人工智能(原理算法和实践第2版微课版)/大数据与人工智能技术丛书

内容简介

本书系统介绍了人工智能的基本原理、基本技术、基本方法和应用领域等内容，比较地反映了60多年来人工智能领域的进展，并根据人工智能的发展动向对一些传统内容做了取舍。全书共9章。章介绍人工智能的基本概念、发展历史、应用领域等。其后8章的内容分为两大部分： 部分（第2~5章）主要讲述传统人工智能的基本概念、原理、方，涵盖知识表示、搜索策略、确定推理和不确定推理的相关技术与方法； 部分（第6~9章）主要讲述现代人工智能的新技术和方法，涵盖机器学习、数据挖掘、大数据、深度学**技术与方法。本书提供了8个实践项目案例，并且每章后面附有习题，以供读者练习。 本书主要作为计算机专业和其他相关学科相关课程教材，也可供有关科技人员参考。

目录

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优路径规划3.5习题第4章确定推理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谓词公式的永真与可满足4.2.3谓词公式的等价与永真蕴含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章不确定推理5.1概述5.1.1为什么要采用不确定推理5.1.2不确定推理要解决的问题5.1.3不确定推理类型5.2概率基础5.3主观贝叶斯方法5.3.1不确定的表示5.3.2组合证据不确定的计算5.3.3不确定的传递算法5.3.4结论不确定的合成5.4可信度方法5.4.1不确定的表示5.4.2组合证据不确定的计算5.4.3不确定的传递算法5.4.4结论不确定的合成5.5证据理论5.5.1理论基础5.5.2不确定表示5.5.3组合证据不确定的计算5.5.4不确定的更新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机器学基本概念6.1.2机器学发展历史6.1.3学基本模型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类比学基本过程6.5.2属类比学习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6.9.4FTRL6.10增强学习6.10.1增强学定义6.10.2增强学特点6.10.3数学原理6.10.4增强学策略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迁移学定义6.11.3负迁移6.11.4迁移学分类6.11.5迁移学方法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8.2.2RSS8.3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8.5Hadoop8.5.1简介8.5.2分布式离线计算框架MapReduce8.5.3Hadoop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： N手写数字识别9.7.1N手写数字识别结构9.7.2N手写数字识别实现9.7.3N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HN手写数字识别参考文献