【现货速发】人工智能

在近代科学的发展上，人工智能是一个具有颠覆性的新领域。如何理解智能，以及如何创造智能，吸引了诸多科学先驱的深刻思考与探索。
在人工智能发展的历史上，有两个里程碑式的事件发挥了深远的影响。其一，阿兰·图灵在1950年的划时代论文《计算机器与智能》(Computing Machinery and Intelligence)中提出著名的“图灵测试”，从科学的角度给出了智能的定义。其二，1956年，在达特茅斯学院，约翰·麦卡锡(John McCarthy)、马文·明斯基(Marvin Minsky)、纳撒尼尔·罗切斯特(Nathaniel Rochester)以及克劳德·香农(Claude Shannon)等学者们正式提出了人工智能的概念。从1956年至今的60多年里，人工智能受到了科学家们不断地研究与创新。

阿兰·图灵的论文《计算机器与智能》

从方法论上来说，人工智能可以说经历了三个主要的阶段。个阶段的核心是逻辑主义，其主要关注采用机器的手段进行逻辑推理。当时人们基于逻辑主义开发了很多专家系统，有不少数学家也成功地证明了数学定理。然而，由于这一方法在实际应用中的效果不尽如人意，人们开始探索新的方向。到了第二阶段，人工智能的主要关注点转向了连接主义，开始探索人工神经元网络。1975年，反向传播算法的提出使得多层神经网络的训练变成可能。但后来由于算法与算力等方面的限制，已有的算法也无法处理大数据量的问题。第三阶段可以认为是自2006年起至今，随着技术与算法的发展，深度神经网络开始进入人们的视野，并取得了显著的成功，比如2012年卷积神经网络在ImageNet图像识别比赛中一举夺魁，2016年AlphaGo系统击败李世石等。除了技术上的突破，人工智能技术也不断在实际中得到广泛的应用： 人脸识别、医疗影像的自动诊断、语音识别、金融科技、机器人、无人驾驶汽车等。这些新技术无不彰显着人工智能技术为人类生活带来的巨大影响。由于人工智能的重要性，多个国家将其提升到了国家战略地位。我国也在2017年的《国务院关于印发新一代人工智能发展规划的通知》中提出“到2030年人工智能理论、技术与应用总体达到水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础”。
究竟人工智能的内涵是什么?目前的人工智能技术能达到什么程度，又存在着哪些局限性?如何才能持续推进人工智能的发展?要回答这些问题，我们需要对人工智能背后的技术与原理进行系统的学习与了解。因此，本书希望为读者介绍人工智能核心领域的基础原理与重要算法，为大家进一步深入学习人工智能打下坚实的基础。
本书由清华大学交叉信息研究院的师资团队成员担任编委。每位编委均为人工智能领域的专家，对领域的基础与前沿发展均有着良好的把握，且有多年“姚班”与“智班”的课堂教学经验。本书由姚期智院士主编，黄隆波副主编。全书共分为11章： 第0章为绪论，第1章为数学基础，第2章介绍搜索，第3章介绍机器学习，第4章讨论线性回归，第5章阐述决策树，第6章介绍集成学习，第7章介绍神经网络，第8章分析计算机视觉，第9章介绍自然语言处理，第10章介绍强化学习。第0章和第10章由黄隆波编写，第1章和附录A由马雄峰编写，第2章由张崇洁编写，第3章和第4章由袁洋编写，第5章和第6章由李建编写，第7章由赵行编写，第8章由高阳编写，第9章由吴翼编写。在章节的撰写上，编委们均以简单的例子为基础，详细介绍核心的原理，并以简洁的文字与数学语言具体描述原理及扩展，力求使章节内容易于理解。同时，本书的每一章均包含作业题与编程习题，为读者们提供了加深了解与实际操练的机会。本书可视为同由编委团队编著的《人工智能(高中版)》(清华大学出版社2021年出版)一书的进阶版本，在介绍基础概念与原理的同时，加入了对核心成果的分析与说明，并介绍更多前沿深入的知识点，使读者们更为深入地学习人工智能各方向的基础。
编委们希望通过本书，使更多读者了解人工智能的核心原理与算法，并建立起对人工智能的整体认识，从科学的角度看待人工智能技术的发展。然而，人工智能是一个基础宽广的领域，涉及计算机、数学、心理学、神经科学在内的多个学科。因此，本书并未试图完全覆盖人工智能的所有方面，而是专注于为读者进行系统的入门介绍。编委们希望读者在学习本书之后，在科学认识人工智能技术基础的同时，对人工智能的巨大潜力感到激动与期待，不断学习人工智能的前沿知识，为人工智能的发展作出自己的贡献!

《人工智能》选取人工智能的9个核心方向，包括搜索、机器学习、线性回归、决策树、集成学习、神经网络、计算机视觉、自然语言处理与强化学习，系统梳理关键知识点，并详细介绍基础原理与重要算法，同时，加入了对前沿知识的介绍与对核心成果的分析和说明。同时，书中的每一章均配备作业题与编程练习，让读者们在练习当中加深对算法与原理的理解。本书内容的选取建立在对大学人工智能教育知识体系的完整梳理之上；章节中对原理与具体的算法均进行了详尽的介绍。

姚期智，中国科学院院士，2000年获得计算机科学领域奖图灵奖。现任清华大学交叉信息研究院院长、教授，清华学堂计算机科学实验班（姚班）首席教授，主要研究方向为算法、密码学、量子计算、人工智能。

第0章绪论

第1章数学基础

1.1导数

1.1.1导数的定义

1.1.2高阶导数与偏导数

1.1.3导数与函数极值

1.2概率论基础

1.2.1事件与概率

1.2.2随机变量与概率分布

1.2.3期望、方差与协方差

1.3矩阵基础

习题

第2章搜索

引言

2.1搜索问题的定义

2.2搜索算法基础

2.3盲目搜索

2.3.1图搜索

2.3.2深度优先搜索

2.3.3宽度优先搜索

2.3.4复杂度分析及算法改进

2.4启发式搜索

2.4.1贪婪搜索

2.4.2A*搜索算法

2.4.3A*搜索算法的性

2.4.4启发函数的设计

2.4.5双向搜索

2.5局部搜索

2.5.1爬山法

2.5.2模拟退火

2.5.3遗传算法

2.6对抗搜索

2.6.1极小极大搜索

2.6.2AlphaBeta剪枝搜索

2.6.3蒙特卡罗树搜索

本章总结

历史回顾

习题

第3章机器学习

引言

3.1监督学习的概念

3.2数据集与损失函数

3.3泛化

3.4过拟合与欠拟合

3.5创建数据集

3.6无监督学习与半监督学习

3.6.1K平均算法

3.6.2谱聚类算法

本章总结

历史回顾

习题

参考文献

第4章线性回归

引言

4.1线性回归

4.2优化方法

4.3二分类问题

4.4多分类问题

4.5岭回归

4.6套索回归

4.7支持向量机算法

本章总结

习题

第5章决策树模型

引言

5.1决策树的例子

5.2决策树的定义

5.3决策树的训练算法

5.3.1叶子预测值的计算

5.3.2分割条件的选取

5.3.3决策树结构的选择

5.3.4防止过拟合

5.3.5伪代码

5.3.6缺失值处理

5.3.7离散型特征处理方法与特征工程

本章总结

历史回顾

习题

参考文献

第6章集成学习

引言

6.1集成学习

6.1.1一个理想化模型

6.1.2引导聚集方法

6.1.3提升算法

6.2随机森林

6.2.1随机森林的算法描述

6.2.2关于随机性的探讨

6.3梯度提升

6.3.1梯度提升的概念

6.3.2梯度提升树

6.3.3GBDT中的防过拟合方法

6.3.4GBDT的高效开源实现

本章总结

历史回顾

习题

参考文献

第7章神经网络初步

引言

7.1深度线性网络

7.2非线性神经网络

7.3反向传播计算导数

7.4优化器

7.5权值初始化

7.5.1Xavier初始化

7.5.2Kaiming初始化

7.6权值衰减

7.7权值共享与卷积

7.8循环神经网络

本章总结

历史回顾

习题

第8章计算机视觉

引言

8.1什么是计算机视觉

8.2图像的形成

8.2.1小孔相机模型

8.2.2数字图像

8.3线性滤波器

8.4边缘检测

8.5立体视觉

8.6卷积神经网络

8.7物体检测

8.8语义分割

本章总结

历史回顾

习题

参考文献

第9章自然语言处理

引言

9.1语言模型

9.1.1为什么需要语言模型？什么是语言模型？

9.1.2ngram模型

9.1.3似然估计

9.1.4困惑度

9.1.5实用技巧

9.1.6语言模型的应用

9.1.7字模型与词模型

9.1.8中文与英文的差别

9.2向量语义

9.2.1语义

9.2.2词向量

9.2.3Word2vec

9.2.4可视化示例

9.3基于神经网络的语言模型处理

9.3.1基于神经网络的bigram模型

9.3.2训练神经网络

9.3.3基于神经网络的ngram模型

9.3.4基于LSTM的语言模型

9.4基于神经网络的机器翻译

9.4.1Seq2Seq模型

9.4.2生成的输出语句： Beam Search

9.4.3基于注意力机制的Seq2Seq模型

9.4.4Transformer模型

9.5语言模型预训练

9.5.1GPT： generative pretrained Transformer

9.5.2BERT: bidirectional encoder representations from 
Transformers

9.5.3判别式与生成式建模方式的讨论

本章总结

历史回顾

习题

第10章马尔可夫决策过程与强化学习

引言

10.1马尔可夫链

10.1.1例子

10.1.2马尔可夫链定义

10.1.3马尔可夫链稳态分布

10.2马尔可夫决策过程 

10.2.1路线规划

10.2.2马尔可夫决策过程的定义

10.3马尔可夫决策过程的求解算法及分析

10.3.1马尔可夫决策过程算法

10.3.2算法收敛性分析

10.4强化学习

10.4.1QLearning

10.4.2深度强化学习

本章总结

历史回顾

参考文献

习题

附录A数学基础

A.1导数

A.2概率

A.3矩阵

《人工智能》选取人工智能的9个核心方向，包括搜索、机器学习、线性回归、决策树、集成学习、神经网络、计算机视觉、自然语言处理与强化学习，系统梳理关键知识点，并详细介绍基础原理与重要算法，同时，加入了对前沿知识的介绍与对核心成果的分析和说明。同时，书中的每一章均配备作业题与编程练习，让读者们在练习当中加深对算法与原理的理解。本书内容的选取建立在对大学人工智能教育知识体系的完整梳理之上；章节中对原理与具体的算法均进行了详尽的介绍。

姚期智，中国科学院院士，2000年获得计算机科学领域奖图灵奖。现任清华大学交叉信息研究院院长、教授，清华学堂计算机科学实验班（姚班）首席教授，主要研究方向为算法、密码学、量子计算、人工智能。