人工智能

尚文倩，博士（後），教授，博導/碩導，現任中國傳媒大學計算機學院副院長，計算機科學與技術系系主任。多年來一直從事人工智能、自然語言處理、機器學習等領域的教學與科研工作。發表SCI/EI檢索學術論文60餘篇，論文單篇z高他引率300餘次。曾主持或參與國防科工委重大項目、國家自然科學基金、國家科技支撐計劃、國家重點研發計劃、國家博士後基金、省基金、校基金等多個項目。曾榮獲China DRM中國數字版權管理論壇突出貢獻個人獎，IEEE/ACIS ICIS2019國際會議突出貢獻個人獎等獎項。

隨書資源
目錄
第1章緒論
1.1人工智能的定義
1.2人工智能的發展歷史
1.2.1孕育階段
1.2.2形成階段
1.2.3發展階段
1.3人工智能的三大學派
1.3.1符號主義
1.3.2連接主義
1.3.3行為主義
1.4人工智能研究內容與應用領域
1.4.1問題求解
1.4.2專家系統
1.4.3機器學習
1.4.4神經網絡
1.4.5模式識別
1.4.6數據挖掘和知識發現
1.4.7電腦視覺
1.4.8智能控制
1.4.9計算智能
1.4.10其他
1.5人工智能的發展趨勢
1.5.1多學科交叉研究
1.5.2智能應用和智能產業
1.6習題

第2章知識表示
2.1概述
2.1.1知識及知識的分類
2.1.2知識表示方法
2.2謂詞邏輯表示法
2.2.1基本概念
2.2.2謂詞邏輯表示法
2.2.3謂詞邏輯表示法的經典應用
2.2.4謂詞邏輯表示法的特點
2.3產生式表示法
2.3.1概述
2.3.2產生式系統
2.3.3產生式表示法應用舉例
2.3.4產生式系統的推理方式
2.3.5產生式系統的特點
2.4框架表示法
2.4.1框架基本結構
2.4.2基於框架的推理
2.4.3框架表示法的特點
2.5語義網絡表示法
2.5.1語義網絡基本概念
2.5.2語義網絡中常用的語義聯繫
2.5.3語義網絡表示知識的方法
2.5.4語義網絡的推理過程
2.5.5語義網絡表示的特點
2.6知識圖譜表示法
2.6.1知識圖譜基本概念
2.6.2知識圖譜常用的表示方法
2.6.3知識圖譜的構建方法
2.6.4知識圖譜表示法的特點
2．7實踐： 構建領域知識圖譜
2．7．1選定構建領域
2．7．2知識抽取
2．7．3對知識圖譜進行描述
2．7．4使用protégé工具搭建領域知識圖譜
2．7．5思考與練習
2.8習題

第3章搜索策略
3.1搜索的基本概念
3.1.1搜索的含義
3.1.2狀態空間法
3.1.3問題歸約法
3.2狀態空間搜索
3.2.1盲目搜索
3.2.2狀態空間的啟發式搜索
3.3博弈樹的啟發式搜索
3.3.1概述
3.3.2極大極小過程
3.3.3αβ剪枝
3.4實踐： A*算法實現最優路徑規劃
3.4.1A*算法基本原理
3.4.2A*算法搜索步驟
3.4.3使用Python實現上述流程
3.4.4最優路徑規劃
3.5習題

第4章確定性推理
4.1推理的基本概念
4.1.1什麽是推理
4.1.2推理方法及其分類
4.1.3推理的控制策略及其分類
4.1.4正向推理
4.1.5逆向推理
4.1.6混合推理
4.2推理的邏輯基礎
4.2.1謂詞公式的解釋
4.2.2謂詞公式的永真性與可滿足性
4.2.3謂詞公式的等價性與永真蘊含性
4.2.4謂詞公式的範式
4.2.5置換與合一
4.3自然演繹推理
4.4歸結演繹推理
4.4.1子句集及其簡化
4.4.2魯濱遜歸結原理
4.4.3歸結演繹推理的歸結策略
4.4.4用歸結反演求取問題的解
4.5基於規則的演繹推理
4.5.1規則正向演繹推理
4.5.2規則逆向演繹推理
4.6實踐： 基於規則產生式的推理
4.6.1建立推理規則庫
4.6.2輸入事實進行推理
4.6.3推理結果
4.6.4思考與練習
4.7習題

第5章不確定性推理
5.1概述
5.1.1為什麽要採用不確定性推理
5.1.2不確定性推理要解決的問題
5.1.3不確定性推理類型
5.2概率基礎
5.3主觀貝葉斯方法
5.3.1不確定性的表示
5.3.2組合證據不確定性的計算
5.3.3不確定性的傳遞算法
5.3.4結論不確定性的合成
5.4可信度方法
5.4.1不確定性的表示
5.4.2組合證據不確定性的計算
5.4.3不確定性的傳遞算法
5.4.4結論不確定性的合成
5.5證據理論
5.5.1理論基礎
5.5.2不確定性表示
5.5.3組合證據不確定性的計算
5.5.4不確定性的更新
5.6模糊知識與模糊推理
5.6.1模糊知識的表示
5.6.2模糊概念的匹配
5.6.3模糊推理
5.7實踐： 基於TS模型的模糊推理
5.7.1TS模型的模糊推理過程
5.7.2TS模型的模糊推理實驗
5.7.4思考與練習
5.8習題

第6章機器學習
6.1概述
6.1.1機器學習的基本概念
6.1.2機器學習的發展歷史
6.1.3學習系統的基本模型
6.1.4學習策略
6.2記憶學習
6.3歸納學習
6.3.1示例學習
6.3.2觀察與發現學習
6.4決策樹學習
6.5類比學習
6.5.1類比學習的基本過程
6.5.2屬性類比學習
6.5.3轉換類比學習
6.5.4派生類比學習
6.5.5聯想類比學習
6.6解釋學習
6.7神經學習
6.7.1感知器學習
6.7.2反向傳播網絡學習
6.7.3Hopfield網絡學習
6.8貝葉斯學習
6.8.1貝葉斯定理
 6.8.2樸素貝葉斯分類算
6.9在線機器學習
6.9.1截斷梯度法
6.9.2前向後向切分算法
6.9.3正則對偶平均算法
6.9.4FTRL
6.10增強學習
6.10.1增強學習的定義
6.10.2增強學習的特點
6.10.3數學原理
6.10.4增強學習的策略
6.10.5用神經網絡對狀態進行估算
6.10.6算法流程
6.11遷移學習
6.11.1為什麽需要遷移學習
6.11.2遷移學習的定義
6.11.3負遷移
6.11.4遷移學習的分類
6.11.5遷移學習的方法
6.11.6數據分佈自適應
6.11.7特徵選擇
6.11.8子空間學習
6.11.9遷移學習前沿與應用
6.12實踐: VGG16遷移學習
6.12.1VGG16結構
6.12.2遷移學習過程
6.12.3遷移學習結果
6.12.4思考與練習
6.13習題

第7章數據挖掘
7.1數據挖掘概述
7.1.1數據挖掘概念與發展
7.1.2數據挖掘的任務
7.1.3數據挖掘的應用
7.1.4數據挖掘過程與方法
7.2分類
7.2.1決策樹分類法
7.2.2基於規則的分類器
7.2.3樸素貝葉斯分類器
7.2.4基於距離的分類算法
7.3聚類
7.3.1概念
7.3.2聚類分析的基本方法
7.4關聯規則
7.4.1基本概念
7.4.2關聯規則挖掘算法
7.4.3關聯規則生成
7.5實踐： KMeans聚類
7.5.1KMeans基本原理
7.5.2KMeans聚類實現
7.5.3思考與練習
7.6習題

第8章大數據
8.1大數據概述
8.1.1大數據概念
8.1.2特徵
8.1.3發展歷程
8.1.4應用
8.2數據獲取
8.2.1網絡爬蟲
8.2.2RSS
8.3數據挖掘
8.3.1概述
8.3.2數據挖掘工具
8.3.3現狀與未來
8.4數據分析
8.4.1概述
8.4.2數據分析流程
8.4.3數據分析方法
8.4.4數據分析工具
8.5Hadoop
8.5.1簡介
8.5.2分佈式離線計算框架MapReduce
8.5.3Hadoop分佈式文件系統
8.5.4HBase大數據庫
8.6數據可視化
8.7實踐： 網絡爬蟲及數據可視化
8.7.1網絡爬蟲基本原理及工具介紹
8.7.2網絡爬蟲及可視化實現
8.7.3網絡爬蟲及可視化結果
8.7.4思考與練習
8.8習題

第9章深度學習
9.1深度學習應用背景與概述
9.1.1應用背景
9.1.2概述
9.1.3人腦視覺機理
9.2特徵的概念
9.2.1特徵表示的粒度
9.2.2初級（淺層）特徵表示
9.2.3結構性特徵表示
9.2.4特徵數量
9.3深度學習基本思想
9.4淺層學習和深度學習
9.4.1淺層學習
9.4.2深度學習
9.5深度學習常用模型和方法
9.5.1自動編碼器
9.5.2稀疏編碼
9.5.3深度信念網絡
9.5.4捲積神經網絡
9.5.5循環神經網絡
9.5.6圖神經網絡
9.5.7生成對抗網絡
9.6深度學習展望
9.7 CNN手寫數字識別
9.7.1CNN手寫數字識別結構
9.7.2CNN手寫數字識別實現
9.7.3CNN手寫識別結果
9.7.4思考與練習
9.8習題

附錄A構建領域知識圖譜
附錄BA*算法實現最優路徑規劃
附錄C基於規則產生式的推理
附錄D基於TS模型的模糊推理
附錄EVGG16遷移學習
附錄FKMeans聚類
附錄G網絡爬蟲及數據可視化
附錄HCNN手寫數字識別
參考文獻