《人工智慧入門》是2021年清華大學出版社出版的圖書。
基本介紹
- 書名：人工智慧入門
- 作者：朱福喜,朱麗達
- 類別：教材
- 出版社：清華大學出版社
- 出版時間：2021年5月
- 開本：16 開
- 裝幀：平裝-膠訂
- ISBN：9787302571902
內容簡介,作者簡介,圖書目錄,
內容簡介
本書作為人工智慧的入門教材，是作者在三十餘年985大學從事人工智慧教學中撰寫的十餘本人工智慧教材和習題解答及相關著作的基礎上，精煉和加工而成的，力圖使其通俗化、形象化，並加入人工智慧研究的**進展和熱門研究課題，如AlphaGo下棋的搜尋原理、卷積神經網路、深度學習、大數據和雲計算以及當前流行的人工智慧開源工具等，全面地反映了國內外人工智慧研究領域的**進展和發展方向，並深入淺出地進行講解，是了解人工智慧基礎知識的實用工具書。
全書共13章，基本覆蓋傳統的人工智慧和**人工智慧進展的主要知識點，各章配有習題，並以不同形式配備習題解析和答案，課堂演示實例和微課視頻，作為生動、直觀、形象地講授課程內容的補充。
本書具有先進性、基礎性、實用性和可讀性，可作為普通高等學校計算機及相關專業的人工智慧基礎課程的教材，也可作為高等學校理工科學生了解人工智慧的入門教材。
作者簡介
朱福喜，武漢學院信息工程學院 ，教授，原武漢大學計算機學院教授、博導，博士、人工智慧領域專家；發表論文百餘篇，其中SCI論文、EI論文三十餘篇。編寫專著和教材二十部。主持國家基金和參與國家自然科學基金多項。
朱麗達 ，華農農業大學信息學院，講師，博士、機器學習領域專家；發表SCI論文5篇，發表EI論文十餘篇。主持國家基金一項，參與國家基金多項。
圖書目錄
第1章 概述
1.1 什麼是人工智慧
1.1.1 人工智慧的定義
1.1.2 人工智慧的分級
1.2 人工智慧的產生背景及主要學派
1.3 圖靈測試
1.4 人工智慧的發展歷程
1.5 無處不在的人工智慧
1.6 人工智慧的技術特徵
1.7 新一代人工智慧的研究
1.8 未來人工智慧展望
習題1
第2章 用搜尋實現問題求解
2.1 搜尋求解問題的基本思路
2.2 實現搜尋過程的三大要素
2.2.1 搜尋對象
2.2.2 擴展規則
2.2.3 目標測試
2.3 實現搜尋的基本步驟
2.4 搜尋的幾種基本策略
2.4.1 盲目的搜尋方法
2.4.2 啟發式搜尋
習題2
第3章 圖搜尋算法
3.1 或圖搜尋
3.1.1 或圖搜尋算法
3.1.2 A算法與A”算法
3.2 與/或圖搜尋
3.2.1 問題歸約求解方法和“與/或圖”
3.2.2 與/或圖的構造方法
3.2.3 與/或圖的搜尋過程
3.2.4 與/或圖搜尋算法A0
3.2.5 用AO”算法求解一個智力問題
習題3
第4章 博弈與搜尋
4.1 博弈問題
4.2 極小極大搜尋算法
4.2.1 極小極大搜尋的思想
4.2.2 極小極大搜尋算法的具體內容
4.2.3 算法分析與舉例
4.3 a-β剪枝算法
4.4 AlphaGo搜尋策略
4.4.1 圍棋博弈程式的發展
4.4.2 AlphaGo博弈樹搜尋算法的改進
4.4.3 MCTS算法的四個基本步驟
習題4
第5章 演化計算與遺傳算法
5.1 演化計算與演化算法
5.1.1 演化算法的基本結構
5.1.2 演化算法的設計
5.1.3 演化算法的特點
5.2 遺傳算法
5.2.1 遺傳算法的基本結構
5.2.2 遺傳算法的實現
5.2.3 遺傳算法舉例
5.3 遺傳算法的套用領域
習題5
第6章 群集智慧型
6.1 粒子群最佳化算法
6.1.1 粒子群最佳化算法的基本描述
6.1.2 粒子群最佳化算法的實現
6.1.3 粒子群最佳化算法套用實例
6.2 蟻群最佳化算法
6.2.1 蟻群最佳化的原理
6.2.2 蟻群最佳化算法的實現
6.2.3 蟻群最佳化算法套用實例
習題6
第7章 經典邏輯知識表示和推理
7.1 產生式知識表示及推理
7.1.1 產生式系統的組成
7.1.2 產生式系統的知識表示
7.1.3 產生式系統的推理方式
7.1.4 產生式規則的選擇與匹配
7.1.5 產生式知識表示的特點
7.2 命題知識表示及推理方法
7.2.1 基本概念
7.2.2 命題演算的歸結方法
7.3 謂詞邏輯知識表示及推理
7.3.1 知識的謂詞邏輯表示法
7.3.2 謂詞邏輯自動推理的基本問題
7.3.3 將公式化成標準子句形式的步驟
7.3.4 合一算法
7.3.5 謂詞邏輯的歸結算法
7.3.6 推理中的相等意義的轉換策略
7.4 一個推理實例
習題7
第8章 非經典邏輯知識的表示與推理
8.1 非單調推理
8.1.1 單調推理與非單調推理的概念
8.1.2 默認邏輯
8.2 證據理論
8.2.1 識別框架
8.2.2 基本機率分配函式
8.2.3 置信函式
8.2.4 置信區間
8.2.5 證據的組合函式
8.2.6 D-S證據理論的評價
8.3 不確定性推理
8.3.1 不確定性
8.3.2 主觀機率貝葉斯方法
8.4 模糊推理
8.4.1 模糊推理的基本理論
8.4.2 Fuzzy邏輯
習題8
第9章 神經網路與卷積神經網路
9.1 人工神經網路的基本概念
9.1.1 人工神經網路的定義
9.1.2 人工神經網路的基本原理
9.1.3 人工神經網路互連結構
9.1.4 神經網路模型分類
9.2 幾種典型的神經網路簡介
9.2.1 單層前向網路
9.2.2 多層前向網路及BP學習算法
9.2.3 Hopfield神經網路
9.3 卷積神經網路
9.3.1 卷積神經網路的結構
9.3.2 參數減少與權值共享
9.3.3 池化
9.3.4 全連線層
9.4 神經網路的套用領域
習題9
第10章 機器學習與深度學習
10.1 概述
10.1.1 機器學習的定義和意義
10.1.2 機器學習的研究簡史
10.1.3 機器學習方法的分類
10.1.4 機器學習中的推理方法
10.2 歸納學習
10.2.1 歸納概念學習的定義
10.2.2 歸納概念學習算法的一般步驟
10.2.3 歸納概念學習的基本技術
10.3 基於類比的學習
10.3.1 類比學習的一般原理
10.3.2 類比學習的表示
10.3.3 類比學習的求解
10.4 深度學習
10.4.1 什麼是深度學習
10.4.2 特徵提取
10.4.3 自動特徵提取
10.4.4 深度學習直觀理解
習題10
第11章 數據挖掘與Web挖掘
11.1 一般數據挖掘方法
11.1.1 數據挖掘的定義
11.1.2 數據挖掘研究的主要內容
11.1.3 數據挖掘的任務
11.1.4 數據挖掘的特點
11.1.5 數據挖掘常用的技術
11.1.6 數據挖掘過程
11.2 關聯規則挖掘
11.2.1 問題的形式化描述
