人工智能导论

本书主要为高等院校非计算机专业的人工智能导论课程设计编写，内容具有“应用”+“理论”的特色。针对高校学生的需求和人工智能发展的特点，本书分为引言篇、理论篇和应用篇三部分，可基于学习需求和进度，自主选择。引言篇包括绪论；理论篇包括人工智能之理论基础、人工智能之机器学习、人工智能之深度学习、人工智能之强化学习；应用篇包括人工智能开发平台和人工智能应用及展望。
本书可用于普通高等学校各专业人工智能导论、医学人工智能导论等相关课程的教学，也可供对人工智能感兴趣的科研人员参考。

无

引言篇 人工智能的定义 001
第1章 绪论 2
1.1 什么是人工智能 2
1.1.1 人工智能的起源及定义 3
1.1.2 人工智能的三个发展阶段 4
1.2 人工智能的三个主要研究方法 6
1.2.1 基于符号主义的人工智能研究方法 7
1.2.2 基于连接主义的人工智能研究方法 7
1.2.3 基于行为主义的人工智能研究方法 8
1.3 人工智能的行业发展现状 9
1.3.1 世界各国人工智能发展支持政策 9
1.3.2 人工智能产业结构 12
1.3.3 人工智能行业应用 14
1.4 人工智能的三个经典应用 17
1.4.1 自然语言理解 18
1.4.2 智能眼科医学图像处理 19
1.4.3 智能棋类 21
本章小结 23
习题 24
本章参考文献 24

理论篇 人工智能基础理论与算法 025
第2章 人工智能之理论基础 26
2.1 人工智能的数学基础 27
2.1.1 线性代数 27
2.1.2 人工智能数学基础之概率论 30
2.1.3 人工智能数学基础之微积分 32
2.2 人工智能的很优化与信息论基础 33
2.2.1 很优化理论 33
2.2.2 信息论 34
2.3 人工智能的生物学基础 36
2.3.1 生物神经元 36
2.3.2 人脑视觉与信息机理机制 37
2.3.3 人工神经元 39
2.4 人工智能的控制论基础 42
2.4.1 动态系统 43
2.4.2 人工智能之反馈控制与很优控制 44
2.4.3 控制论与强化学习 46
本章小结 47
习题 47
本章参考文献 47

第3章 人工智能之机器学习 48
3.1 机器学习概述 48
3.2 监督学习 49
3.2.1 经典算法1：线性回归 50
3.2.2 经典算法2：逻辑回归 53
3.2.3 经典算法3：感知机 56
3.2.4 经典算法4：支持向量机 58
3.2.5 经典算法5：决策树 64
3.2.6 经典算法6：集成学习 68
3.3 无监督学习 69
3.3.1 经典算法1：K-均值算法 70
3.3.2 经典算法2：主成分分析 73
3.4 弱监督学习 76
3.4.1 主动学习 77
3.4.2 半监督学习 78
3.4.3 迁移学习 80
3.4.4 多示例学习 81
本章小结 82
习题 82
本章参考文献 82

第4章 人工智能之深度学习 83
4.1 深度学习概述 84
4.1.1 前向神经网络模型 84
4.1.2 生成模型 86
4.1.3 序列模型 86
4.2 人工神经网络 87
4.2.1 概述 87
4.2.2 激活函数 91
4.2.3 损失函数 95
4.3 神经网络参数优化与学习 100
4.3.1 梯度下降 101
4.3.2 反向传播算法 102
4.4 经典神经网络 107
4.4.1 经典神经网络1：卷积神经网络 107
4.4.2 经典神经网络2：循环神经网络 117
4.4.3 经典神经网络3：生成对抗网络 124
4.4.4 经典神经网络4：注意力机制网络 128
4.5 深度学习前沿 134
4.5.1 自监督学习 134
4.5.2 可解释性深度学习 135
4.5.3 对抗攻击与防御 135
4.5.4 超大规模模型 136
本章小结 137
习题 138
本章参考文献 139

第5章 人工智能之强化学习 140
5.1 强化学习概述 141
5.2 强化学习之马尔可夫决策过程 142
5.2.1 马尔可夫过程 142
5.2.2 马尔可夫奖励过程 142
5.2.3 马尔可夫决策过程 143
5.3 强化学习中的目标函数 144
5.3.1 值函数 144
5.3.2 贝尔曼方程 144
5.4 强化学习算法 145
5.4.1 动态规划 146
5.4.2 蒙特卡罗法 148
5.4.3 时序差分法 151
5.4.4 深度Q 网络 154
5.4.5 连续动作空间深度强化学习简单示例 157
本章小结 159
习题 159
本章参考文献 159

应用篇 人工智能开发平台及应用 161
第6章 人工智能开发平台 162
6.1 Python 语言简介 162
6.1.1 Python 常用数据结构 163
6.1.2 函数 164
6.1.3 类 165
6.2 机器学习平台 165
6.2.1 NumPy 166
6.2.2 Pandas 166
6.2.3 Scikit-Learn 167
6.2.4 Scipy 168
6.2.5 应用实战 168
6.3 深度学习开发框架 172
6.3.1 总述 172
6.3.2 TensorFlow 172
6.3.3 PyTorch 174
6.3.4 飞桨（PaddlePaddle） 176
6.3.5 应用实战 177
本章小结 182
习题 182
本章参考文献 184

第7章 人工智能应用及展望 185
7.1 人工智能与自然语言处理 186
7.1.1 自然语言处理的基本概念 186
7.1.2 自然语言处理的发展历史 187
7.1.3 自然语言处理的研究方向 188
7.2 人工智能与图像处理 196
7.2.1 图像增强 197
7.2.2 图像复原 199
7.2.3 图像编码 201
7.2.4 图像分割 204
7.2.5 图像识别与分类 205
7.3 人工智能与机器人 207
7.3.1 机器人概念 207
7.3.2 根据机器人发展阶段分类 208
7.3.3 根据应用环境分类 209
7.4 人工智能与视频理解 210
7.4.1 动作识别 211
7.4.2 时序动作定位 215
7.4.3 视频向量化 217
7.5 人工智能与元宇宙 219
7.5.1 元宇宙的基本概念 219
7.5.2 元宇宙中基础技术 221
7.6 人工智能未来展望 223
7.6.1 研究热点预测 223
7.6.2 人工智能伦理与治理 226
本章小结 228
习题 228
本章参考文献 228

后记 229