本書系統(tǒng)、全面地介紹了計算機與人工智能的基礎概念、理論、方法、技術以及人工智能主要研究領域的基礎知識與應用等內(nèi)容。全書共3篇,10章。第一篇,人工智能基礎篇,第1~3章,內(nèi)容包括緒論、人工智能的基礎設施、人工智能程序設計語言等。第二篇,人工智能算法篇,第4~6章,內(nèi)容包括知識表示與智能推理、搜索策略與問題求解、機器學習與模式識別等。第三篇,人工智能應用技術篇,第7~10章,內(nèi)容包括機器人技術、智能圖像處理、自然語言處理、自動規(guī)劃決策系統(tǒng)。每章都有引言、本章小結和思考與練習,方便讀者根據(jù)需要進行選讀。
本書可作為高等院校智能科學與技術、計算機科學、軟件工程、電子科學與技術、信息科學、控制科學與工程、模式識別與人工智能等專業(yè)的本科生教材,也可作為人文社科類“人工智能+”專業(yè)的本科生與研究生的通識課程教材,還可供對人工智能技術及其應用感興趣的工程技術人員參考。
第一篇 人工智能基礎篇
第1章 緒論 2
1.1 引言 2
1.2 智能與人工智能 2
1.2.1 人類智能 2
1.2.2 人工智能的定義 4
1.2.3 新圖靈測試 7
1.2.4 人工智能的原則 9
1.3 追逐人工智能之路 10
1.3.1 工具發(fā)明:人工智能是人類一直
以來的夢想 10
1.3.2 計算工具到人工智能:人腦工具的
進化 11
1.3.3 人工智能的主要學派 16
1.4 人工智能產(chǎn)業(yè)的應用 17
1.4.1 基于人腦功能模擬劃分的
應用領域 18
1.4.2 基于應用劃分的領域 22
1.4.3 基于計算機系統(tǒng)結構的應用領域 28
1.5 人工智能的層次結構 29
本章小結 31
思考與練習 32
第2章 人工智能的基礎設施 33
2.1 引言 33
2.2 電子計算機的組成 34
2.2.1 計算機系統(tǒng) 34
2.2.2 計算機硬件系統(tǒng) 34
2.2.3 計算機軟件系統(tǒng) 37
2.2.4 計算機的工作原理 39
2.3 智能機器人與智能體 41
2.3.1 機器人與智能機器人 41
2.3.2 智能機器人系統(tǒng) 44
2.3.3 智能體與多智能體系統(tǒng) 47
2.3.4 非馮·諾依曼化新一代計算機 53
2.4 互聯(lián)網(wǎng)與人工智能 54
2.4.1 從計算機聯(lián)機到智能網(wǎng) 54
2.4.2 從Web 1.0到互聯(lián)網(wǎng)智能 58
2.4.3 物聯(lián)網(wǎng)與人工智能 61
2.4.4 云計算與人工智能 65
2.4.5 大數(shù)據(jù)與人工智能 69
2.5 人工智能的基礎設施 76
2.5.1 人工智能硬件 77
2.5.2 人工智能軟件平臺 86
2.5.3 搭建人工智能開發(fā)環(huán)境 89
本章小結 92
思考與練習 92
第3章 人工智能程序設計語言 93
3.1 引言 93
3.1.1 函數(shù)型語言 93
3.1.2 邏輯型語言 94
3.1.3 面向對象語言 95
3.1.4 計算型語言 95
3.1.5 混合型語言 95
3.2 函數(shù)型語言LISP 96
3.2.1 LISP程序結構與基本語法 97
3.2.2 常量、變量、運算符 98
3.2.3 數(shù)據(jù)類型 100
3.2.4 決策與循環(huán) 112
3.2.5 函數(shù)、謂詞與宏 114
3.2.6 輸入與輸出 118
3.2.7 文件I/O 119
3.2.8 結構 120
3.2.9 包 121
3.2.10 錯誤處理機制 123
3.2.11 面向對象編程 128
3.3 邏輯型編程語言Prolog 130
3.3.1 Prolog語句 130
3.3.2 Prolog程序結構 132
3.4 機器學習流行語言Python 134
3.4.1 Python語言的特點和優(yōu)勢 134
3.4.2 Python程序舉例 135
3.5 大數(shù)據(jù)開發(fā)流行語言Java 138
3.5.1 Java語言的應用 138
3.5.2 Java程序舉例 139
本章小結 141
思考與練習 141
第二篇 人工智能算法篇
第4章 知識表示與智能推理 144
4.1 引言 144
4.2 數(shù)據(jù)表示 144
4.2.1 數(shù)據(jù)與計算 144
4.2.2 數(shù)據(jù)結構 147
4.3 知識表示 150
4.3.1 基本概念 150
4.3.2 謂詞邏輯 150
4.3.3 語義網(wǎng)絡 153
4.3.4 框架 155
4.3.5 狀態(tài)空間 158
4.3.6 本體 159
4.3.7 語義Web 160
4.3.8 知識圖譜 162
4.4 自動推理 163
4.4.1 確定性推理 163
4.4.2 不確定性推理 177
4.5 專家系統(tǒng) 190
4.5.1 產(chǎn)生式知識表示 190
4.5.2 產(chǎn)生式推理與實現(xiàn) 192
4.5.3 專家系統(tǒng)的開發(fā) 197
本章小結 200
思考與練習 200
第5章 搜索策略與問題求解 203
5.1 引言 203
5.2 算法與問題求解策略 204
5.2.1 算法與問題求解步驟 204
5.2.2 算法基礎 206
5.2.3 算法設計基本策略 208
5.3 狀態(tài)圖搜索 216
5.3.1 狀態(tài)空間圖搜索 216
5.3.2 盲目式搜索策略 218
5.3.3 啟發(fā)式搜索策略 222
5.3.4 加權狀態(tài)圖搜索 224
5.3.5 A算法和A*?算法 226
5.4 與或樹搜索 228
5.4.1 與或樹 228
5.4.2 與或樹的窮舉搜索 230
5.4.3 與或樹的啟發(fā)式搜索 231
5.5 博弈樹搜索 232
5.5.1 博弈樹 232
5.5.2 極大極小分析過程 234
5.5.3 α-β剪枝過程 235
5.6 問題求解 238
5.6.1 狀態(tài)圖問題求解 238
5.6.2 與或圖問題求解 246
本章小結 248
思考與練習 249
第6章 機器學習與模式識別 252
6.1 引言 252
6.2 監(jiān)督機器學習算法 253
6.2.1 回歸問題 253
6.2.2 決策樹 256
6.2.3 樸素貝葉斯分類器 257
6.2.4 支持向量機 258
6.2.5 線性判別分析 264
6.3 無監(jiān)督機器學習算法 267
6.3.1 主成分分析 267
6.3.2 k-近鄰算法 269
6.3.3 k-均值聚類算法 270
6.4 強化學習與集成學習 272
6.4.1 強化學習模型 272
6.4.2 強化學習中的策略優(yōu)化與
評估函數(shù) 273
6.4.3 隱馬爾可夫模型 274
6.4.4 集成學習 276
6.5 人工神經(jīng)網(wǎng)絡 278
6.5.1 神經(jīng)元模型與感知機 278
6.5.2 前饋神經(jīng)網(wǎng)絡 282
6.5.3 BP神經(jīng)網(wǎng)絡算法 284
6.6 深度學習 286
6.6.1 卷積神經(jīng)網(wǎng)絡 286
6.6.2 生成對抗網(wǎng)絡 287
6.6.3 循環(huán)神經(jīng)網(wǎng)絡 289
6.7 進化計算 292
6.7.1 遺傳算法 292
6.7.2 蟻群算法 294
6.8 模式識別 296
6.8.1 模式識別概述 296
6.8.2 模式識別系統(tǒng)過程 297
6.8.3 模式識別案例:石油流 298
本章小結 299
思考與練習 300
第三篇 人工智能應用技術篇
第7章 機器人技術 302
7.1 引言 302
7.2 機器人機械系統(tǒng) 302
7.2.1 機器人的基本結構及應用 302
7.2.2 工業(yè)機器人 303
7.2.3 機器人的位姿問題 307
7.3 機器人傳感系統(tǒng) 310
7.3.1 機器人傳感器 310
7.3.2 機器人的傳感系統(tǒng) 311
7.4 機器人驅動系統(tǒng) 318
7.4.1 機器人的驅動方式 318
7.4.2 新型驅動器 320
7.4.3 機器人的驅動應用現(xiàn)狀 322
7.5 機器人控制系統(tǒng) 325
7.5.1 經(jīng)典控制系統(tǒng) 326
7.5.2 智能控制系統(tǒng) 326
7.6 機器人編程 329
7.6.1 機器人編程概述 329
7.6.2 機器人編程現(xiàn)狀和趨勢 329
7.6.3 機器人編程環(huán)境 329
7.6.4 機器人常用編程語言 330
7.6.5 機器人開發(fā)編程平臺 330
本章小結 337
思考與練習 338
第8章 智能圖像處理 339
8.1 引言 339
8.2 數(shù)字圖像處理基礎 340
8.2.1 數(shù)字圖像概述 340
8.2.2 像素間的關系 341
8.2.3 圖像的代數(shù)運算 342
8.2.4 圖像的幾何運算 344
8.2.5 圖像的卷積 345
8.3 圖像增強處理 347
8.3.1 圖像增強概述 347
8.3.2 圖像空域增強 347
8.3.3 圖像頻域增強 349
8.4 圖像分析 352
8.4.1 圖像分割 352
8.4.2 目標描述與特征提取 353
8.4.3 彩色圖像處理 359
8.5 計算機視覺 362
8.5.1 目標定位和測量 363
8.5.2 目標檢測和跟蹤 364
8.6 圖像目標識別和分類 365
8.6.1 基于特征的人臉識別實戰(zhàn) 366
8.6.2 神經(jīng)網(wǎng)絡的圖像識別技術 368
8.6.3 布匹質量檢測 370
本章小結 372
思考與練習 372
第9章 自然語言處理 374
9.1 引言 374
9.2 自然語言處理(NLP) 375
9.2.1 NLP基本概念 375
9.2.2 NLP技術概述及其難點 375
9.2.3 NLP典型應用 378
9.3 自然語言理解(NLU) 385
9.4 自然語言生成(NLG) 387
9.5 NLP處理流程 389
9.5.1 傳統(tǒng)機器學習的NLP流程 389
9.5.2 深度學習的NLP流程 389
9.6 自然語言處理的層次 390
9.7 語料預處理 392
9.8 NLP實現(xiàn) 395
9.8.1 NLP數(shù)據(jù)集 395
9.8.2 NLP工具 395
9.8.3 NLP實戰(zhàn) 397
本章小結 401
思考與練習 402
第10章 自動規(guī)劃決策系統(tǒng) 403
10.1 引言 403
10.2 規(guī)劃與自動規(guī)劃 403
10.2.1 規(guī)劃的概念 403
10.2.2 自動規(guī)劃的定義 404
10.2.3 規(guī)劃應用示例 405
10.3 規(guī)劃方法 406
10.3.1 規(guī)劃與搜索 406
10.3.2 部分有序規(guī)劃 410
10.3.3 分層規(guī)劃 411
10.3.4 基于案例的規(guī)劃 417
10.4 著名的規(guī)劃系統(tǒng) 418
10.4.1 STRIPS規(guī)劃系統(tǒng) 418
10.4.2 NOAH規(guī)劃系統(tǒng) 422
10.4.3 NONLIN規(guī)劃系統(tǒng) 426
10.4.4 O-PLAN規(guī)劃系統(tǒng) 427
10.4.5 Graphplan規(guī)劃系統(tǒng) 428
本章小結 429
思考與練習 430
參考文獻 431