人工智能导论_刘攀,黄务兰,魏忠_9787301327173

人工智能是计算机科学的一个分支，自诞生以来，理论和技术日益成熟，该领域的研究包括机器人、语言识别、图像识别、自然语言处理、专家系统和深度学习等。本书以浅显易懂、案例丰富的方式带领读者了解人工智能的前世今生，知晓人工智能涉及的相关技术、理论、原理和应用，包括机器学习、计算智能和深度学习，最后是该领域在各行各业的前沿应用和未来发展展望。本书定位于普通高校大学生人工智能普适性教育用书，同时可作为人工智能爱好者的科普类读物。

第1章人工智能的发展历程 1 1.1　第一阶段——人工智能的孕育期 3 1.1.1　亚里士多德与三段论 3 1.1.2　莱布尼茨与形式逻辑符号化 4 1.1.3　布尔与布尔代数 5 1.1.4　图灵与图灵机 6 1.1.5　麦卡洛克和皮兹与MP神经元模型 8 1.1.6　冯·诺依曼与冯·诺依曼架构 8 1.1.7　香农与机械鼠 9 1.1.8　维纳与控制论 10 1.2　第二阶段——人工智能基础技术的形成 12 1.2.1　西蒙和纽厄尔与通用问题求解器 12 1.2.2　罗森布拉特与感知机模型 14 1.2.3　王浩与机器证明 14 1.2.4　麦卡锡和明斯基与人工智能 15 1.2.5　霍夫和威德罗与自适应线性单元 16 1.2.6　费根鲍姆与专家系统 18 1.3　第三阶段——人工智能的发展和实用化 19 1.3.1　诊断系统VAX 19 1.3.2　计算机配置专家系统XSEL和XCON 19 1.3.3　自然语言理解系统SHRDLU 19 1.3.4　符号数学专家系统MACSYMA 20 1.3.5　诊断内科疾病的专家系统INTERNIST 20 1.3.6　肾脏病专家咨询系统PIP 20 1.3.7　诊断和治疗青光眼病的专家系统CASNET 21 1.3.8　医学诊断专家系统MYCIN 21 1.3.9　自然语言理解系统LUNAR 21 1.3.10　逻辑编程语言 22 1.3.11　多层感知机 22 1.3.12　框架理论 23 1.3.13　遗传算法 24 1.3.14　知识工程 24 1.3.15　Agent技术 25 1.3.16　知识表示语言 25 1.4　第四阶段——知识工程与专家系统 26 1.4.1　霍普菲尔德与Hopfield神经网络模型 26 1.4.2　辛顿与玻尔兹曼机 29 1.4.3　麦克莱伦德和鲁梅尔哈特与反向传播算法 30 1.4.4　肖汉姆与Agent程序设计 31 1.4.5　瓦普尼克与支持向量机 32 1.4.6　麦昆与定理证明系统 33 1.4.7　当代人工智能领域的领军人物 33 1.5　本章小结 36 习题 36 第2章机器学习 38 2.1　机器学习概述 40 2.1.1　机器学习与人类学习 40 2.1.2　机器学习的发展历程 40 2.1.3　机器学习的步骤 41 2.1.4　机器学习的典型应用 42 2.1.5　机器学习的相关技术 43 2.2　时间序列分析与预测 44 2.2.1　时间序列的发展历程 44 2.2.2　时间序列的简介 45 2.2.3　时间序列的分类 45 2.2.4　时间序列的水平分析 46 2.2.5　时间序列的速度分析 46 2.2.6　时间序列分析的主要用途 47 2.3　结构方程模型 48 2.3.1　结构方程模型的发展历程 48 2.3.2　结构方程模型的介绍 48 2.3.3　结构方程的建模过程及实例 50 2.3.4　结构方程模型的应用 52 2.4　因子分析法 55 2.4.1　因子分析法的发展 55 2.4.2　因子分析法的应用 55 2.4.3　因子分析的核心问题及具体步骤 56 2.4.4　案例分析 56 2.5　信度与效度分析 58 2.5.1　信度和效度的概念 58 2.5.2　信度与效度的用途 59 2.5.3　信度分析方法 59 2.5.4　效度分析类型 61 2.6　K-means算法 62 2.6.1　K-means算法的起源 62 2.6.2　K-means算法的原理 62 2.6.3　K-means算法的应用 64 2.7　回归分析 65 2.7.1　回归分析的起源 65 2.7.2　回归分析的类型 66 2.7.3　回归分析的实例 69 2.8　朴素贝叶斯 70 2.8.1　贝叶斯公式 70 2.8.2　朴素贝叶斯分类 71 2.8.3　朴素贝叶斯实例 71 2.9　马尔可夫过程 73 2.10　数据缺失及其填补方法 79 2.10.1　数据缺失的原因以及产生机制 80 2.10.2　数据缺失模式 80 2.10.3　数据缺失的处理方法 81 2.11　混合线性模型 83 2.12　统计推断 87 2.12.1　统计推断的表述形式 88 2.12.2　统计推断的可靠性 88 2.12.3　统计抽样的方法 88 2.12.4　统计假设测验 89 2.13　本章小结 91 习题 91 第3章计算智能 93 3.1　遗传算法 95 3.1.1　遗传算法的起源 95 3.1.2　遗传算法的原理 97 3.1.3　遗传算法的实现 101 3.1.4　遗传算法的应用 102 3.1.5　遗传算法拓展——分类器 105 3.2　粒子群算法 107 3.2.1　粒子群算法的起源 107 3.2.2　粒子群算法的特点 109 3.2.3　粒子群算法的原理 110 3.2.4　粒子群算法的步骤 111 3.2.5　粒子群算法的应用 113 3.3　蚁群算法 116 3.3.1　蚁群算法的起源 116 3.3.2　蚁群算法的原理 118 3.3.3　蚁群算法的步骤 120 3.3.4　蚁群算法的应用 123 3.4　人工鱼群算法 127 3.4.1　人工鱼群算法的起源 127 3.4.2　人工鱼群算法的基本原理 127 3.4.3　人工鱼的基本行为 129 3.4.4　人工鱼群算法的实现和重要参数 130 3.4.5　人工鱼群算法的应用 131 3.5　本章小结 134 习题 135 第4章深度学习 137 4.1 深度学习概述 138 4.2　深度学习的核心技术 141 4.2.1　神经网络 142 4.2.2　长短期记忆神经网络 144 4.2.3　卷积神经网络 145 4.2.4　深度森林模型 149 4.2.5　深度学习的数学基础 151 4.3　深度学习的应用 151 4.3.1　图像识别 152 4.3.2　语音应用 162 4.3.3　文本挖掘 166 4.4　深度学习开源框架 170 4.4.1　TensorFlow 170 4.4.2　PaddlePaddle 170 4.4.3　Keras 171 4.4.4　MXNet 171 4.4.5　PyTorch 171 4.4.6　开源框架对比 172 4.5　本章小结 173 习题 173 第5章人工智能技术在各行各业的应用 176 5.1　人工智能技术在搜索引擎领域的应用 178 5.1.1　语音识别 178 5.1.2　图像识别 181 5.2　人工智能技术在制造业的应用 183 5.2.1　产品设计和研发 183 5.2.2　智能生产制造 184 5.2.3　智能供应链 185 5.3　人工智能技术在安防业的应用 186 5.3.1　公安安防 186 5.3.2　社区和民用安防 187 5.3.3　工厂园区安防 189 5.4　人工智能技术在交通业的应用 189 5.4.1　智能车辆检索 189 5.4.2　智能交通监控 190 5.4.3　自动驾驶汽车 190 5.4.4　驾驶员健康状态监测 191 5.4.5　交警机器人 192 5.5　人工智能技术在医疗领域的应用 192 5.5.1　人工智能与影像辅助诊断 192 5.5.2　人工智能与药物的研发 194 5.5.3　人工智能与医用机器人 195 5.6　人工智能技术在电商领域的应用 196 5.6.1　个性化推荐技术 196 5.6.2　生物认证技术 198 5.6.3　商务智能分析 199 5.7　人工智能技术在教育行业的应用 201 5.7.1　自适应学习 201 5.7.2　虚拟学习助手 201 5.7.3　教育商业智能化 202 5.8　人工智能技术在媒体业的应用 204 5.8.1　新闻业的应用 204 5.8.2　视频领域的应用 205 5.9　本章小结 207 习题 208 第6章人工智能的发展趋势和挑战 210 6.1　人工智能的发展趋势及新技术的应用 211 6.2　人工智能对人类未来生活的影响 221 6.3　人工智能带来的挑战及可能的解决方案 223 6.3.1　人工智能带来的挑战及变革 223 6.3.2　可能的解决方案 229 6.4　本章小结 230 习题 231 参考答案 232 第1章　人工智能的发展历程 232 第2章　机器学习 232 第3章　计算智能 235 第4章　深度学习 236 第5章　人工智能技术在各行各业的应用 237 第6章　人工智能的发展趋势和挑战 237 参考文献 238

我要评论