随书资源


目录


第1章绪论

1.1人工智能的定义

1.2人工智能的发展历史

1.2.1孕育阶段

1.2.2形成阶段

1.2.3发展阶段

1.3人工智能的三大学派

1.3.1符号主义

1.3.2连接主义

1.3.3行为主义

1.4人工智能研究内容与应用领域

1.4.1问题求解

1.4.2专家系统

1.4.3机器学习

1.4.4神经网络

1.4.5模式识别

1.4.6数据挖掘和知识发现

1.4.7计算机视觉

1.4.8智能控制

1.4.9计算智能

1.4.10其他

1.5人工智能的发展趋势

1.5.1多学科交叉研究

1.5.2智能应用和智能产业

1.6习题

第2章知识表示

2.1概述

2.1.1知识及知识的分类

2.1.2知识表示方法

2.2谓词逻辑表示法

2.2.1基本概念

2.2.2谓词逻辑表示法

2.2.3谓词逻辑表示法的经典应用

2.2.4谓词逻辑表示法的特点





2.3产生式表示法

2.3.1概述

2.3.2产生式系统

2.3.3产生式表示法应用举例

2.3.4产生式系统的推理方式

2.3.5产生式系统的特点

2.4框架表示法

2.4.1框架基本结构

2.4.2基于框架的推理

2.4.3框架表示法的特点

2.5语义网络表示法

2.5.1语义网络基本概念

2.5.2语义网络中常用的语义联系

2.5.3语义网络表示知识的方法

2.5.4语义网络的推理过程

2.5.5语义网络表示的特点

2.6知识图谱表示法

2.6.1知识图谱基本概念

2.6.2知识图谱常用的表示方法

2.6.3知识图谱的构建方法

2.6.4知识图谱表示法的特点

2．7实践： 构建领域知识图谱

2．7．1选定构建领域

2．7．2知识抽取

2．7．3对知识图谱进行描述

2．7．4使用protégé工具搭建领域知识图谱

2．7．5思考与练习

2.8习题

第3章搜索策略

3.1搜索的基本概念

3.1.1搜索的含义

3.1.2状态空间法

3.1.3问题归约法

3.2状态空间搜索

3.2.1盲目搜索

3.2.2状态空间的启发式搜索

3.3博弈树的启发式搜索

3.3.1概述

3.3.2极大极小过程

3.3.3αβ剪枝

3.4实践： A*算法实现最优路径规划

3.4.1A*算法基本原理

3.4.2A*算法搜索步骤

3.4.3使用Python实现上述流程

3.4.4最优路径规划

3.5习题

第4章确定性推理

4.1推理的基本概念

4.1.1什么是推理

4.1.2推理方法及其分类

4.1.3推理的控制策略及其分类

4.1.4正向推理

4.1.5逆向推理

4.1.6混合推理

4.2推理的逻辑基础

4.2.1谓词公式的解释

4.2.2谓词公式的永真性与可满足性

4.2.3谓词公式的等价性与永真蕴含性

4.2.4谓词公式的范式

4.2.5置换与合一

4.3自然演绎推理

4.4归结演绎推理

4.4.1子句集及其简化

4.4.2鲁滨逊归结原理

4.4.3归结演绎推理的归结策略

4.4.4用归结反演求取问题的解

4.5基于规则的演绎推理

4.5.1规则正向演绎推理

4.5.2规则逆向演绎推理

4.6实践： 基于规则产生式的推理

4.6.1建立推理规则库

4.6.2输入事实进行推理

4.6.3推理结果

4.6.4思考与练习

4.7习题

第5章不确定性推理

5.1概述

5.1.1为什么要采用不确定性推理

5.1.2不确定性推理要解决的问题

5.1.3不确定性推理类型

5.2概率基础

5.3主观贝叶斯方法

5.3.1不确定性的表示

5.3.2组合证据不确定性的计算

5.3.3不确定性的传递算法

5.3.4结论不确定性的合成

5.4可信度方法

5.4.1不确定性的表示

5.4.2组合证据不确定性的计算

5.4.3不确定性的传递算法

5.4.4结论不确定性的合成

5.5证据理论

5.5.1理论基础

5.5.2不确定性表示

5.5.3组合证据不确定性的计算

5.5.4不确定性的更新

5.6模糊知识与模糊推理

5.6.1模糊知识的表示

5.6.2模糊概念的匹配

5.6.3模糊推理

5.7实践： 基于TS模型的模糊推理

5.7.1TS模型的模糊推理过程

5.7.2TS模型的模糊推理实验

5.7.4思考与练习

5.8习题

第6章机器学习

6.1概述

6.1.1机器学习的基本概念

6.1.2机器学习的发展历史

6.1.3学习系统的基本模型

6.1.4学习策略

6.2记忆学习

6.3归纳学习

6.3.1示例学习

6.3.2观察与发现学习

6.4决策树学习

6.5类比学习

6.5.1类比学习的基本过程

6.5.2属性类比学习

6.5.3转换类比学习

6.5.4派生类比学习

6.5.5联想类比学习

6.6解释学习

6.7神经学习

6.7.1感知器学习

6.7.2反向传播网络学习

6.7.3Hopfield网络学习

6.8贝叶斯学习

6.8.1贝叶斯定理

 6.8.2朴素贝叶斯分类算法

6.9在线机器学习

6.9.1截断梯度法

6.9.2前向后向切分算法

6.9.3正则对偶平均算法

6.9.4FTRL

6.10增强学习

6.10.1增强学习的定义

6.10.2增强学习的特点

6.10.3数学原理

6.10.4增强学习的策略

6.10.5用神经网络对状态进行估算

6.10.6算法流程

6.11迁移学习

6.11.1为什么需要迁移学习

6.11.2迁移学习的定义

6.11.3负迁移

6.11.4迁移学习的分类

6.11.5迁移学习的方法

6.11.6数据分布自适应

6.11.7特征选择

6.11.8子空间学习

6.11.9迁移学习前沿与应用

6.12实践: VGG16迁移学习

6.12.1VGG16结构

6.12.2迁移学习过程

6.12.3迁移学习结果

6.12.4思考与练习

6.13习题

第7章数据挖掘

7.1数据挖掘概述

7.1.1数据挖掘概念与发展

7.1.2数据挖掘的任务

7.1.3数据挖掘的应用

7.1.4数据挖掘过程与方法

7.2分类

7.2.1决策树分类法

7.2.2基于规则的分类器

7.2.3朴素贝叶斯分类器

7.2.4基于距离的分类算法

7.3聚类

7.3.1概念

7.3.2聚类分析的基本方法

7.4关联规则

7.4.1基本概念

7.4.2关联规则挖掘算法

7.4.3关联规则生成

7.5实践： KMeans聚类

7.5.1KMeans基本原理

7.5.2KMeans聚类实现

7.5.3思考与练习

7.6习题

第8章大数据

8.1大数据概述

8.1.1大数据概念

8.1.2特征

8.1.3发展历程

8.1.4应用

8.2数据获取

8.2.1网络爬虫

8.2.2RSS

8.3数据挖掘

8.3.1概述

8.3.2数据挖掘工具

8.3.3现状与未来

8.4数据分析

8.4.1概述

8.4.2数据分析流程

8.4.3数据分析方法

8.4.4数据分析工具

8.5Hadoop

8.5.1简介

8.5.2分布式离线计算框架MapReduce

8.5.3Hadoop分布式文件系统

8.5.4HBase大数据库

8.6数据可视化

8.7实践： 网络爬虫及数据可视化

8.7.1网络爬虫基本原理及工具介绍

8.7.2网络爬虫及可视化实现

8.7.3网络爬虫及可视化结果

8.7.4思考与练习

8.8习题

第9章深度学习

9.1深度学习应用背景与概述

9.1.1应用背景

9.1.2概述

9.1.3人脑视觉机理

9.2特征的概念

9.2.1特征表示的粒度

9.2.2初级（浅层）特征表示

9.2.3结构性特征表示

9.2.4特征数量

9.3深度学习基本思想

9.4浅层学习和深度学习

9.4.1浅层学习

9.4.2深度学习

9.5深度学习常用模型和方法

9.5.1自动编码器

9.5.2稀疏编码

9.5.3深度信念网络

9.5.4卷积神经网络

9.5.5循环神经网络

9.5.6图神经网络

9.5.7生成对抗网络

9.6深度学习展望

9.7实践： CNN手写数字识别

9.7.1CNN手写数字识别结构

9.7.2CNN手写数字识别实现

9.7.3CNN手写识别结果

9.7.4思考与练习

9.8习题

附录A构建领域知识图谱

附录BA*算法实现最优路径规划

附录C基于规则产生式的推理

附录D基于TS模型的模糊推理

附录EVGG16迁移学习

附录FKMeans聚类

附录G网络爬虫及数据可视化

附录HCNN手写数字识别

参考文献