本书系统地介绍了人工智能的基本概念、主要方法及代表性模型算法。本书根据人工智能的知识体系，在兼顾传统的人工智能方法的基础上，重点突出前沿性内容，并对自动推理、遗传算法、神经网络、启发式优化、机器学习、异常检测、梯度下降、逻辑回归、反向传播、卷积网络、语言模型、词向量等常见技术进行详细阐述和讨论。本书结合应用安排了示例和例题，以加深读者对关键知识点的理解。

更多科学出版社服务，请扫码获取。

目录
第1章 人工智能概念与发展 1
1.1 人工智能概念 1
1.1.1 定义 1
1.1.2 判断方法 4
1.1.3 模型 6
1.1.4 表示 7
1.1.5 推理 8
1.1.6 学习 10
1.1.7 优化 13
1.1.8 深度学习 14
1.2 人工智能的发展简史 15
1.2.1 人工智能的提出 16
1.2.2 推理与证明 16
1.2.3 危机 17
1.2.4 专家系统 17
1.2.5 重生 18
1.3 人工智能学派 19
1.3.1 符号主义 19
1.3.2 连接主义 20
1.3.3 行为主义 20
1.3.4 另一种分类 21
1.4 小结 22
习题 23
第2章 知识表示 24
2.1 基本概念 24
2.1.1 数据 24
2.1.2 信息 24
2.1.3 知识 25
2.1.4 人工智能中的知识表示 26
2.2 状态空间图 28
2.3 问题归约 30
2.4 谓词逻辑 32
2.4.1 命题 32
2.4.2 谓词逻辑表示 33
2.5 语义网络 37
2.5.1 语义基元 38
2.5.2 常见的语义联系 38
2.6 不确定知识表示 40
2.7 其他表示方法 41
2.7.1 规则表示 41
2.7.2 框架表示 42
2.7.3 脚本表示 43
2.7.4 面向对象表示 44
2.7.5 智能体Agent 45
2.8 小结 46
习题 46
第3章 确定性与不确定性推理 48
3.1 图搜索策略 48
3.1.1 盲目搜索 48
3.1.2 启发式搜索 55
3.2 命题逻辑推理 58
3.2.1 完全归纳法 59
3.2.2 反演法 59
3.3 语义网络推理 61
3.4 产生式系统 62
3.5 不确定性推理 65
3.5.1 事件概率 65
3.5.2 贝叶斯推理 67
3.6 小结 69
习题 69
第4章 神经网络 71
4.1 计算智能 71
4.2 人工神经网络相关概念 72
4.2.1 并行分布处理 73
4.2.2 非线性映射 73
4.2.3 训练学习 74
4.3 人工神经元结构与激活函数 74
4.3.1 生物神经元结构 74
4.3.2 人工神经元结构 75
4.3.3 神经元中的激发函数 75
4.4 人工神经网络结构 76
4.4.1 人工神经网络的一般结构 76
4.4.2 对比生物神经网络 78
4.5 前馈网络与反馈网络 78
4.5.1 前馈神经网络 78
4.5.2 反馈神经网络 79
4.6 表示与推理 82
4.6.1 基于神经网络的知识表示与推理 82
4.6.2 与逻辑 83
4.6.3 异或逻辑 84
4.6.4 基于神经网络的推理 85
4.6.5 神经网络的泛化能力 85
4.7 应用领域 86
4.8 小结 87
习题 87
第5章 进化算法 89
5.1 发展背景 89
5.2 进化策略 90
5.3 进化规划 91
5.4 遗传算法 92
5.4.1 染色体编码与解码 94
5.4.2 初始种群 96
5.4.3 适应度函数 96
5.4.4 遗传操作 97
5.5 小结 104
习题 105
第6章 群体智能 106
6.1 发展背景 106
6.2 社会系统 107
6.3 粒子群算法 108
6.3.1 基本思路 108
6.3.2 算法描述 108
6.3.3 惯性因子讨论 109
6.3.4 标准PSO算法 110
6.4 蚁群算法 116
6.4.1 基本原理 116
6.4.2 蚁群TSP系统模型 117
6.4.3 函数优化 120
6.5 小结 122
习题 123
第7章 机器学习基础 125
7.1 机器学习的定义和发展历史 125
7.1.1 机器学习定义 125
7.1.2 发展历程 126
7.1.3 相关概念 127
7.1.4 过程模型 128
7.1.5 常用机器学习模型 129
7.2 归纳与回归 130
7.2.1 数据归纳处理 130
7.2.2 回归 131
7.2.3 过拟合与欠拟合 134
7.3 分类分析 136
7.3.1 决策树 136
7.3.2 朴素贝叶斯模型 140
7.3.3 支持向量机 142
7.3.4 k近邻 146
7.3.5 集成学习 150
7.4 聚类分析 153
7.4.1 k-means算法 154
7.4.2 基于密度的聚类方法DBSCAN 156
7.4.3 层次聚类法 158
7.5 小结 161
习题 161
第8章 模型度量 163
8.1 偏差与方差 163
8.1.1 偏差 163
8.1.2 方差与标准差 164
8.1.3 偏差-方差平衡 166
8.1.4 均方误差 167
8.2 准确率和错误率 167
8.3 精确率、召回率、F1分数 168
8.4 ROC曲线 171
8.4.1 ROC曲线定义 171
8.4.2 ROC曲线绘制 172
8.5 AUC值 174
8.6 交叉验证 175
8.7 小结 176
习题 176
第9章 异常检测 177
9.1 统计方法 177
9.1.1 3??方法 177
9.1.2 箱线图 179
9.2 密度方法 181
9.2.1 LOF 181
9.2.2 DBSCAN 185
9.3 基于距离的方法 186
9.3.1 孤立森林 186
9.3.2 k-NN 189
9.4 本章小结 190
习题 191
第10章 梯度下降 193
10.1 拟合 193
10.2 梯度下降法的基本原理 194
10.2.1 公式变换 194
10.2.2 方向导数与梯度 195
10.2.3 梯度表示与计算 196
10.2.4 算法描述 196
10.2.5 随机梯度下降法 201
10.3 模型函数 202
10.3.1 假设函数 202
10.3.2 损失函数 202
10.3.3 代价函数与目标函数 210
10.4 本章小结 212
习题 212
第11章 逻辑回归 214
11.1 逻辑分布 214
11.2 决策边界 215
11.3 线性模型与非线性模型 216
11.4 逻辑回归算法 218
11.4.1 逻辑回归模型的假设函数 218
11.4.2 逻辑回归的代价函数与目标函数 221
11.4.3 计算参数w、b：梯度下降 222
11.5 Softmax回归 223
11.5.1 多分类问题 223
11.5.2 Softmax回归模型 224
11.6 判别模型与生成模型 226
11.6.1 判别模型 227
11.6.2 生成模型 227
11.7 本章小结 228
习题 228
第12章 BP神经网络 230
12.1 复合函数梯度计算 230
12.2 逻辑回归函数梯度计算 232
12.2.1 单样本情况的梯度计算 232
12.2.2 多样本情况的梯度计算 233
12.3 BP神经网络的基本原理 234
12.3.1 BP神经网络的假设函数 234
12.3.2 BP神经网络的代价函数 235
12.3.3 前向传播 236
12.3.4 反向传播 236
12.4 应用BP神经网络的步骤 247
12.5 本章小结 247
习题 248
第13章 深度学习 249
13.1 发展背景 249
13.2 神经网络的兴起 250
13.2.1 大数据的支撑 250
13.2.2 全连接网络的缺陷 251
13.3 卷积神经网络结构 252
13.3.1 输入层 253
13.3.2 卷积层 254
13.3.3 非线性层 262
13.3.4 池化层 265
13.3.5 全连接层 267
13.3.6 输出层 269
13.4 网络训练 270
13.4.1 训练方法 270
13.4.2 预训练与微调 271
13.5 小结 272
习题 272
第14章 自然语言处理 274
14.1 发展背景 274
14.2 语言模型 275
14.2.1 基础模型 275
14.2.2 n-gram模型 276
14.3 词向量 278
14.3.1 离散式表示 279
14.3.2 分布式表示 283
14.4 神经网络语言模型 291
14.5 预训练模型 294
14.6 小结 294
习题 295
参考文献 296