人工智慧基礎及套用(2023年清華大學出版社出版的圖書)

《人工智慧基礎及套用》是2023年清華大學出版社出版的圖書，作者是王方石，李翔宇，楊煜清，飛槳教材編寫組。

基本介紹

• 中文名：人工智慧基礎及套用
• 作者：王方石，李翔宇，楊煜清，飛槳教材編寫組
• 出版時間：2023年11月1日
• 出版社：清華大學出版社
• ISBN：9787302644224 
• 定價：55 元

內容簡介

本書介紹人工智慧的基礎理論、技術及套用。全書共9章,主要內容包括人工智慧概述、知識表示與知識圖譜、搜尋策略、機器學習、人工神經網路、典型卷積神經網路、智慧型圖像處理、機器學習開發框架、機器學習項目剖析。本書強調理論聯繫實際，既深入淺出地介紹了人工智慧領域的基礎知識和實用技術，又詳細介紹了兩個機器學習開發框架： PyTorch和百度公司研發的PaddlePaddle（飛槳），並帶領讀者逐步剖析在飛槳平台上實現的項目案例。案例的代碼清晰，易於理解，讀者可快速提高採用機器學習方法解決實際問題的實踐能力。

圖書目錄

目錄

第1章人工智慧概述1

1.1人工智慧的萌芽與誕生2

1.1.1人工智慧的萌芽2

1.1.2圖靈測試與中文屋實驗2

1.1.3人工智慧的誕生 3

1.2人工智慧的定義 4

1.3人工智慧發展簡史5

1.3.1人工智慧的黃金期（20世紀50年代中期—60年代中期）5

1.3.2人工智慧的第一個寒冬期（20世紀60年代後期—70年代初）7

1.3.3人工智慧的繁榮期（20世紀70年代中期—80年代後期）8

1.3.4人工智慧的第二個寒冬期（20世紀80年代末—90年代中期）9

1.3.5人工智慧的復甦期（1997年—2011年）11

1.3.6人工智慧的蓬勃發展期 （2012年至今）12

1.4人工智慧的研究流派13

1.5人工智慧研究的基本內容15

1.6人工智慧的主要研究領域16

1.7本章小結19

習題 119

第2章知識表示與知識圖譜21

2.1知識的基本概念21

2.1.1知識的定義21

2.1.2知識的特性22

2.1.3知識的分類22

2.2知識表示的方法23

2.3產生式規則表示法24

2.3.1產生式25

2.3.2產生式系統27

2.3.3產生式表示法的特點28

2.4狀態空間表示法29

2.5知識圖譜33

2.5.1知識圖譜的定義33

2.5.2知識圖譜的表示34

2.5.3知識圖譜的發展簡史35

2.5.4典型的知識圖譜39

2.5.5知識圖譜的套用43

2.6本章小結44

習題245

第3章搜尋策略46

3.1圖搜尋策略46

3.2盲目的圖搜尋策略48

3.2.1深度優先搜尋48

3.2.2寬度優先搜尋50

3.3啟發式圖搜尋策略52

3.3.1A搜尋53

3.3.2A搜尋54

3.4局部搜尋算法57

3.4.1爬山法58

3.4.2模擬退火法60

3.4.3遺傳算法62

3.5本章小結69

習題370

第4章機器學習72

4.1機器學習概述72

4.1.1機器學習的定義72

4.1.2機器學習的基本術語73

4.1.3機器學習的三個視角76

4.2監督學習78

4.2.1監督學習的步驟78

4.2.2監督學習的主要任務79

4.2.3監督學習的典型算法81

4.3無監督學習84

4.3.1無監督學習的基本原理84

4.3.2無監督學習的主要任務85

4.3.3無監督學習的典型算法88

4.4弱監督學習90

4.4.1不完全監督學習91

4.4.2不確切監督學習95

4.4.3不準確監督學習96

4.5本章小結97

習題 497

第5章人工神經網路99

5.1人工神經網路的發展歷程99

5.2感知機與神經網路101

5.2.1生物神經元結構101

5.2.2神經元數學模型——MP模型102

5.2.3感知機103

5.2.4多層神經網路結構104

5.3BP神經網路及其學習算法106

5.3.1BP神經網路的結構106

5.3.2BP學習算法107

5.4卷積神經網路113

5.4.1卷積神經網路的整體結構113

5.4.2卷積運算116

5.4.3激活函式121

5.4.4池化運算122

5.5本章小結123

習題 5124

第6章典型卷積神經網路125

6.1LeNet125

6.1.1LeNet模型的發展歷程125

6.1.2LeNet5模型的結構126

6.2AlexNet128

6.2.1AlexNet模型的結構128

6.2.2AlexNet模型的創新性130

6.3VGGNet132

6.3.1VGGNet模型的結構132

6.3.2VGGNet模型的優勢134

6.4GoogLeNet/Inception135

6.4.1GoogLeNet模型的研究思路135

6.4.2GoogLeNet模型結構的總體說明136

6.4.3GoogLeNet模型結構解析139

6.4.4GoogLeNet模型的特點141

6.5ResNet142

6.5.1ResNet模型的研究動機142

6.5.2ResNet模型的結構143

6.6DenseNet145

6.7本章小結149

習題 6150

第7章智慧型圖像處理151

7.1數字圖像處理概述151

7.1.1數字圖像處理的基本概念151

7.1.2數字圖像處理的主要任務153

7.2傳統的圖像處理技術157

7.2.1圖像分類158

7.2.2圖像目標檢測161

7.2.3圖像分割164

7.3基於深度學習的圖像處理技術166

7.3.1基於深度學習的圖像分類166

7.3.2基於深度學習的圖像目標檢測168

7.3.3基於深度學習的圖像分割173

7.4本章小結175

習題 7176

第8章機器學習開發框架177

8.1機器學習開發框架簡介177

8.2機器學習庫——Scikitlearn178

8.2.1Scikitlearn代碼設計179

8.2.2Scikitlearn數據表示及數據集構建180

8.2.3Scikitlearn模型訓練182

8.2.4Scikitlearn模型預測183

8.2.5Scikitlearn模型評估與超參數選擇184

8.3深度學習框架——PyTorch185

8.3.1深度學習框架中的自動求導185

8.3.2PyTorch框架結構 187

8.3.3PyTorch中的張量188

8.3.4PyTorch數據集構建190

8.3.5PyTorch模型訓練192

8.3.6PyTorch模型預測與評估198

8.3.7PyTorch模型超參數選擇199

8.3.8PyTorch中的自動求導機制203

8.4深度學習框架——飛槳207

8.4.1飛槳框架概述207

8.4.2飛槳的張量表示209

8.4.3飛槳的自動微分機制 210

8.4.4飛槳數據集構建212

8.4.5飛槳的模型開發213

8.5本章小結215

習題 8215

第9章機器學習項目剖析217

9.1機器學習套用項目的開發流程217

9.2波士頓房價預測——線性回歸模型218

9.2.1數據集構建218

9.2.2模型構建與設定219

9.2.3模型訓練與測試220

9.3鳶尾花分類——SVM模型220

9.3.1數據集構建220

9.3.2模型構建與設定222

9.3.3模型訓練與測試222

9.4手寫體數字識別——多層神經網路模型223

9.4.1數據集構建223

9.4.2模型構建與設定224

9.4.3模型訓練與測試226

9.5動物圖像分類——VGG模型227

9.5.1數據集構建227

9.5.2模型構建與設定229

9.5.3模型訓練與測試232

9.6寵物圖像分割——UNet模型234

9.6.1數據集構建234

9.6.2模型構建與設定236

9.6.3模型訓練與測試240

9.7昆蟲目標檢測——YOLOv3模型242

9.7.1數據集構建242

9.7.2模型構建與設定243

9.7.3模型訓練與測試245

9.8本章小結246

習題 9246

參考文獻247