人工智慧基礎(2023年清華大學出版社出版的圖書)

《人工智慧基礎》是2023年清華大學出版社出版的圖書，作者是陳明。

基本介紹

• 中文名：人工智慧基礎
• 作者：陳明
• 出版時間：2023年11月1日
• 出版社：清華大學出版社
• ISBN：9787302640264 
• 定價：69 元

內容簡介

人工智慧是研究利用計算機系統實現人類智慧型的理論、方法和技術的學科。本書較系統地介紹了人工智慧的基本內容，主要包括人工智慧發展的三次熱潮、知識與知識表示、推理方式、搜尋策略、專家系統、機器學習、神經網路模型、深度學習、計算機視覺、自然語言處理、知識圖譜、智慧型體、群智慧型算法、生物特徵識別和智慧型機器人等。

圖書目錄

目錄

第1章概述/1

1.1人工智慧的產生與發展1

1.1.1人工智慧的產生1

1.1.2人工智慧發展的三次熱潮2

1.2人工智慧的內涵與外延3

1.2.1圖靈測試3

1.2.2人工智慧的內涵3

1.2.3人工智慧的外延5

1.2.4人工智慧的層次結構6

1.2.5強人工智慧與弱人工智慧6

1.3人工智慧的三大學派7

1.3.1符號主義學派7

1.3.2連線主義學派8

1.3.3行為主義學派8

1.4人工智慧的數學基礎9

1.4.1數學是人工智慧的基石9

1.4.2人工智慧的常用數學9

1.5人工智慧的套用12

1.5.1人工智慧的實現方式12

1.5.2人工智慧的主要套用場景13

1.5.3人工智慧的發展趨勢15

本章小結16

第2章知識與知識表示/17

2.1知識的特徵與分類17

2.1.1知識的特徵17

2.1.2知識的分類18

2.2計算機表示知識的方法20

2.2.1知識表示的原則20

2.2.2知識表示的方法分類21

2.2.3知識表示的全過程21

2.3產生式表示法22

2.3.1產生式的結構22

2.3.2產生式表示法舉例23

2.4一階謂詞邏輯表示法24

2.4.1知識的謂詞邏輯表示24

2.4.2謂詞邏輯表示法舉例26

2.5語義網路表示法26

2.5.1語義網路的特點與結構26

2.5.2語義網路表示法舉例28

2.6框架表示法29

2.6.1框架的基本結構與特點29

2.6.2框架表示法舉例31

2.7狀態空間表示法31

2.7.1描述問題狀態31

2.7.2狀態空間表示法舉例32

本章小結33

第3章機器推理/34

3.1機器推理基礎34

3.1.1思維與數理邏輯34

3.1.2概念與判斷35

3.1.3推理及其分類36

3.1.4邏輯推理37

3.2非單調推理39

3.2.1單調邏輯與單調推理39

3.2.2非單調邏輯與非單調推理40

3.2.3非單調推理與單調推理的比較41

3.3謂詞邏輯推理41

3.3.1謂詞邏輯41

3.3.2謂詞邏輯的自然推理規則44

3.3.3謂詞邏輯的自然推理方法45

3.4不確定性推理46

3.4.1不確定性推理基礎46

3.4.2貝葉斯推理48

3.4.3信度推理50

3.4.4模糊推理53

3.5推理控制策略60

3.5.1正向推理60

3.5.2反向推理61

3.5.3雙向推理63

3.5.4衝突消解策略63

本章小結65

第4章搜尋策略/66

4.1搜尋策略概述66

4.1.1搜尋與搜尋過程66

4.1.2常用的搜尋策略67

4.2盲目搜尋策略68

4.2.1廣度優先搜尋策略68

4.2.2深度優先搜尋策略69

4.2.3兩種搜尋策略比較71

4.3啟發式搜尋策略71

4.3.1啟發信息與啟發函式72

4.3.2貪婪最佳優先搜尋算法72

4.3.3貪婪最佳優先搜尋的問題74

4.4Dijkstra算法75

4.4.1標號實現方式76

4.4.2表實現方式77

4.5A算法80

4.5.1A算法的功能與特性80

4.5.2A搜尋算法81

4.5.3A算法尋路的探測84

本章小結85

第5章專家系統/86

5.1專家系統的產生與發展86

5.1.1專家系統的產生86

5.1.2專家系統的發展87

5.2專家系統的功能與特點87

5.2.1專家系統的功能87

5.2.2專家系統的要素與特點88

5.2.3專家系統的類型90

5.3專家系統的結構91

5.3.1產生式系統91

5.3.2專家系統的基本結構94

5.4專家系統的構建與開發環境98

5.4.1基於骨架系統的專家系統構建98

5.4.2專家系統的開發環境99

5.5專家系統的案例101

5.5.1基於規則的動物識別專家系統101

5.5.2基於模糊規則的專家控制系統103

本章小結106

第6章機器學習/107

6.1機器學習概述107

6.1.1機器學習基礎107

6.1.2機器學習的方式116

6.2決策樹121

6.2.1決策樹的結構與算法要素121

6.2.2決策樹生成算法122

6.3集成學習127

6.3.1集成學習的策略與特點127

6.3.2Bagging算法127

6.4k最近鄰分類131

6.4.1k最近鄰分類算法131

6.4.2k最近鄰分類算法的優缺點133

6.5聚類133

6.5.1聚類算法的類型與特點133

6.5.2k均值聚類算法135

6.6馬爾可夫模型137

6.6.1馬爾可夫過程137

6.6.2隱馬爾可夫模型139

6.7樸素貝葉斯分類142

6.7.1貝葉斯定理143

6.7.2樸素貝葉斯分類流程144

本章小結146

第7章神經網路模型/147

7.1神經網路模型基礎147

7.1.1神經網路模型的定義與特性147

7.1.2學習與適應152

7.2前饋神經網路160

7.2.1感知機160

7.2.2BP學習算法161

7.2.3前饋神經網路的複雜性164

7.3自組織神經網路165

7.3.1競爭學習神經網路模型166

7.3.2Kohonen神經網路166

7.4反饋神經網路168

7.4.1反饋神經網路簡介168

7.4.2霍普菲爾德神經網路169

本章小結170

第8章深度學習/171

8.1深度學習概述171

8.1.1深度學習的概念與特點172

8.1.2深度學習的方式174

8.1.3深度學習模型的特點175

8.2卷積神經網路175

8.2.1卷積神經網路的特點175

8.2.2卷積神經網路的結構177

8.2.3卷積神經網路的訓練186

8.3循環神經網路189

8.3.1循環神經網路的結構189

8.3.2隨時間反向傳播學習算法190

8.3.3循環神經網路的擴展193

8.3.4循環神經網路的套用195

8.4生成式對抗網路195

8.4.1生成式對抗網路的結構196

8.4.2網路的訓練與損失函式196

8.5自動編碼器198

8.5.1自編碼器工作原理198

8.5.2常用的自編碼器201

8.5.3深度自編碼器套用202

本章小結203

第9章計算機視覺/204

9.1計算機視覺概述204

9.1.1計算機視覺的內涵與外延204

9.1.2圖像類型與語義差異206

9.2圖像分類208

9.2.1圖像識別與分類208

9.2.2圖像分類的基本方法208

9.2.3基於深度學習的圖像分類210

9.3目標檢測214

9.3.1目標檢測的任務214

9.3.2RCNN目標檢測算法215

9.3.3Fast RCNN目標檢測算法218

9.3.4Faster RCNN目標檢測算法220

9.3.5三種算法的比較222

9.4視覺目標跟蹤222

9.4.1視覺目標跟蹤概述222

9.4.2跟蹤視覺目標的方法224

9.4.3基於卷積神經網路的目標跟蹤方法225

9.5語義分割227

9.5.1語義分割的定義與術語227

9.5.2語義分割的方法228

本章小結232

第10章自然語言處理/233

10.1自然語言處理概述233

10.1.1自然語言處理技術的發展233

10.1.2自然語言處理的內容235

10.2詞法分析236

10.2.1中文分詞237

10.2.2詞性標註241

10.2.3命名實體識別242

10.2.4文本關鍵字提取方法245

10.2.5文本表示250

10.3句法分析256

10.3.1完全句法分析256

10.3.2局部句法分析262

10.3.3依存句法分析262

10.4語義分析264

10.4.1辭彙級語義分析265

10.4.2句子級語義分析266

10.5自然語言處理的套用269

10.5.1中文自然語言的處理過程269

10.5.2自然語言處理的基本套用場景271

本章小結271

第11章知識圖譜/272

11.1知識圖譜概述272

11.1.1知識圖譜理論的形成273

11.1.2知識圖譜表示274

11.1.3本體274

11.1.4知識圖譜的優勢277

11.1.5知識存儲277

11.2知識圖譜的架構278

11.2.1知識圖譜的邏輯架構278

11.2.2知識圖譜的技術架構279

11.3知識圖譜構建284

11.3.1知識圖譜的構建方式285

11.3.2知識圖譜的設計原則與構建策略286

11.3.3知識圖譜的自動構建287

11.4知識圖譜推理288

11.4.1知識圖譜推理的任務288

11.4.2基於規則的關係推理288

11.4.3基於表示學習的推理289

11.4.4基於圖結構的關係推理292

11.5知識圖譜的套用293

本章小結296

第12章智慧型體/297

12.1分散式人工智慧概述297

12.1.1分散式人工智慧系統的特點297

12.1.2分散式人工智慧的分類298

12.1.3智慧型體的特徵與結構299

12.2智慧型體的工作過程與分類301

12.2.1智慧型體的基本工作過程301

12.2.2智慧型體的分類302

12.2.3智慧型體的環境306

12.3多智慧型體307

12.3.1多智慧型體系統的定義與特點307

12.3.2多智慧型體系統的分類308

12.3.3多智慧型體的通信方式309

12.3.4多智慧型體的協作與協調311

12.4移動智慧型體311

12.4.1移動智慧型體的特點311

12.4.2移動智慧型體的主要技術312

12.4.3移動智慧型體的分散式計算模式313

本章小結314

第13章群智慧型/315

13.1群智慧型計算概述315

13.1.1群智慧型算法的產生與發展315

13.1.2群智慧型算法的理論框架317

13.2蟻群算法318

13.2.1蟻群尋食的過程318

13.2.2蟻群算法的設計320

13.2.3基於蟻群算法的TSP問題求解324

13.2.4蟻群算法的特點328

13.3粒子群算法329

13.3.1粒子群算法概述329

13.3.2粒子群算法的構建330

13.3.3粒子群算法的套用334

本章小結336

第14章生物特徵識別/337

14.1生物識別概述337

14.1.1生物特徵的特點與識別目標337

14.1.2生物識別的主要技術338

14.2人臉識別338

14.2.1人臉識別原理339

14.2.2人臉特徵識別技術341

14.2.3人臉識別基本過程344

14.3虹膜識別346

14.3.1虹膜識別原理346

14.3.2虹膜識別過程346

14.4指紋識別347

14.4.1指紋識別原理347

14.4.2指紋識別過程348

14.5步態識別349

14.5.1步態識別原理349

14.5.2步態識別過程350

14.5.3步態識別技術的特點351

本章小結351

第15章智慧型機器人/352

15.1智慧型機器人概述352

15.1.1智慧型機器人的分類353

15.1.2智慧型機器人的要素354

15.1.3智慧型機器人的技術355

15.2導航定位技術355

15.2.1自主定位導航的任務355

15.2.2智慧型自主定位導航技術356

15.3機器人的感知358

15.3.1機器人的視覺358

15.3.2機器人的觸覺359

15.3.3機器人的聽覺360

15.3.4多感知器信息的融合360

15.4機器人互動技術360

15.4.1語音互動361

15.4.2情感互動362

15.4.3體感互動363

本章小結363

參考文獻/364