人工智能基础 基于Python的人工智能实践

本书系统阐述了人工智能的基本原理、方法和应用技术，以知识为线索，分为知识搜索、知识发现、知识推理和知识应用四个部分，全面反映了人工智能领域国内外的近期新研究进展和动态。为便于读者深入学习，每章的最后一节均配有相关方法的案例和编程内容，大部分章末配有课后练习，读者可扫描书中二维码获取相关代码和参考答案。本书可作为高等学校智能科学与技术、人工智能、自动化、机器人工程等相关专业学生学习人工智能课程的教材，也可供从事人工智能研究与应用的科技工作者参考。

无

第1章概论1
1．1什么是人工智能？1
1．2人工智能的发展历史、现状及未来发展方向2
1．2．1人工智能的发展历史2
1．2．2人工智能的现状3
1．2．3人工智能发展趋势与展望4
1．3人工智能的主要学派4
1．3．1符号主义4
1．3．2连接主义5
1．3．3行为主义6
1．3．4三大学派的协同并进6
1．4开发工具7
1．4．1为什么使用Python来开发人工智能7
1．4．2Python简介7
课后练习10
第一部分知识搜索011
第2章搜索的基本策略12
2．1搜索过程12
2．2盲目搜索策略13
2．2．1宽（广）度优先搜索策略14
2．2．2深度优先搜索策略14
2．3启发式搜索策略15
2．3．1有序搜索算法（A算法）15
2．3．2A*算法16
2．4编程实践16
2．4．1八数码难题16
2．4．2自动驾驶运动规划19
课后练习21
第3章搜索的不错策略23
3．1群智能优化算法23
3．1．1蚁群算法23
3．1．2粒子群优化算法25
3．2动态规划25
3．3编程实践28
3．3．1蚁群算法求解路径优化问题28
3．3．2动态规划求解钢条切割效益优选化问题31
课后练习32
第二部分知识发现035
第4章概念学习和决策树36
4．1概念学习36
4．1．1什么是概念学习36
4．1．2寻找极大特殊假设算法37
4．1．3候选消除算法38
4．2决策树学习38
4．2．1划分属性准则39
4．2．2决策树的生成41
4．3归纳学习假设44
4．4编程实践44
4．4．1寻找极大特殊假设算法解决概念学习44
4．4．2候选消除算法解决概念学习问题45
4．4．3使用决策树对贷款申请样本进行决策45
4．4．4使用决策树对鸢尾花数据集进行分类47
课后练习49
第5章线性回归和分类51
5．1线性回归51
5．1．1线性模型51
5．1．2多项式回归53
5．1．3正则化方法53
5．2线性分类54
5．3编程实践56
5．3．1使用线性回归预测波士顿房价56
5．3．2使用逻辑回归分类仿真数据58
课后练习60
第6章统计学习方法62
6．1贝叶斯方法62
6．1．1贝叶斯定理63
6．1．2朴素贝叶斯分类器63
6．2支持向量机66
6．2．1线性支持向量机66
6．2．2软间隔69
6．2．3核函数70
6．3编程实践71
6．3．1使用贝叶斯方法实现垃圾邮件过滤71
6．3．2使用支持向量机实现鸢尾花数据的分类73
课后练习75
第7章人工神经网络和深度学习76
7．1人工神经网络76
7．1．1基本单元77
7．1．2网络结构78
7．1．3典型的神经网络80
7．2深度学习87
7．2．1卷积神经网络87
7．2．2循环神经网络89
7．3编程实践93
7．3．1基于神经网络的双螺旋数据分类93
7．3．2手写数字识别96
7．3．3地球温度预测99
课后练习101
第8章聚类104
8．1聚类基础104
8．2K均值聚类106
8．2．1算法106
8．2．2如何选择很优的聚类个数108
8．3基于密度的聚类算法109
8．4谱聚类110
8．5编程实践111
8．5．1K均值实例111
8．5．2基于密度的聚类算法实例114
8．5．3谱聚类实例117
课后练习118
第三部分知识推理121
第9章知识表示方法122
9．1什么是知识122
9．2人工智能所关心的知识123
9．3知识表示方法124
9．3．1状态空间法124
9．3．2问题规约法125
9．3．3谓词逻辑法125
9．3．4语义网络表示法126
9．3．5产生式表示法126
9．3．6框架表示法127
9．3．7面向对象的表示方法127
9．4编程实践127
9．4．1状态空间法解决野人过河问题127
9．4．2问题规约法解决梵塔问题128
9．4．3谓词逻辑法解决八皇后问题129
课后练习130
第10章经典逻辑推理132
10．1推理132
10．2命题和谓词133
10．2．1命题和命题逻辑133
10．2．2谓词与谓词逻辑134
10．3自然演绎推理135
10．4归结演绎推理136
10．4．1谓词公式化为子句集136
10．4．2等价式138
10．4．3永真蕴含式139
10．4．4置换和合一139
10．4．5归结原理（定理证明）140
10．4．6归结反演（问题求解）141
10．5与或型演绎推理141
10．6产生式系统141
10．7编程实践142
10．7．1自然演绎推理实例142
10．7．2动物识别系统143
课后练习148
第四部分领域应用149
第11章专家系统150
11．1专家系统150
11．2专家系统的结构和建造步骤152
11．2．1专家系统的简化结构152
11．2．2专家系统的开发153
11．3基于规则的专家系统154
11．4编程实例155
11．4．1基于决策树的专家系统规则提取155
11．4．2Boston数据集上的专家规则提取156
课后练习158
第12章人脸识别159
12．1人脸识别159
12．1．1Haar特征160
12．1．2AdaBoost160
12．2编程实例161
12．2．1人脸检测161
12．2．2人脸识别162
第13章自然语言处理164
13．1自然语言处理164
13．1．1自然语言处理的发展历程165
13．1．2自然语言处理的基本技术166
13．2编程实践170
13．2．1基于传统机器学习算法的文本分类170
13．2．2基于深度学习的文本分类172
参考文献175