艾博士：深入淺出人工智能

本書是一本針對初學者介紹人工智能基礎知識的書籍。本書採用通俗易懂的語言講解人工智能的基本概念、發展歷程和主要方法，內容涵蓋人工智能的核心方法，包括什麽是人工智能、神經網絡（深度學習）是如何實現的、電腦是如何學會下棋的、電腦是如何找到**路徑的、如何用隨機算法求解組合優化問題、統計機器學習方法是如何實現分類與聚類的、專家系統是如何實現的等，每種方法都配有例題並給出詳細的求解過程，以幫助讀者理解和掌握算法實質，提高讀者解決實際問題的能力。 此外，本書可以幫助人工智能的開發人員理解各種算法背後的基本原理。書中的講解方法和示例，有助於相關課程的教師講解相關概念和算法。 總之，這是一本實用性強、通俗易懂的人工智能入門教材，適合不同背景的讀者學習和使用。

目錄

 

 

第0篇什麽是人工智能1

0.1人工智能的誕生1

0.2人工智能的4個發展時代4

0.2.1初期時代4

0.2.2知識時代6

0.2.3特徵時代8

0.2.4數據時代11

0.3什麽是人工智能16

0.4圖靈測試與中文屋子問題19

0.4.1圖靈測試19

0.4.2中文屋子問題21

0.5第三代人工智能23

0.6總結27

 

第1篇神經網絡是如何實現的29

1.1從數字識別談起30

1.2神經元與神經網絡35

1.3神經網絡是如何訓練的39

1.4捲積神經網絡48

1.5梯度消失問題59

1.6過擬合問題69

1.7詞向量74

1.7.1詞的向量表示74

1.7.2神經網絡語言模型76

1.7.3word2vec模型82

1.7.4詞向量應用舉例85

1.8循環神經網絡88

1.9長短期記憶網絡96

1.10深度學習框架104

1.11總結104艾博士： 深入淺出人工智能目錄第2篇電腦是如何學會下棋的106

2.1能窮舉嗎？107

2.2極小極大模型110

2.3αβ剪枝算法112

2.4蒙特卡洛樹搜索115

2.5AlphaGo是如何下棋的124

2.6圍棋中的深度強化學習方法132

2.6.1基於策略梯度的強化學習134

2.6.2基於價值評估的強化學習135

2.6.3基於演員評價方法的強化學習137

2.7AlphaGo Zero是如何自學成才的140

2.8總結147

 

第3篇電腦是如何找到最優路徑的149

3.1路徑搜索問題150

3.2寬度優先搜索算法152

3.3迪傑斯特拉算法155

3.4啟發式搜索157

3.4.1A算法157

3.4.2A算法164

3.4.3定義h函數的一般原則165

3.4.4h函數的評價168

3.4.5A算法存在的不足170

3.4.6單調的h函數172

3.4.7改進的A算法175

3.5深度優先搜索算法181

3.6迭代加深式搜索算法185

3.6.1迭代加深式寬度優先搜索算法186

3.6.2迭代加深式A算法188

3.7動態規劃與Viterbi算法189

3.8拼音輸入法問題191

3.9總結197

 

第4篇如何用隨機算法求解組合優化問題200

4.1組合優化問題201

4.2局部搜索算法203

4.3局部搜索算法存在的問題211

4.4退火過程及分析216

4.4.1退火現象216

4.4.2退火過程分析217

4.5模擬退火算法224

4.6模擬退火算法的參數選擇229

4.6.1起始溫度t0的選取230

4.6.2溫度的下降方法232

4.6.3每一溫度下的停止準則234

4.6.4算法的終止原則235

4.7模擬退火算法應用舉例238

4.8遺傳算法243

4.9遺傳算法應用舉例253

4.10遺傳算法的實現問題258

4.10.1編碼問題258

4.10.2二進制編碼的交叉操作規則262

4.10.3整數編碼的交叉操作規則264

4.10.4變異規則268

4.10.5適應函數270

4.10.6遺傳算法的停止準則274

4.11用遺傳算法求解旅行商問題276

4.12性能評價問題277

4.13模擬退火算法與遺傳算法的對比279

4.14總結281

 

第5篇統計機器學習方法是如何實現分類與聚類的283

5.1統計學習方法284

5.2樸素貝葉斯方法289

5.3決策樹297

5.3.1決策樹算法——ID3算法299

5.3.2決策樹算法——C4.5算法313

5.3.3過擬合問題與剪枝320

5.3.4隨機森林算法327

5.4k近鄰方法330

5.5支持向量機333

5.5.1什麽是支持向量機333

5.5.2線性可分支持向量機339

5.5.3線性支持向量機352

5.5.4非線性支持向量機356

5.5.5核函數與核方法359

5.5.6支持向量機用於多分類問題364

5.6k均值聚類算法371

5.7層次聚類算法379

5.8DBSCAN聚類算法381

5.9驗證與測試問題384

5.10特徵抽取問題387

5.11總結392

 

第6篇專家系統是如何實現的395

6.1什麽是專家系統396

6.2推理方法399

6.3一個簡單的專家系統403

6.4非確定性推理409

6.4.1事實的表示410

6.4.2規則的表示410

6.4.3邏輯運算411

6.4.4規則運算413

6.4.5規則合成415

6.4.6置信度方法的理論根據420

6.5黑板模型423

6.6知識的結構化表示425

6.6.1語義網絡425

6.6.2框架429

6.7專家系統工具433

6.8專家系統的應用436

6.9專家系統的局限性437

6.10總結438

 

附錄ABP算法440

A.1求導數的鏈式法則440

A.2符號約定441

A.3對於輸出層的神經元442

A.4對於隱含層的神經元444

A.5BP算法——隨機梯度下降版446

 

附錄B序列最小最優化（SMO）算法448

B.1SMO算法的基本思想448

B.2SMO算法的詳細計算過程454