人工智能导论

中国水利水电出版社

【作者】主编王飞潘立武

【I S B N 】978-7-5226-0456-5

【责任编辑】石永峰

【适用读者群】本专通用

【出版时间】2022-03-31

【开本】16开

【装帧信息】平装（光膜）

【版次】第1版第1次印刷

【页数】248

【千字数】387

【印张】15.5

【定价】￥45

【丛书】普通高等教育通识类课程规划教材

【备注信息】

图书详情

简介

本书特色

前言

章节列表

精彩阅读

下载资源

相关图书

本书分为9章，包括绪论、知识表示与推理、图搜索技术和问题求解、智能优化算法、机器学习、人工神经网络与深度学习、专家系统、模式识别与机器视觉、强化学习与生成对抗网络。

本书力求在讲解人工智能基础的前提下，对应用型的人工智能前沿知识理论和科技成果进行展现，结构组织合理，理论与实践相结合，对读者的层次和理解能力进行了充分考虑，并提供了多种流行人工智能框架的实用案例。

本书适合作为高等院校人工智能基础课程的教材，也可以作为人工智能应用开发工程师及相关科技人员的参考用书。

本书提供案例源代码和电子课件，读者可以从中国水利水电出版社网站（www.waterpub.com.cn）或万水书苑网站（www.wsbookshow.com）免费下载。

内容全面：涵盖了人工智能体系相关的大部分理论和技术知识。

实践突出：书中提供了目前流行的多种人工智能框架实用案例。

针对性强：面向应用型本科，文理兼顾，符合大学生认知水平。

资源丰富：配套微课、课件、源码等资源，方便读者学习使用。

人工智能是当今社会的热点领域，它产生于20世纪前期，经过漫长的发展，随着计算机硬件的高速迭代更新，2012年在深度学习应用的支撑下再次引起了人们的注意。其中，最为亮眼的是Hiton大师的课题组首次参加ImageNet图像识别比赛，AlexNet先生就得到该项赛事的冠军。

新近出台的《国家“十四五”发展纲要》也在人工智能领域留下了积极的发展信号，顺应时代需求并为国家的发展不断注入新的动力是中华儿女永远不应背弃的追求。在这种新形势和新周期的循环下，对大学生进行人工智能的理论和技术培养是一项任重而道远的活动。由于深入研究并非一日之功，实际应用可能更平易近人，因此本书针对应用型本科学生和教师的特点，尽量在吸收前人对人工智能教育所做出的贡献的基础上，全面讲述人工智能所涉及的基础理论和它们的有趣应用，以培养大学生的人工智能素养。

本书编者长期从事人工智能导论课程的教授及应用，市面上的人工智能导论类教材内容较深，对于应用型本科的学生来说学习梯度过于陡峭，而过于简单的科普类人工智能导论教材对于本科生来说又过于浅显。所以，编写一本针对应用型本科、文理兼顾，同时又有一定的实践性的教材是我们编写本书的初衷。在遵循人工智能理论完整性和与经典教材一致的基础上，本书编者结合当前跨时代大学生群体的认知能力和认知爱好，并根据学习的需求将本书分为9章。本书内容涵盖人工智能当前流行的大部分理论和技术知识，并以实践应用为特色。本书以满足应用型本科的人工智能选修和必修课程教学需求为主，同时也期望可以为其他层次的高等教育进行人工智能的理论启蒙。

本书由河南牧业经济学院王飞、潘立武任主编，河南牧业经济学院王佳、河南省职工医院朱彦霞、嘉兴学院李端任副主编。编写分工如下：第1章、第2章由王佳编写，第3章和第9章由王飞编写，第4～5章由朱彦霞编写，第7～8章由潘立武编写，第6章由李端编写。全书由连卫民审稿，王飞统稿。

在本书的编写过程中我们得到了许多同行的帮助和支持，参阅了大量的相关资料，在此向各位同行和相关作者表示诚挚的感谢。其中，郑州科技学院的秦亚红、杜远坤，河南牧业经济学院的李丹、扈少华，郑州棉麻工程研究所的夏彬，苏州大学的高影俊，许昌学院的路凯等也参与了本书编写工作，对书稿的细节提出了宝贵意见。

由于编者水平有限和人工智能技术发展迅速，书中难免存在疏漏之处，恳请广大读者批评和指正。

编者

2022年1月

第1章绪论 1
1.1 人工智能概论 1
1.1.1 人工智能的定义 1
1.1.2 人工智能的发展史及流派 3
1.1.3 人工智能的研究目标和意义 7
1.1.4 人工智能的研究途径 8
1.2 人工智能的现在和未来 9
1.2.1 人工智能的研究领域 10
1.2.2 人工智能的发展趋势 13
1.3 本章小结 14
习题1 15
第2章知识表示与推理 17
2.1 知识表示 17
2.1.1 知识的概念 17
2.1.2 知识的分类和特性 18
2.1.3 产生式表示法 20
2.1.4 框架表示法 23
2.1.5 其他表示法 26
2.2 知识推理 30
2.2.1 不确定性推理的概念和分类 30
2.2.2 概率推理 32
2.2.3 主观Bayes方法 35
2.2.4 可信度方法 37
2.2.5 模糊推理 40
2.3 本章小结 46
习题2 46
第3章图搜索技术和问题求解 49
3.1 搜索策略概述 49
3.1.1 状态空间表示法 50
3.1.2 盲目搜索 50
3.1.3 启发式搜索 52
3.1.4 博弈搜索 57
3.2 状态图的搜索 60
3.2.1 状态图搜索策略 61
3.2.2 博弈树搜索策略 64
3.3 实战—应用爬虫爬取新闻报道 69
3.4 本章小结 71
习题3 72
第4章智能优化算法 74
4.1 智能优化算法概述 74
4.1.1 智能优化算法的相关概念 74
4.1.2 智能优化算法的分类 76
4.2 进化算法 80
4.2.1 遗传算法 80
4.2.2 其他进化算法 85
4.3 集群智能算法 86
4.3.1 蚁群算法 86
4.3.2 粒子群算法 90
4.4 其他智能优化算法 93
4.4.1 模拟退火算法 93
4.4.2 禁忌搜索算法 96
4.5 实战—应用遗传算法解决问题 100
4.6 本章小结 106
习题4 107
第5章机器学习 109
5.1 机器学习概述 109
5.1.1 机器学习的发展与分类 109
5.1.2 监督学习 112
5.1.3 无监督学习 117
5.1.4 半监督学习 119
5.1.5 强化学习 122
5.2 符号学习 123
5.2.1 记忆学习 123
5.2.2 归纳学习 124
5.2.3 演绎学习 134
5.3 实战—线性回归与决策树 134
5.3.1 使用线性回归预测房价 134
5.3.2 使用决策树预测房价 144
5.4 本章小结 147
习题5 148
第6章人工神经网络与深度学习 150
6.1 人工神经网络 150
6.1.1 神经元与神经网络 150
6.1.2 神经网络的类型 154
6.1.3 BP神经网络 155
6.2 深度学习 156
6.2.1 深度学习与卷积网络 156
6.2.2 textCNN模型 166
6.3 实战—使用BP与CNN完成手写数字识别 169
6.3.1 BP网络手写数字识别 169
6.3.2 CNN手写数字识别 172
6.4 本章小结 175
习题6 176
第7章专家系统 177
7.1 专家系统概述 177
7.1.1 专家系统的发展 177
7.1.2 专家系统的定义与特点 179
7.1.3 专家系统的分类 180
7.2 专家系统的原理 181
7.2.1 专家系统的一般结构 182
7.2.2 专家系统的基本工作原理 183
7.3 专家系统的开发过程 184
7.3.1 知识获取和知识工程 184
7.3.2 专家系统的开发步骤 185
7.3.3 专家系统开发工具 188
7.4 专家系统实例 189
7.5 本章小结 193
习题7 193
第8章模式识别与机器视觉 195
8.1 模式识别 195
8.1.1 模式识别的基本概念 195
8.1.2 模式识别的方法 196
8.1.3 模式识别过程 196
8.1.4 模式识别应用 198
8.2 机器视觉 199
8.2.1 机器视觉的定义和构成 199
8.2.2 机器视觉的分类和应用 202
8.2.3 图像识别 204
8.2.4 人脸识别 206
8.3 实战—人脸表情识别 209
8.3.1 人脸表情识别的常用方法 209
8.3.2 实战—基于深度学习的人脸
表情识别系统 210
8.4 本章小结 215
习题8 215
第9章强化学习与生成对抗网络 217
9.1 强化学习概述 217
9.1.1 强化学习基础 218
9.1.2 强化学习分类 221
9.1.3 强化学习的应用 223
9.2 生成对抗网络概述 225
9.2.1 生成对抗模型 225
9.2.2 生成对抗模型的数学原理 229
9.2.3 生成对抗网络的实际应用 232
9.3 实战—基于StyleGAN-v2实现颜值融合 235
9.4 本章小结 238
习题9 239
参考文献 241

习题答案
课件

关闭

打印