人工智能入门

"内容全面，既有经典的至今仍有广泛应用的人工智能知识，又有人工智能研究的近期新进展和热门研究课题。内容精炼、经典，是作者从多年来撰写的10余本人工智能教材中提炼而来，内容通俗易懂，适合入门者学习。  配套教学资料丰富，配有课堂讲授课件、微课视频和课堂演示实例，生动、直观、形象地讲授课程内容，并配有教学大纲和教案。辅助学习资料齐全，配备项目实践案例、习题解析和答案。 "

本书是人工智能入门和普及基础知识的读物。作者从事人工智能教学多年，先后撰写了十余本人工智能教材和习题解答及相关著作，本书在此基础上，精炼和加工，使其通俗化、形象化，并加入人工智能的研究**进展和热门研究课题，如AlphaGo下棋的搜索原理、卷积神经网络、深度学习、大数据和云计算以及当前流行的人工智能开源工具等，全面地反映了国内外人工智能研究领域的**进展和发展方向，并深入浅出进行讲解，是了解人工智能的基础知识的实用工具书。

"朱福喜，武汉学院信息工程学院 ，教授，原武汉大学计算机学院教授、博导，博士、人工智能领域专家；发表论文百余篇，其中SCI论文、EI论文三十余篇。编写专著和教材二十部。主持国家基金和参与国家自然科学基金多项。 朱丽达 ，华农农业大学信息学院，讲师，博士、机器学习领域专家；发表SCI论文5篇，发表EI论文十余篇。主持国家基金一项，参与国家基金多项。 "

第1章概述 1．1什么是人工智能 1．1．1人工智能的定义 1．1．2人工智能的分级 1．2人工智能的产生背景及主要学派 1．3图灵测试 1．4人工智能的发展历程 1．5无处不在的人工智能 1．6人工智能的技术特征 1．7新一代人工智能的研究 1．8未来人工智能展望 习题1 第2章用搜索实现问题求解 2．1搜索求解问题的基本思路 2．2实现搜索过程的三大要素 2．2．1搜索对象 2．2．2扩展规则 2．2．3目标测试 2．3实现搜索的基本步骤 2．4搜索的几种基本策略 2．4．1盲目的搜索方法 2．4．2启发式搜索 习题2 第3章图搜索算法 3．1或图搜索 3．1．1或图搜索算法 3．1．2A算法与A*算法 3．2与/或图搜索 3．2．1问题归约求解方法和“与/或图” 3．2．2与/或图的构造方法 3．2．3与/或图的搜索过程 3．2．4与/或图搜索算法AO* 3．2．5用AO*算法求解一个智力问题 习题3 第4章博弈与搜索 4．1博弈问题 4．2极小极大搜索算法 4．2．1极小极大搜索的思想 4．2．2极小极大搜索算法的具体内容 4．2．3算法分析与举例 4．3αβ剪枝算法 4．4AlphaGo搜索策略 4．4．1围棋博弈程序的发展 4．4．2AlphaGo博弈树搜索算法的改进 4．4．3MCTS算法的四个基本步骤 习题4 第5章演化计算与遗传算法 5．1演化计算与演化算法 5．1．1演化算法的基本结构 5．1．2演化算法的设计 5．1．3演化算法的特点 5．2遗传算法 5．2．1遗传算法的基本结构 5．2．2遗传算法的实现 5．2．3遗传算法举例 5．3遗传算法的应用领域 习题5 第6章群集智能 6．1粒子群优化算法 6．1．1粒子群优化算法的基本描述 6．1．2粒子群优化算法的实现 6．1．3粒子群优化算法应用实例 6．2蚁群优化算法 6．2．1蚁群优化的原理 6．2．2蚁群优化算法的实现 6．2．3蚁群优化算法应用实例 习题6 第7章经典逻辑知识表示和推理 7．1产生式知识表示及推理 7．1．1产生式系统的组成 7．1．2产生式系统的知识表示 7．1．3产生式系统的推理方式 7．1．4产生式规则的选择与匹配 7．1．5产生式知识表示的特点 7．2命题知识表示及推理方法 7．2．1基本概念 7．2．2命题演算的归结方法 7．3谓词逻辑知识表示及推理 7．3．1知识的谓词逻辑表示法 7．3．2谓词逻辑自动推理的基本问题 7．3．3将公式化成标准子句形式的步骤 7．3．4合一算法 7．3．5谓词逻辑的归结算法 7．3．6推理中的相等意义的转换策略 7．4一个推理实例 习题7 第8章非经典逻辑知识的表示与推理 8．1非单调推理 8．1．1单调推理与非单调推理的概念 8．1．2默认逻辑 8．2证据理论 8．2．1识别框架 8．2．2基本概率分配函数 8．2．3置信函数 8．2．4置信区间 8．2．5证据的组合函数 8．2．6DS证据理论的评价 8．3不确定性推理 8．3．1不确定性 8．3．2主观概率贝叶斯方法 8．4模糊推理 8．4．1模糊推理的基本理论 8．4．2Fuzzy逻辑 习题8 第9章神经网络与卷积神经网络 9．1人工神经网络的基本概念 9．1．1人工神经网络的定义 9．1．2人工神经网络的基本原理 9．1．3人工神经网络互连结构 9．1．4神经网络模型分类 9．2几种典型的神经网络简介 9．2．1单层前向网络 9．2．2多层前向网络及BP学习算法 9．2．3Hopfield神经网络 9．3卷积神经网络 9．3．1卷积神经网络的结构 9．3．2参数减少与权值共享 9．3．3池化 9．3．4全连接层 9．4神经网络的应用领域 习题9 第10章机器学习与深度学习 10．1概述 10．1．1机器学习的定义和意义 10．1．2机器学习的研究简史 10．1．3机器学习方法的分类 10．1．4机器学习中的推理方法 10．2归纳学习 10．2．1归纳概念学习的定义 10．2．2归纳概念学习算法的一般步骤 10．2．3归纳概念学习的基本技术 10．3基于类比的学习 10．3．1类比学习的一般原理 10．3．2类比学习的表示 10．3．3类比学习的求解 10．4深度学习 10．4．1什么是深度学习 10．4．2特征提取 10．4．3自动特征提取 10．4．4深度学习直观理解 习题10 第11章数据挖掘与Web挖掘 11．1一般数据挖掘方法 11．1．1数据挖掘的定义 11．1．2数据挖掘研究的主要内容 11．1．3数据挖掘的任务 11．1．4数据挖掘的特点 11．1．5数据挖掘常用的技术 11．1．6数据挖掘过程 11．2关联规则挖掘 11．2．1问题的形式化描述 11．2．2挖掘步骤 11．2．3Apriori算法 11．2．4实例与分析 11．3聚类分析 11．3．1聚类分析的定义 11．3．2聚类分析的主要步骤 11．3．3聚类分析的几种主要的算法 11．3．4聚类分析的应用领域 11．4Web挖掘 11．4．1Web挖掘概述 11．4．2Web内容挖掘 11．4．3Web结构挖掘 11．4．4Web使用挖掘 习题11 第12章大数据与云计算 12．1从理论维度认识大数据 12．1．1大数据的定义 12．1．2大数据的特征 12．1．3大数据的价值 12．1．4大数据的发展趋势 12．2从技术的维度认识大数据 12．2．1云计算的定义以及要解决的问题 12．2．2云计算与虚拟化 12．2．3云存储与云网络 12．2．4私有云、公有云与云平台 12．2．5云计算的服务模式 12．2．6用大数据技术实现人工智能 12．3从应用的维度认识大数据 12．3．1从大数据走向大知识 12．3．2从大数据走向大智慧 12．3．3从大数据走向大财富 12.3.4大数据——企业竞争力的关键 12．3．5大数据及人工智能全面渗透人类生活 习题12 第13章专家系统与人工智能工具 13．1专家系统 13．1．1专家系统概述 13．1．2专家系统中的知识获取 13．1．3专家系统的解释机制 13．1．4专家系统开发 13．1．5专家系统开发实例 13．2专家系统开发工具与环境 13．2．1专家系统开发工具与环境简介 13．2．2生成工具 13．2．3辅助工具 13．2．4专家系统工具JESS 13．3人工智能开源工具 13．3．1TensorFlow 13．3．2Apache SystemML 13．3．3Caffe 13．3．4Apache Mahout 13．3．5Torch 13．3．6Neuroph 习题13