大數據與人工智能首頁>圖書中心>IT新學科新專業(yè)
- 書 名：人工智能導論
- 出版時間：2020-08-06
- 編 著 者：劉剛
- 版 次：1-2
- I S B N:978-7-5635-6113-1
- 定 價：￥32.00元
內容簡介
理論和實踐的緊密結合是人工智能領域的顯著特點。為了降低初學者的學習門檻，引導初學者了解人工智能的基本概念，并以實際應用促進感性認知，我們編寫了本書。
本書共7章。第1章介紹人工智能的發(fā)展、概念以及典型應用;第2章介紹知識表示方法和搜索技術;第3章介紹Python編程的基本知識，作為后續(xù)內容的程序設計基礎;第4章和第5章介紹分類與聚類以及回歸等方法；第6章介紹神經網絡的原理和方法；第7章簡要介紹最熱門的深度學習技術。
第4～6章在原理講解的同時，給出了程序示例，以增強感性認識，并引導初學者在實踐中理解理論和方法。
本書可以作為人工智能、大數據及相關專業(yè)本科生的基礎導論課程教材，也可以作為其他學科研究人員學習人工智能技術的參考書。
目錄介紹
第1章緒論1
1.1人工智能的歷史及概念1
1.1.1人工智能的起源與歷史1
1.1.2人工智能的概念3
1.1.3人工智能的特征4
1.2人工智能關鍵技術6
1.2.1機器學習6
1.2.2知識圖譜8
1.2.3自然語言處理9
1.2.4人機交互10
1.2.5計算機視覺12
1.2.6生物特征識別13
1.2.7虛擬現實/增強現實15
1.3人工智能產業(yè)現狀及趨勢16
1.3.1智能基礎設施17
1.3.2智能信息及數據18
1.3.3智能技術服務18
1.3.4人工智能行業(yè)應用18
1.3.5人工智能產業(yè)發(fā)展趨勢21
1.4安全、倫理、隱私問題21
1.4.1人工智能的安全問題22
1.4.2人工智能的倫理問題23
1.4.3人工智能的隱私問題24
1.5人工智能專業(yè)課程體系24
1.6本章小結26
習題26
第2章知識表示方法及搜索方法27
2.1知識表示方法27
2.1.1狀態(tài)空間法27
2.1.2問題歸約法29
2.1.3與或圖表示法31
2.1.4謂詞邏輯法33
2.1.5語義網絡法36
2.1.6其他方法38
2.2搜索技術43
2.2.1圖搜索策略43
2.2.2盲目搜索44
2.2.3啟發(fā)式搜索47
2.2.4A算法50
2.3本章小結52
習題52
目錄
人工智能導論
第3章Python編程簡介53
3.1IPython及其使用53
3.1.1IPython控制臺53
3.1.2語句與表達式54
3.1.3錯誤信息58
3.1.4模塊59
3.2數據結構59
3.2.1對象和方法60
3.2.2列表60
3.2.3數組62
3.3程序控制68
3.3.1分支結構68
3.3.2循環(huán)結構71
3.4腳本73
3.4.1腳本設計73
3.4.2腳本執(zhí)行74
3.5輸入、輸出與可視化75
3.5.1輸入與輸出75
3.5.2數據可視化78
3.6本章小結81
習題82
第4章分類與聚類83
4.1K最近鄰算法83
4.1.1算法概述83
4.1.2基本思想84
4.1.3算法實踐84
4.2樸素貝葉斯86
4.2.1算法概述86
4.2.2基本思想86
4.2.3算法實踐87
4.3決策樹90
4.3.1算法概述91
4.3.2基本思想91
4.3.3構造方法91
4.3.4算法實踐92
4.4隨機森林94
4.4.1算法概述94
4.4.2基本思想94
4.4.3算法實踐94
4.5K均值聚類算法96
4.5.1算法概述97
4.5.2算法實踐97
4.6本章小結98
習題98
第5章回歸99
5.1一元線性回歸99
5.1.1線性關系99
5.1.2一元線性回歸101
5.2多元線性回歸106
5.3梯度下降法108
5.3.1梯度下降法的原理108
5.3.2基于梯度下降法的多元線性回歸110
5.4Logistic回歸111
5.4.1Logistic回歸模型111
5.4.2Logistic回歸應用113
5.5本章小結117
習題117
第6章人工神經網絡119
6.1感知機119
6.1.1感知機模型119
6.1.2感知機學習策略120
6.1.3應用感知機進行分類124
6.1.4感知機的局限性127
6.2多層感知機127
6.2.1多層感知機模型127
6.2.2多層感知機的訓練——BP算法129
6.3多層感知機的應用131
6.3.1多層感知機逼近XOR問題131
6.3.2多層感知機識別手寫數字135
6.4其他神經網絡140
6.4.1遞歸神經網絡140
6.4.2霍普菲爾德網絡141
6.4.3玻爾茲曼機143
6.4.4自組織映射144
6.5本章小結144
習題145
第7章深度學習146
7.1深度學習的歷史和定義146
7.1.1深度學習的歷史146
7.1.2深度學習的定義148
7.2深度學習模型149
7.2.1深度信念網絡149
7.2.2卷積神經網絡151
7.2.3長短時記憶153
7.2.4對抗生成網絡155
7.3深度學習主要開發(fā)框架156
7.3.1Tensorflow156
7.3.2PyTorch與Caffe 2157
7.3.3飛槳158
7.3.4Keras159
7.4深度學習的應用160
7.4.1計算機視覺160
7.4.2語音與自然語言處理160
7.4.3推薦系統160
7.4.4自動駕駛161
7.4.5風格遷移161
7.5深度學習的展望162
7.6本章小結163
習題164
參考文獻165