8.3.2决策树剪枝

8.4支持向量机

8.4.1分类问题

8.4.2回归问题

8.4.3单类问题

8.4.4学习算法

8.4.5结构化数据核函数

8.5k均值聚类

8.6强化学习

8.6.1马尔可夫决策过程

8.6.2值函数和贝尔曼方程

8.6.3有模型学习

8.6.4无模型学习

8.7演化计算

8.7.1遗传算法

8.7.2遗传算法的理论基础

8.7.3遗传规划

8.7.4演化策略

8.7.5演化规划

8.8群体智能算法

8.8.1蚁群算法

8.8.2粒子群算法

第9章神经网络与深度学习

9.1基础知识

9.2感知机

9.3多层前向网络

9.4Hopfield网络

9.5卷积神经网络

9.5.1LeNet5

9.5.2常用模型

9.5.3训练

9.5.4AlexNet

9.5.5VGGNet

9.5.6Inception网络

9.5.7残差网络

9.6循环与递归神经网络

9.6.1BPTT算法

9.6.2LSTM

9.6.3递归神经网络

9.7深度学习应用与平台

9.7.1机器视觉应用

9.7.2深度学习平台

第10章智能Agent

10.1Agent概述

10.1.1基本概念

10.1.2Agent理论

10.1.3Agent系统结构

10.2多Agent系统

10.2.1概述

10.2.2多Agent系统的结构

10.2.3Agent通信语言

10.2.4多Agent系统的协商机制

10.2.5多Agent系统的应用

10.3移动Agent

10.4Agent系统开发平台

本书注重理论算法与实例结合，适用面广。汇聚了新一代人工智能核心技术。