人工智能入门

朱福喜，武汉学院信息工程学院 ，教授，原武汉大学计算机学院教授、博导，博士、人工智能领域专家；发表论文百余篇，其中SCI论文、EI论文三十余篇。编写专著和教材二十部。主持国家基金和参与国家自然科学基金多项。

朱丽达 ，华农农业大学信息学院，讲师，博士、机器学习领域专家；发表SCI论文5篇，发表EI论文十余篇。主持国家基金一项，参与国家基金多项。

本书作为人工智能的入门教材，是作者在三十余年985大学从事人工智能教学中撰写的十余本人工智能教材和习题解答及相关著作的基础上，精炼和加工而成的，力图使其通俗化、形象化，并加入人工智能研究的**进展和热门研究课题，如AlphaGo下棋的搜索原理、卷积神经网络、深度学习、大数据和云计算以及当前流行的人工智能开源工具等，全面地反映了国内外人工智能研究领域的**进展和发展方向，并深入浅出地进行讲解，是了解人工智能基础知识的实用工具书。
   全书共13章，基本覆盖传统的人工智能和**人工智能进展的主要知识点，各章配有习题，并以不同形式配备习题解析和答案，课堂演示实例和微课视频，作为生动、直观、形象地讲授课程内容的补充。
   本书具有先进性、基础性、实用性和可读性，可作为普通高等学校计算机及相关专业的人工智能基础课程的教材，也可作为高等学校理工科学生了解人工智能的入门教材。

第1章  概述
 1.1  什么是人工智能
   1.1.1  人工智能的定义
   1.1.2  人工智能的分级
 1.2  人工智能的产生背景及主要学派
 1.3  图灵测试
 1.4  人工智能的发展历程
 1.5  无处不在的人工智能
 1.6  人工智能的技术特征
 1.7  新一代人工智能的研究
 1.8  未来人工智能展望
 习题1
第2章  用搜索实现问题求解
 2.1  搜索求解问题的基本思路
 2.2  实现搜索过程的三大要素
   2.2.1  搜索对象
   2.2.2  扩展规则
   2.2.3  目标测试
 2.3  实现搜索的基本步骤
 2.4  搜索的几种基本策略
   2.4.1  盲目的搜索方法
   2.4.2  启发式搜索
 习题2
第3章  图搜索算法
 3.1  或图搜索
   3.1.1  或图搜索算法
   3.1.2  A算法与A”算法
 3.2  与/或图搜索
   3.2.1  问题归约求解方法和“与/或图”
   3.2.2  与/或图的构造方法
   3.2.3  与/或图的搜索过程
   3.2.4  与/或图搜索算法A0
   3.2.5  用AO”算法求解一个智力问题
 习题3
第4章  博弈与搜索
 4.1  博弈问题
 4.2  极小极大搜索算法
   4.2.1  极小极大搜索的思想
   4.2.2  极小极大搜索算法的具体内容
   4.2.3  算法分析与举例
 4.3  a-β剪枝算法
 4.4  AlphaGo搜索策略
   4.4.1  围棋博弈程序的发展
   4.4.2  AlphaGo博弈树搜索算法的改进
   4.4.3  MCTS算法的四个基本步骤
 习题4
第5章  演化计算与遗传算法
 5.1  演化计算与演化算法
   5.1.1  演化算法的基本结构
   5.1.2  演化算法的设计
   5.1.3  演化算法的特点
 5.2  遗传算法
   5.2.1  遗传算法的基本结构
   5.2.2  遗传算法的实现
   5.2.3  遗传算法举例
 5.3  遗传算法的应用领域
 习题5
第6章  群集智能
 6.1  粒子群优化算法
   6.1.1  粒子群优化算法的基本描述
   6.1.2  粒子群优化算法的实现
   6.1.3  粒子群优化算法应用实例
 6.2  蚁群优化算法
   6.2.1  蚁群优化的原理
   6.2.2  蚁群优化算法的实现
   6.2.3  蚁群优化算法应用实例
 习题6
第7章  经典逻辑知识表示和推理
 7.1  产生式知识表示及推理
   7.1.1  产生式系统的组成
   7.1.2  产生式系统的知识表示
   7.1.3  产生式系统的推理方式
   7.1.4  产生式规则的选择与匹配
   7.1.5  产生式知识表示的特点
 7.2  命题知识表示及推理方法
   7.2.1  基本概念
   7.2.2  命题演算的归结方法
 7.3  谓词逻辑知识表示及推理
   7.3.1  知识的谓词逻辑表示法
   7.3.2  谓词逻辑自动推理的基本问题
   7.3.3  将公式化成标准子句形式的步骤
   7.3.4  合一算法
   7.3.5  谓词逻辑的归结算法
   7.3.6  推理中的相等意义的转换策略
 7.4  一个推理实例
 习题7
第8章  非经典逻辑知识的表示与推理
 8.1  非单调推理
   8.1.1  单调推理与非单调推理的概念
   8.1.2  默认逻辑
 8.2  证据理论
   8.2.1  识别框架
   8.2.2  基本概率分配函数
   8.2.3  置信函数
   8.2.4  置信区间
   8.2.5  证据的组合函数
   8.2.6  D-S证据理论的评价
 8.3  不确定性推理
   8.3.1  不确定性
   8.3.2  主观概率贝叶斯方法
 8.4  模糊推理
   8.4.1  模糊推理的基本理论
   8.4.2  Fuzzy逻辑
 习题8
第9章  神经网络与卷积神经网络
 9.1  人工神经网络的基本概念
   9.1.1  人工神经网络的定义
   9.1.2  人工神经网络的基本原理
   9.1.3  人工神经网络互连结构
   9.1.4  神经网络模型分类
 9.2  几种典型的神经网络简介
   9.2.1  单层前向网络
   9.2.2  多层前向网络及BP学习算法
   9.2.3  Hopfield神经网络
 9.3  卷积神经网络
   9.3.1  卷积神经网络的结构
   9.3.2  参数减少与权值共享
   9.3.3  池化
   9.3.4  全连接层
 9.4  神经网络的应用领域
 习题9
第10章  机器学习与深度学习
 10.1  概述
   10.1.1  机器学习的定义和意义
   10.1.2  机器学习的研究简史
   10.1.3  机器学习方法的分类
   10.1.4  机器学习中的推理方法
 10.2  归纳学习
   10.2.1  归纳概念学习的定义
   10.2.2  归纳概念学习算法的一般步骤
   10.2.3  归纳概念学习的基本技术
 10.3  基于类比的学习
   10.3.1  类比学习的一般原理
   10.3.2  类比学习的表示
   10.3.3  类比学习的求解
 10.4  深度学习
   10.4.1  什么是深度学习
   10.4.2  特征提取
   10.4.3  自动特征提取
   10.4.4  深度学习直观理解
 习题10
第11章  数据挖掘与Web挖掘
 11.1  一般数据挖掘方法
   11.1.1  数据挖掘的定义
   11.1.2  数据挖掘研究的主要内容
   11.1.3  数据挖掘的任务
   11.1.4  数据挖掘的特点
   11.1.5  数据挖掘常用的技术
   11.1.6  数据挖掘过程
 11.2  关联规则挖掘
   11.2.1  问题的形式化描述