人工智能概論（通識課版）

第1章人工智能的概念、內(nèi)容和方法
1.1什么是人工智能
1.1.1人工智能的概念
1.1.2圖靈測試和中文屋子
1.1.3腦智能和群智能
1.1.4符號智能和計算智能
1.1.5統(tǒng)計智能和交互智能
1.2為什么要研究人工智能
1.2.1研究人工智能的意義
1.2.2人工智能的研究目標和策略
1.3人工智能的相關(guān)學科
1.4人工智能的研究內(nèi)容
1.4.1搜索與求解
1.4.2知識與推理
1.4.3學習與發(fā)現(xiàn)
1.4.4發(fā)明與創(chuàng)造
1.4.5感知與響應(yīng)
1.4.6理解與交流
1.4.7記憶與聯(lián)想
1.4.8競爭與協(xié)作
1.4.9系統(tǒng)與建造
1.4.10應(yīng)用與工程
1.5人工智能的研究途徑與方法
1.5.1心理模擬，符號推演
1.5.2生理模擬，神經(jīng)計算
1.5.3行為模擬，控制進化
1.5.4群體模擬，仿生計算
1.5.5博采廣鑒，自然計算
1.5.6著眼數(shù)據(jù)，統(tǒng)計建模
1.6人工智能的分支領(lǐng)域與研究方向
習題1
第2章人工智能的應(yīng)用與發(fā)展概況
2.1人工智能的應(yīng)用
2.1.1難題求解
2.1.2自動規(guī)劃、調(diào)度與配置
2.1.3機器博弈
2.1.4機器翻譯與機器寫作
2.1.5機器定理證明
2.1.6自動程序設(shè)計
2.1.7智能控制
2.1.8智能管理
2.1.9智能決策
2.1.10智能通信
2.1.11智能預(yù)測
2.1.12智能仿真
2.1.13智能設(shè)計與制造
2.1.14智能車輛與智能交通
2.1.15智能診斷與治療
2.1.16智能生物信息處理
2.1.17智能教育
2.1.18智能人機接口
2.1.19模式識別
2.1.20智能機器人
2.1.21數(shù)據(jù)挖掘與知識發(fā)現(xiàn)
2.1.22計算機輔助創(chuàng)新
2.1.23計算機文藝創(chuàng)作
2.2人工智能學科發(fā)展概況
2.2.1孕育與誕生
2.2.2符號主義先聲奪人
2.2.3連接主義不畏坎坷
2.2.4計算智能異軍突起
2.2.5統(tǒng)計智能默默奉獻
2.2.6智能主體一統(tǒng)江湖，Agent & Robot
2.2.7知識工程東山再起，機器學習領(lǐng)銜高歌
2.2.8現(xiàn)狀與趨勢
習題2
第3章圖搜索與問題求解
3.1概述
3.2狀態(tài)圖與狀態(tài)圖搜索
3.2.1狀態(tài)圖
3.2.2狀態(tài)圖搜索
3.2.3窮舉式搜索
3.2.4啟發(fā)式搜索
3.3狀態(tài)圖搜索問題求解
3.3.1問題的狀態(tài)圖表示
3.3.2狀態(tài)圖搜索問題求解程序舉例
延伸學習導(dǎo)引
習題3
第4章知識表示與機器推理(一)
4.1概述
4.1.1知識及其表示
4.1.2機器推理
4.2一階謂詞及其推理
4.2.1謂詞、函數(shù)、量詞
4.2.2謂詞公式
4.2.3自然語言命題的謂詞形式表示
4.2.4基于謂詞公式的形式演繹推理
4.3產(chǎn)生式規(guī)則及其推理
4.3.1產(chǎn)生式規(guī)則
4.3.2基于產(chǎn)生式規(guī)則的推理
4.4語義網(wǎng)絡(luò)
4.4.1語義網(wǎng)絡(luò)的概念
4.4.2語義網(wǎng)絡(luò)的表達能力
4.4.3基于語義網(wǎng)絡(luò)的推理
4.5知識圖譜
延伸學習導(dǎo)引
習題4
第5章知識表示與機器推理(二)
5.1不確定性和不確切性信息處理
5.2不確定性知識的表示及推理
5.2.1不確定性知識的表示
5.2.2不確定性推理
5.3不確切性知識的表示及推理*
5.3.1軟語言值及其數(shù)學模型
5.3.2不確切性知識的表示
5.3.3基于軟語言規(guī)則的推理
延伸學習導(dǎo)引
習題5
第6章機器學習與知識發(fā)現(xiàn)(一)
6.1概述
6.2基本原理與分類
6.2.1機器學習的概念
6.2.2機器學習的原理
6.2.3機器學習的分類
6.3符號學習
6.3.1記憶學習
6.3.2示例學習
6.3.3演繹學習
6.3.4類比學習
6.3.5決策樹學習*
6.4強化學習
6.4.1簡單原理
6.4.2Q學習算法*
6.4.3強化學習的發(fā)展概況
延伸學習導(dǎo)引
習題6
第7章機器學習與知識發(fā)現(xiàn)(二)
7.1統(tǒng)計學習
7.1.1概述
7.1.2回歸問題的線性函數(shù)模型學習，梯度下降法
7.1.3分類問題的線性判別函數(shù)模型學習
7.2神經(jīng)網(wǎng)絡(luò)學習
7.2.1從生物神經(jīng)元到人工神經(jīng)元
7.2.2神經(jīng)網(wǎng)絡(luò)及其學習
7.2.3神經(jīng)網(wǎng)絡(luò)模型及其分類
7.2.4BP網(wǎng)絡(luò)及其學習舉例*
7.3深度學習
7.3.1什么是深度學習
7.3.2深度學習的優(yōu)勢
7.3.3深度學習的發(fā)展和擴展
7.4數(shù)據(jù)挖掘與知識發(fā)現(xiàn)
7.4.1數(shù)據(jù)挖掘的一般過程
7.4.2數(shù)據(jù)挖掘的對象
7.4.3數(shù)據(jù)挖掘的任務(wù)
7.4.4數(shù)據(jù)挖掘的方法
延伸學習導(dǎo)引
習題7
第8章機器感知與語言交流
8.1引言
8.2模式識別
8.2.1基本原理與方法
8.2.2距離分類法
8.2.3幾何分類法
8.2.4概率分類法
8.3自然語言處理
8.3.1自然語言處理的途徑、方法和學派
8.3.2基于規(guī)則的自然語言理解
8.3.3統(tǒng)計語言模型
延伸學習導(dǎo)引
習題8
第9章人工智能應(yīng)用系統(tǒng)
9.1概述
9.2專家(知識)系統(tǒng)
9.2.1什么是專家系統(tǒng)
9.2.2專家系統(tǒng)的結(jié)構(gòu)
9.2.3專家系統(tǒng)與基于知識的系統(tǒng)及知識工程
9.2.4專家系統(tǒng)的建造
9.2.5專家系統(tǒng)的發(fā)展
9.3Agent系統(tǒng)
9.3.1什么是Agent
9.3.2Agent的結(jié)構(gòu)
9.3.3Agent實例——Web Agent
9.3.4多Agent系統(tǒng)
9.3.5Agent技術(shù)的發(fā)展與應(yīng)用
9.4智能機器人
9.4.1智能機器人的基本原理
9.4.2機器人技術(shù)進展
延伸學習導(dǎo)引
習題9
第10章智能計算機與智能化網(wǎng)絡(luò)
10.1智能計算機
10.1.1智能硬件平臺和智能操作系統(tǒng)
10.1.2人工智能芯片
10.1.3神經(jīng)網(wǎng)絡(luò)計算機，類腦芯片
10.1.4智能計算機發(fā)展展望
10.2智能化網(wǎng)絡(luò)
10.2.1智能網(wǎng)
10.2.2智能Web
10.2.3網(wǎng)絡(luò)的智能化管理與控制
10.2.4網(wǎng)上信息的智能化檢索
10.2.5推薦系統(tǒng)
延伸學習導(dǎo)引
習題10
第11章人工智能編程語言與開發(fā)平臺
11.1概述
11.1.1函數(shù)型語言
11.1.2邏輯型語言
11.1.3面向?qū)ο笮驼Z言
11.1.4計算型語言
11.1.5混合型語言
11.2知識工程經(jīng)典語言PROLOG*
11.2.1PROLOG語句
11.2.2PROLOG程序
11.2.3PROLOG程序的運行機理
11.3機器學習流行語言Python*
11.3.1Python語言的特點和優(yōu)勢
11.3.2Python程序舉例
11.4深度學習框架與平臺*
延伸學習導(dǎo)引
習題11
中英文名詞對照及索引
參考文獻