工业人工智能

人工智能包括问题求解 与搜索、知识表示与推理， 机器学习等。工业人工智能 利用人工智能技术解决工业 领域的生产工程优化，异常 检测，决策建议等。读者通 过学习本书，能够掌握人工 智能的基本内容，了解人工 智能技术在工业领域的应用 场景，为进一步学习与研究 人工智能技术在工业领域的 应用奠定基础。 全书共6篇，分为20章， 分别为工业人工智能概述及 软件工具应用介绍；搜索与 求解、知识与知识表示、确 定性推理方法、不确定性推 理方法、专家系统；进化算 法及其应用；机器学习概论 、基于简单线性回归的机器 学习理论基础、k-近邻算法 、数据表示与特征工程、多 元线性回归、逻辑回归、决 策树、集合算法、支持向量 机、朴素贝叶斯算法、k-均 值算法、人工神经网络。 本书通过项目导引引发 学生学习，集人工智能知识 讲授和人工智能技术在工业 领域应用项目实践于一体， 适合机械、自动化、电气、 电子信息等非计算机专业本 科生、研究生学习，也可供 希望应用人工智能技术解决 工业领域工程问题的研究人 员与工程人员学习参考。

蔡红霞，博士，上海大学副研究员，博导。长期从事智能制造与机器人领域的教学和科研工作，作为课题责任人承担完成国家、上海市等科研项目21项，其中飞机行业相关项目5项。参与项目20余项。发表论文80余篇。出版专著2 部，获得专利与软件著作权20余项，获得上海市科技进步二等奖1项。承担《工业人工智能》，《智能制造导论》等课程。

第1篇 绪论 第1章 工业人工智能概述 1.1 人工智能的基本概念及技术体系 1.2 工业为什么需要人工智能 1.3 本章小结 习题 第2篇 人工智能软件工具 第2章 人工智能软件工具——Python 2.1 人工智能软件库 2.2 Python安装与环境配置 2.3 Python基础知识 2.4 NumPy、Pandas、Matplotlib 2.5 本章小结 习题 第3篇 搜索求解 第3章 搜索与求解 3.1 搜索相关知识 3.2 状态空间知识的表示方法 3.3 盲目的图搜索策略 3.4 启发式图搜索策略 3.5 本章小结 习题 第4篇 知识表示、推理及专家系统 第4章 知识与知识表示 4.1 知识与知识表示的概念 4.2 一阶谓词逻辑表示法 4.3 语义网络表示法 4.4 本章小结 习题 第5章 确定性推理方法 5.1 推理的基本概述 5.2 自然演绎推理 5.3 海伯伦定理 5.4 鲁宾逊归结原理 5.5 归结反演 5.6 本章小结 习题 第6章 不确定性推理方法 6.1 不确定性推理的基本概念 6.2 概率方法 6.3 主观贝叶斯方法 6.4 可信度方法 6.5 证据理论 6.6 本章小结 习题 第7章 专家系统 7.1 专家系统的概念 7.2 专家系统的发展 7.3 专家系统的基本结构 7.4 专家系统的开发 7.5 本章小结 习题 第5篇 进化算法及其应用 第8章 进化算法及其应用 8.1 进化算法简介 8.2 基本遗传算法 8.3 遗传算法改进算法 8.4 本章小结 习题 第6篇 机器学习与神经网络 第9章 机器学习概论 9.1 概论 9.2 使用scikit-learn的机器学习例子 9.3 本章小结 习题 第10章 基于简单线性回归的机器学习理论基础 10.1 简单线性回归 10.2 训练数据、测试数据和验证数据 10.3 偏差和方差 10.4 过拟合和欠拟合 10.5 成本函数 10.6 模型性能评估 10.7 查准率和召回率 10.8 F1 Score 10.9 本章小结 习题 第11章 k-近邻算法 11.1 算法原理 11.2 交叉验证 11.3 KNN手写数字识别 11.4 使用OpenCV实现KNN 11.5 本章小结 习题 第12章 数据表示与特征工程 12.1 特征工程 12.2 数据预处理 12.3 数据降维 12.4 本章小结 习题 第13章 多元线性回归 13.1 简单线性回归与多元线性回归 13.2 多项式回归 13.3 正则化 13.4 应用线性回归 13.5 梯度下降法 13.6 学习曲线 13.7 算法模型性能优化 13.8 本章小结 习题 第14章 逻辑回归 14.1 线性回归与逻辑回归 14.2 二元分类 14.3 垃圾邮件过滤 14.4 二元分类性能指标 14.5 本章小结 习题 第15章 决策树 15.1 算法原理 15.2 算法参数 15.3 实例：泰坦尼克号幸存者的预测 15.4 决策树的优缺点 15.5 本章小结 习题 第16章 集合算法 16.1 理解集合算法 16.2 随机森林 16.3 预测泰坦尼克号幸存者 16.4 本章小结 习题 第17章 支持向量机 17.1 理论基础 17.2 核方法 17.3 SVM的使用 17.4 SVM可视化案例 17.5 本章小结 习题 第18章 朴素贝叶斯算法 18.1 基础概念 18.2 sklearn中的朴素贝叶斯算法 18.3 算法实例1 18.4 算法实例2 18.5 本章小结 习题 第19章 k-均值算法 19.1 算法原理 19.2 scikit-learn里的k-均值 19.3 聚类算法性能评估 19.4 K-Means++ 19.5 用k-均值进行图像量化 19.6 本章小结 习题 第20章 人工神经网络 20.1 神经网络介绍及单层神经网络 20.2 多层神经网络和反向传播算法 20.3 卷积神经网络 20.4 本章小结 习题 参考文献