《人工智慧基礎及套用（微課版）》是2022年清華大學出版社出版的圖書，作者是孫平、唐非、張迪。
基本介紹
- 書名：人工智慧基礎及套用（微課版）
- 作者：孫平、唐非、張迪
- 出版社：清華大學出版社
- 出版時間：2022年12月1日
- 定價：59 元
- ISBN：9787302614951
內容簡介,圖書目錄,
內容簡介
《人工智慧基礎及套用》是作者講授多年人工智慧基礎及研究人工智慧算法後，針對當前的教學實際需要而編寫的。全書系統闡述了人工智慧發展概況及前沿套用，較詳細地介紹了知識表示、搜尋和推理技術，給出了人工智慧最佳化方法，還介紹了神經網路、專家系統與機器學習相關的方法，並列舉了與人工智慧算法相關的套用案例，從而方便大學生掌握人工智慧理論的套用方法。全書內容力求簡明扼要，具體實用，並有研究實例，便於自學。同時，《人工智慧基礎及套用》配套數字教學資源包括微視頻、習題答案，針對教師還提供了電子課件、教學大綱等。 《人工智慧基礎及套用》適合作為人工智慧基礎課程的教材，是高等院校師生掌握人工智慧理論與套用方法的速成參考書，也是學習人工智慧基礎知識的必修教材。
圖書目錄
第1章 緒論 1
1.1 人工智慧的發展史 2
1.1.1 人工智慧國外發展史 2
1.1.2 人工智慧國內發展史 3
1.1.3 人工智慧的三次浪潮 5
1.2 人工智慧的基本概念 8
1.2.1 人工智慧的定義 8
1.2.2 人工智慧的內涵與外延 9
1.3 人工智慧的主流學派 11
1.3.1 符號主義學派 11
1.3.2 聯結主義學派 12
1.3.3 行為主義學派 14
1.3.4 三大學派的比較 15
1.4 人工智慧的研究目標 15
1.5 人工智慧的研究領域 16
習題 17
第2章 知識表示 19
2.1 知識和知識表示的基本概念 20
2.2 狀態空間表示法 23
2.2.1 問題狀態描述 23
2.2.2 狀態圖示法 25
2.3 問題歸約法 26
2.3.1 問題歸約描述 26
2.3.2 與或圖表示 28
2.4 一階謂詞邏輯表示法 30
2.4.1 謂詞 31
2.4.2 謂詞公式 32
2.4.3 一階謂詞邏輯知識表示方法 37
2.5 產生式表示法 39
2.5.1 產生式 39
2.5.2 產生式系統 40
2.5.3 產生式系統的推理 41
2.5.4 產生式系統套用舉例 43
2.6 語義網路表示法 44
2.6.1 語義網路的概念及結構 45
2.6.2 語義網路的基本語義联系 46
2.6.3 語義網路的知識表示方法 48
2.6.4 語義網路的知識表示舉例 53
2.6.5 語義網路的推理過程 54
2.7 框架表示法 55
2.7.1 框架的一般結構 55
2.7.2 框架知識表示舉例 56
習題 58
第3章 搜尋及推理技術 61
3.1 圖搜尋策略 62
3.2 盲目搜尋 64
3.2.1 寬度優先搜尋 64
3.2.2 等代價搜尋 66
3.2.3 深度優先搜尋 68
3.3 啟發式搜尋 70
3.3.1 啟發式搜尋策略和估價函式 70
3.3.2 有序搜尋 71
3.3.3 A*搜尋算法 74
3.4 推理的基本概念 77
3.4.1 推理的定義 77
3.4.2 推理方式及其分類 77
3.4.3 衝突消解策略 80
3.5 自然演繹推理 81
3.6 歸結演繹推理 82
3.6.1 子句集及其化簡 83
3.6.2 魯濱遜歸結原理 86
3.6.3 用歸結原理求解問題 89
3.7 不確定推理 91
3.8 機率推理 94
3.9 主觀貝葉斯表示方法 96
3.9.1 知識的不確定性的表示 96
3.9.2 證據的不確定性的表示 97
3.9.3 不確定性的傳遞算法 98
3.9.4 結論不確定性的合成 101
3.9.5 主觀貝葉斯方法的特點 103
3.10 可信度方法 103
3.10.1 基於可信度的不確定表示 103
3.10.2 可信度方法的推理算法 105
3.11 證據理論 108
3.11.1 證據理論的形式化描述 109
3.11.2 證據理論的不確定性推理
模型 114
習題 121
第4章 智慧型最佳化計算 123
4.1 最佳化問題分類 124
4.2 最佳化算法分類 125
4.3 混沌最佳化 126
4.3.1 基本混沌最佳化算法 126
4.3.2 變尺寸混沌最佳化算法 127
4.3.3 雙混沌最佳化搜尋算法 127
4.3.4 冪函式載波的混沌最佳化
算法 128
4.3.5 並行混沌最佳化算法 129
4.4 模擬退火算法 129
4.5 遺傳算法 130
4.5.1 遺傳算法的基礎知識 130
4.5.2 遺傳算法中的基本流程 138
4.5.3 遺傳算法的改進 139
4.5.4 遺傳算法案例 141
4.6 蟻群算法 142
4.6.1 蟻群算法簡介 143
4.6.2 基本蟻群算法的工作原理 144
4.7 粒子群最佳化算法 146
4.7.1 基本粒子群最佳化算法 146
4.7.2 粒子群最佳化算法的拓撲
結構 150
4.8 其他最佳化算法 152
習題 154
第5章 神經網路 155
5.1 神經網路概述 156
5.2 神經網路模型 157
5.2.1 生物神經元模型 157
5.2.2 人工神經元模型 158
5.2.3 人工神經網路的學習方式 161
5.3 BP神經網路 162
5.3.1 網路基本結構 163
5.3.2 學習算法 164
5.3.3 網路的改進算法 166
5.3.4 BP神經網路的特點 167
5.3.5 神經網路套用示例 168
5.4 RBF神經網路 171
5.4.1 徑向基函式 172
5.4.2 徑向基函式網路結構 173
5.4.3 網路學習算法 174
5.4.4 RBF網路與BP網路的
對比 175
5.5 Hopfield神經網路 176
5.5.1 離散型Hopfield網路 176
5.5.2 連續型Hopfield網路 178
5.6 Elman神經網路 181
5.6.1 Elman神經網路的結構 181
5.6.2 Elman神經網路學習算法 182
5.7 CMAC神經網路 182
5.7.1 CMAC網路結構 182
5.7.2 網路學習算法 183
5.7.3 CMAC網路的特點 185
5.8 模糊神經網路 185
5.8.1 網路結構 186
5.8.2 學習過程 188
5.9 深度學習 189
5.9.1 常見模型 189
5.9.2 訓練算法及最佳化策略 191
習題 193
第6章 專家系統 195
6.1 專家系統概述 196
6.1.1 專家系統的產生和發展 196
6.1.2 專家系統的定義、特點
及類型 197
6.1.3 專家系統的結構和建造
步驟 200
6.2 基於規則的專家系統 203
6.2.1 基於規則的專家系統的工作
模型和結構 203
6.2.2 基於規則的專家系統的
特點 204
6.3 基於框架的專家系統 206
6.3.1 基於框架的專家系統的定義、
結構和設計方法 206
6.3.2 基於框架的專家系統的繼承、
槽和方法 208
6.4 基於模型的專家系統 211
6.4.1 基於模型的專家系統的
提出 211
6.4.2 基於神經網路的專家系統 212
6.5 新型專家系統 214
6.5.1 新型專家系統的特徵 214
6.5.2 分散式專家系統 215
6.5.3 協同式專家系統 217
6.6 專家系統的實例 218
6.6.1 醫學專家系統——MYCIN 218
6.6.2 地質勘探專家系統——
PROSPECTOR 224
6.7 專家系統的設計過程 226
習題 231
第7章 機器學習 233
7.1 概述 234
7.1.1 機器學習的定義 234
7.1.2 機器學習的發展史 235
7.1.3 機器學習方法的分類 237
7.1.4 機器學習的基本問題 239
7.2 機器學習的主要策略及基本結構 240
7.2.1 機器學習的主要策略 240
7.2.2 機器學習的基本結構 240
7.3 歸納學習 242
7.3.1 歸納學習的模式及規則 243
7.3.2 歸納學習方法 244
7.4 類比學習 246
7.4.1 類比學習的推理及學習
形式 246
7.4.2 類比的學習過程及分類 247
7.5 解釋學習 248
7.5.1 解釋學習的過程及算法 248
7.5.2 解釋學習案例 249
7.6 貝葉斯學習 250
7.6.1 貝葉斯法則 251
7.6.2 樸素貝葉斯方法 254
7.6.3 貝葉斯網路 255
7.6.4 貝葉斯學習套用案例 256
7.7 決策樹學習 258
7.7.1 決策樹表示法 259
7.7.2 ID3算法 260
7.7.3 決策樹學習的常見問題 262
7.7.4 決策樹學習套用案例 265
7.8 其他學習算法 268
7.8.1 K近鄰算法 268
7.8.2 K均值算法 269
7.8.3 強化學習 269
習題 272
第8章 人工智慧套用案例 273
8.1 模糊技術在坐墊服務機器人中的
套用 274
8.1.1 坐墊服務機器人 274
8.1.2 機器人的避障角度 274
8.1.3 模糊軌跡規劃 276
8.2 隨機配置網路在坐墊服務機器人中的
套用 278
8.2.1 具有系統偏移量的動力學
模型 278
8.2.2 系統偏移量SCN辨識模型 279
8.2.3 機器人限時疊代學習跟蹤
控制 280
8.3 強化學習在康復訓練機器人中的
套用 283
8.3.1 康復訓練機器人動力學
模型 283
8.3.2 機器人強化學習運動速度
決策 284
8.3.3 人機運動速度協調跟蹤
控制 285
習題 286
第9章 人工智慧的前沿 287
9.1 人工智慧與智慧型助理 288
9.1.1 智慧型助理的基本邏輯 288
9.1.2 智慧型助理的未來 290
9.1.3 常見的幾種智慧型助理 290
9.2 人工智慧與量子計算 292
9.2.1 量子計算的概念 293
9.2.2 量子計算與人工智慧的
結合 294
9.3 人工智慧與自動駕駛 295
9.3.1 感知系統 297
9.3.2 決策系統 298
9.3.3 控制系統 300
9.3.4 其他關鍵技術 300
9.4 人工智慧與智慧教育 302
9.4.1 人工智慧變革教育的潛力 302
9.4.2 人工智慧與教育的結合 303
9.5 人工智慧與智慧型家居 305
9.5.1 國內外智慧型家居的現狀 305
9.5.2 智慧型家居的主要系統 307
9.5.3 人工智慧在智慧型家居中的
套用 308
9.6 機器學習的未來 310
9.6.1 深度學習的新型網路結構 310
9.6.2 強化學習 311
9.6.3 3D列印 312
9.6.4 VR和AR 314
習題 317
參考文獻 318
