人工智能导论(微课版)

1.内容严谨，结构清晰 在全面考虑人工智能发展脉络的基础上，精心筛选知识点，突出导论课程的核心意义，着重关注重要的知识点，有利于教师在规划课时内进行有效的课堂教学，同时也便于读者自主学习。 2.案例丰富，有趣宜学 本书融合了与学生生活紧密相关的丰富教学案例，以通俗易懂的方式帮助读者理解重要而难以理解的知识点，进而提升读者的学习兴趣。 3.紧跟前沿，着眼未来 编者着眼于最新的技术成果，在书中介绍了人工智能相关行业的发展趋势和市场动态，在拓宽读者认知边界的同时，力求提高读者的科学素养。 4.录制微课，创新教学 本书提供针对重点、难点知识的微课视频，助力打造新形态精品教材。读者可以通过多种智能化展示方式和渠道随时自学，最大程度提高自己的学习效率。

本书共12章，内容涵盖传统人工智能技术、现代人工智能技术及人工智能技术应用三大部分，旨在展示人工智能技术的发展历程。在传统人工智能技术部分，本书讨论了问题求解与搜索技术、归结推理、不确定性推理与专家系统，以及遗传算法、蚁群算法、鸟群算法和粒子群算法等经典算法。在现代人工智能技术部分，本书介绍了机器学习中的监督学习和非监督学习，讲解了经典的决策、分类、聚类、回归、降维和关联分析等问题，以及神经网络和深度神经网络等内容。在人工智能技术应用部分，本书讲解了视觉感知与智能视觉、听觉感知与智能听觉、语言智能处理和智能机器等当前流行技术，以及未来人工智能的展望。在本书编写过程中，编者着重介绍基本概念、基本原理和基本分析方法，旨在引导读者分析问题和解决问题，力求基本概念准确、条理清晰、内容精练、重点突出、理论联系实际。
本书可作为人工智能、计算机科学与技术、电子信息、遥感测绘、土木工程、机械工程等理工科专业的人工智能导论课程（或通识课程）教材，也可供相关领域的科技人员参考使用。

刘华俊: 博士，武汉大学副教授，2011年12月毕业于武汉大学计算机应用系，主要从事人工智能、计算机视觉等方面的研究。2019年度高校计算机专业优秀教师奖励计划获奖者，CCF计算机专业名师工作坊“计算机导论”课程组组长，武汉大学通识课程岗位351人才计划珞珈青年学者。

第1章 人工智能概述 1
1.1 人类智能与人工智能 1
1.1.1 数据和信息的关系 2
1.1.2 人的认知过程 3
1.1.3 机器对人认知过程的模拟 4
1.1.4 知识、智力和智能之间的关系 6
1.2 人工智能的不同学派 7
1.2.1 符号主义学派 7
1.2.2 联结主义学派 8
1.2.3 行为主义学派 8
1.3 人工智能的发展 9
1.3.1 人工智能的孕育期 9
1.3.2 人工智能的形成期 9
1.3.3 基于知识的系统 10
1.3.4 神经网络的复兴 10
1.3.5 机器学习大发展 11
1.4 人工智能的基本技术 12
1.4.1 搜索技术 12
1.4.2 知识表示 12
1.4.3 抽象、归纳和推理 13
1.4.4 计算神经理论 13
1.4.5 认知计算 13
1.4.6 知识工程 15
1.4.7 自然语言处理 15
1.4.8 智能机器人 15
习题 16
第2章 问题求解与搜索技术 17
2.1 问题的状态和状态空间 17
2.1.1 状态空间的定义和一般搜索方法 17
2.1.2 问题特征分析 20
2.2 盲目搜索方法 23
2.3 启发式搜索方法 25
2.3.1 启发式信息的表示 25
2.3.2 启发式函数设计的原则 26
2.4 “弱搜索”方法 30
2.4.1 生成测试法 31
2.4.2 爬山算法 31
2.4.3 最佳优先搜索算法 32
2.4.4 模拟退火算法 33
2.5 博弈与搜索 34
2.5.1 有关博弈的问题 34
2.5.2 极小极大搜索算法 35
2.5.3 α-β剪枝算法 39
习题 43
第3章 归结推理及其应用 45
3.1 逻辑表示法 45
3.1.1 一阶谓词逻辑 45
3.1.2 逻辑表示法的特点 48
3.2 命题演算的归结方法 48
3.2.1 基本概念 48
3.2.2 命题演算的归结步骤 49
3.3 谓词演算的归结方法 50
3.3.1 谓词演算的基本问题 50
3.3.2 将谓词公式化成子句的步骤 50
3.3.3 合一算法 52
3.3.4 变量分离标准化 54
3.3.5 谓词演算的归结算法 55
习题 55
第4章 不确定性推理与专家系统 57
4.1 不确定性推理 57
4.1.1 不确定性推理形成的原因 57
4.1.2 不确定性推理方法 58
4.2 专家系统 61
4.2.1 专家系统的定义 62
4.2.2 专家系统的特征 63
4.2.3 专家系统的分类 64
4.2.4 专家系统的结构 66
4.2.5 专家系统的优缺点 67
4.3 MYCIN专家系统 68
4.3.1 MYCIN系统概况 68
4.3.2 MYCIN系统组成 68
4.3.3 知识库构造 69
4.3.4 推理机制 70
习题 72
第5章 演化搜索和群集智能 74
5.1 遗传算法 74
5.1.1 遗传算法的发展背景 74
5.1.2 遗传学与遗传算法的基本思想 75
5.1.3 遗传算法常用术语介绍 76
5.1.4 遗传算法的步骤 77
5.1.5 遗传算法应用举例 83
5.2 蚁群算法 85
5.2.1 蚁群算法的模拟实验和理论 85
5.2.2 基本蚁群算法及流程 88
5.3 鸟群算法 90
5.4 粒子群算法 92
5.4.1 粒子群算法的发展背景 92
5.4.2 粒子群算法的基本思想 92
5.4.3 粒子群算法的基本流程 94
5.4.4 粒子群算法和遗传算法的比较 94
习题 95
第6章 机器学习 97
6.1 机器学习与监督学习 97
6.2 K近邻算法 101
6.2.1 KNN算法介绍 101
6.2.2 距离计算 101
6.2.3 K值选择 103
6.2.4 KNN算法的特点 103
6.2.5 KNN算法的应用举例 104
6.3 决策树 105
6.3.1 决策树的基本理论 105
6.3.2 ID3算法 107
6.3.3 C4.5算法 110
6.3.4 CART算法 112
6.3.5 三种决策树算法的对比 114
6.4 朴素贝叶斯 114
6.4.1 朴素贝叶斯算法的核心思想 115
6.4.2 贝叶斯公式与条件独立假设 116
6.4.3 朴素贝叶斯分类实例 118
6.4.4 朴素贝叶斯与连续值特征 119
6.5 支持向量机 120
6.5.1 支持向量的概念 121
6.5.2 支持向量机优化 124
6.5.3 软间隔 125
6.5.4 核函数 127
6.5.5 支持向量机的优缺点分析 128
6.6 聚类算法 128
6.6.1 K均值算法 129
6.6.2 DBSCAN聚类算法 131
6.6.3 均值漂移聚类算法 134
6.7 回归分析 136
6.7.1 线性回归 137
6.7.2 逻辑回归 137
6.7.3 多项式回归 139
6.8 降维模型 140
6.8.1 PCA算法简介 140
6.8.2 PCA算法的原理 141
6.8.3 PCA算法的应用实例 147
6.9 关联分析 147
6.9.1 关联分析的原理 148
6.9.2 Apriori算法 150
6.10 PageRank算法 153
6.10.1 PageRank算法的定义和推导 153
6.10.2 PageRank算法的矩阵化分析 155
6.11 马尔可夫模型 157
6.11.1 马尔可夫模型的原理和概念 157
6.11.2 递推公式的改进 159
习题 160
第7章 神经生理基础和神经网络 164
7.1 脑系统 164
7.2 神经系统和突触传递 166
7.2.1 神经系统 166
7.2.2 突触传递 167
7.3 人工神经网络 167
7.3.1 人工神经网络的概念 167
7.3.2 人工神经网络的发展 168
7.3.3 人工神经网络的特点 170
7.3.4 人工神经网络的结构 172
7.4 反向传播算法 176
7.4.1 反向传播算法概述 176
7.4.2 反向传播算法的优缺点 180
7.5 卷积神经网络 181
7.5.1 卷积神经网络的结构 181
7.5.2 输入层 181
7.5.3 卷积层 182
7.5.4 激活层 188
7.5.5 池化层 189
7.5.6 全连接层 191
7.5.7 二维卷积与三维卷积 191
7.5.8 反卷积 192
7.5.9 卷积神经网络凸显共性的方法 193
7.5.10 局部卷积 194
7.5.11 卷积神经网络的参数设置 196
7.5.12 卷积神经网络的泛化提升 196
7.6 常见的深度卷积神经网络模型 197
7.6.1 LeNet5模型 197
7.6.2 AlexNet模型 198
7.6.3 VGG模型 199
7.6.4 GoogleNet模型 201
7.6.5 ResNet模型 203
习题 205
第8章 视觉感知与智能视觉 207
8.1 视觉感知 207
8.1.1 人眼视觉的起源 207
8.1.2 人眼的结构 208
8.1.3 光感受器和人眼的光谱灵敏度 209
8.1.4 人眼视觉的适应性 211
8.1.5 图像的数字化 213
8.1.6 人眼的视觉颜色空间 216
8.2 智能视觉 218
8.2.1 基于内容的图像检索 218
8.2.2 行人重识别 226
8.2.3 目标检测 228
8.2.4 图像超分辨率重建 239
8.2.5 图像分割 242
习题 245
第9章 听觉感知与智能听觉 246
9.1 听觉感知 246
9.1.1 声音的特性 246
9.1.2 语音的特性 248
9.1.3 听觉系统 250
9.1.4 语音编码 255
9.1.5 空间音频 257
9.2 智能听觉 259
9.2.1 语音增强技术 260
9.2.2 近端听音增强 263
习题 267
第10章 语言智能处理 268
10.1 自然语言处理的发展历程 268
10.2 基于规则的自然语言处理 269
10.3 语言处理的统计模型 272
10.3.1 统计语言模型 273
10.3.2 隐马尔可夫模型 274
10.3.3 最大熵模型 275
10.4 自然语言处理的深度学习模型 276
习题 281
第11章 智能机器 282
11.1 机器人 282
11.2 无人机 284
11.3 无人车 285
11.3.1 无人车的研究发展阶段 285
11.3.2 无人车的组成和关键技术 287
11.4 类脑智能 288
11.4.1 类脑智能简介 288
11.4.2 类脑智能的研究目标和挑战 289
11.4.3 类脑智能的发展思路和脑科学计划 289
11.4.4 类脑智能技术的体系 290
11.5 混合智能 292
习题 294
第12章 未来人工智能的展望 295
12.1 人工智能的发展现状总结 295
12.2 未来的人工智能 297
习题 304