人工智能导论

《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最小近邻法 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