人工智能导论

人工智能是计算机科学的一个分支，它旨在了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程进行模拟。人工智能不是人的智能，而是能像人那样思考，甚至可能超过人的智能。
人工智能是一门极富挑战性的学科，从事这项工作的人必须懂得计算机、心理学和哲学等知识。人工智能是一门涉及范围很广的科学，它由不同的领域组成，如机器学习、计算机视觉等。总的来说，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
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都有非常精辟的论述，但对初学者来说却显得有些深奥。人工智能的研究范围甚广，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。正所谓“师傅领进门，修行在个人”，之后的研究方向就由读者自己选择并钻研了。
由于智能本身就是一个极其复杂的存在，不同的人从不同角度和不同观点出发都可以获得对智能的认识和模拟，因此本书也从多个角度对人工智能进行了剖析。
全书共8章。第1～5章是传统人工智能教材的内容，第6章介绍了近年来比较流行的机器学习方法，第7章介绍了大数据的相关知识，第8章介绍了人工智能应用案例。具体内容如下。
第1章，绪论，介绍一些关于人工智能的发展历程、研究目标和主要技术方向的内容。
第2章，知识表示，主要介绍谓词逻辑和状态空间等基本知识表示方法。
第3章，逻辑推理及方法，从谓词公式的基本语法到3种演绎推理方式，层层递进地介绍了逻辑推理的基本方法。
第4章，非确定性推理及方法，介绍了主观贝叶斯推理、模糊推理等运用知识（即推理）的问题。
第5章，搜索策略，介绍了基于状态空间的搜索、基于树的搜索等不同的搜索策略。
第6章，机器学习，介绍了近年来比较流行的决策树、支持向量机和聚类算法等经典机器学习方法。
第7章，大数据，全面系统地介绍了数据在实际业务场景中的应用与实践，包括“大数据”在业务实践中的获取产生、计算处理以及存储应用等一系列流程，涉及软件技术、理论原理，以及与业务相关的数据处理、分析、应用的各个层面。
第8章，人工智能应用案例，主要包括人脸识别应用、文字识别应用、语音识别应用、自然语言处理应用以及对话机器人和智慧城市。
在叙述方式上，每一章都讲述理论方法，各章内容相对独立、完整，同时力图用递进的形式来论述这些知识，使全书整体不失系统性。读者可以从头到尾通读，也可以选择单个章节细读。本书对每章的讲述力求深入浅出，对于一些公式定理，书中会给出必要的推导证明，并提供简单的例子，使初学者易于掌握知识的基本内容，领会所学的本质，并准确地使用该知识方法。对相关的深层理论，则仅予以简述，不做过多的延伸。
本书的编者为吕云翔、韩雪婷、梁泽众、尹文志、巩孝刚，曾洪立负责部分内容的编写和素材整理及配套资源制作等工作。
在本书的编写过程中，我们尽量做到仔细、认真，但由于水平有限，可能会出现一些不妥之处，欢迎广大读者批评指正。同时，也希望广大读者能够将自己读书学习的心得体会反馈给我们。

《人工智能导论》共8章，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，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、大数据以及人工智能应用案例等方面的内容。为满足读者进一步学习的需要，除第1章和第8章之外，每章*后都配有综合案例分析，便于读者在所学知识的基础上懂得如何运用。
《人工智能导论》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。

前言
第1章绪论
1.1什么是人工智能
1.1.1什么是智能
1.1.2人工智能的定义
1.2人工智能的发展历程
1.2.1图灵测试
1.2.2人工智能的诞生
1.2.3人工智能的兴衰史
1.3人工智能的三大学派
1.3.1符号主义
1.3.2连接主义
1.3.3行为主义
1.4人工智能的要素
1.5人工智能的主要技术方向
1.6人工智能的应用领域
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状态图表示法
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连接词和量词
2.3.3谓词逻辑表示法的步骤
2.3.4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关系
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逻辑推理的概述
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及方向
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自然演绎推理
3.5与或形演绎推理
3.5.1与或形正向演绎推理
3.5.2与或形反向演绎推理
3.5.3与或形双向演绎推理
3.6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为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非确定性表示
4.4.2非确定性计算
4.4.3非确定性的更新
4.4.4结论非确定性的组合
4.5证据理论
4.5.1D-S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模糊推理方法
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机器学习概述
6.1.1关键术语
6.1.2机器学习的分类
6.1.3机器学习的模型构造过程
6.2监督学习
6.2.1线性回归
6.2.2逻辑斯谛回归
6.2.3小近邻法
6.2.4线性判别分析法
6.2.5朴素贝叶斯分类器
6.2.6决策树分类算法
6.2.7支持向量机分类算法
6.3非监督学习
6.3.1划分式聚类方法
6.3.2层次化聚类方法
6.3.3基于密度的聚类方法
6.4强化学习
6.4.1强化学习与监督学习和非监督学习
6.4.2强化学习问题描述
6.4.3强化学习问题分类
6.5神经网络和深度学习
6.5.1感知器模型
6.5.2前馈神经网络
6.5.3卷积神经网络
6.5.4其他类型结构的神经网络
6.6案例：银行贷款用户筛选
习题
第7章大数据
7.1大数据概述
7.1.1“大数据”的三要素
7.1.2大数据技术栈的发展历程
7.2数据获取——网络爬虫
7.2.1爬虫的发展
7.2.2爬虫的原理
7.2.3Robots协议
7.3数据分析
7.3.1数据分析项目的落地
7.3.2数据分析方法
7.3.3数据分析工具
7.3.4现状与未来
7.4数据挖掘
7.4.1数据挖掘的流程
7.4.2数据挖掘工具
7.5大数据技术的重要组件
7.5.1HDFS: Hadoop分布式文件系统
7.5.2MapReduce：分布式运算框架
7.5.3HBase：可拓展的数据库系统
7.5.4Spark RDD
7.6数据可视化
7.7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
习题
第8章人工智能应用案例
8.1人脸识别应用
8.1.1人脸识别简介
8.1.2人脸识别具体应用
8.2文字识别应用
8.2.1文字识别简介
8.2.2文字识别的应用
8.3语音识别应用
8.3.1语音识别简介
8.3.2语音识别的应用
8.4自然语言处理应用
8.4.1自然语言处理简介
8.4.2自然语言处理的应用
8.5对话机器人
8.6智慧城市
习题 
参考文献

配套资源：电子课件、习题答案、教学大纲、每章理论讲解视频。

本书特色：

★本书对每章的讲述力求深入浅出，对于一些公式定理会给出必要的推导证明，并提供简单的例子。

★每章都配有综合案例分析，便于读者在所学知识的基础上懂得如何运用。