人工智能算法原理及應用實例

蔣海峰，工學博士，現就職於南京理工大學自動化學院，副教授，碩士研究生導師，長期致力於人工智能算法、智能信息處理技術、智能傳感與檢測等方向的教學與科研工作

目錄

 

1緒論

1.1人工智能

1.1.1智能的概念

1.1.2人工智能

1.2人工智能的發展歷程

1.2.1推理期

1.2.2知識期

1.2.3學習期

1.3人工智能的研究方法

1.3.1符號主義

1.3.2聯結主義

1.3.3行為主義

1.4人工智能算法

1.4.1神經網絡及深度學習

1.4.2強化學習

1.4.3群智能算法

1.4.4搜索算法

1.4.5不確定性推理

1.4.6監督學習

1.4.7無監督學習

1.4.8半監督學習

1.5人工智能的研究領域

1.5.1專家系統

1.5.2機器學習

1.5.3模式識別

1.5.4自然語言處理

1.5.5自動定理證明

1.5.6自動程序設計

1.5.7機器人學

1.5.8博弈

1.5.9智能決策支持系統

習題

2神經網絡

2.1神經元模型

2.2激活函數

2.2.1Sigmoid型函數

2.2.2ReLU函數

2.2.3Swish函數

2.2.4GELU函數

2.2.5Maxout單元

2.3網絡結構

2.3.1前饋網絡

2.3.2反饋網絡

2.3.3圖網絡

2.4前饋神經網絡

2.4.1非線性擬合與參數學習

2.4.2反向傳播算法

2.4.3反向傳播算法仿真實例

2.5卷積神經網絡

2.5.1卷積神經網絡層級結構

2.5.2卷積層

2.5.3池化層

2.5.4全連接層

2.5.5CNN經典網絡

2.6循環神經網絡

2.6.1具有記憶功能的網絡

2.6.2簡單循環網絡

2.6.3應用模式

2.6.4循環神經網絡參數學習

2.6.5基於門控的循環神經網絡

2.6.6擴展到圖結構

2.7卷積神經網絡手寫數字識別實例

2.7.1實驗數據集

2.7.2實驗代碼

2.7.3實驗結果

習題

3深度學習

3.1深度學習基礎知識

3.1.1基本概念

3.1.2機器學習基本要素

3.1.3風險最小化準則

3.1.4優化算法

3.1.5評價指標

3.2深度學習常見模型

3.2.1受限玻爾茲曼機

3.2.2深度信念網絡

3.2.3自編碼器

3.3YOLO系列算法

3.3.1概述

3.3.2YOLOv1的基本思想

3.3.3YOLO後續版本及改進 

3.4基於YOLOv7絕緣子故障識別實例

3.4.1絕緣子故障數據集

3.4.2實驗環境設置

習題

4強化學習

4.1強化學習概述

4.1.1強化學習模型

4.1.2馬爾可夫決策過程

4.1.3強化學習目標函數

4.1.4值函數

4.2基於值函數的學習方法

4.2.1優化思路

4.2.2動態規劃算法

4.2.3蒙特卡羅強化學習方法

4.2.4時序差分學習算法

4.3基於策略的學習方法

4.3.1策略梯度

4.3.2REINFORCE算法

4.3.3帶基準線的REINFORCE算法

4.3.4演員評論員算法

習題

5群智能算法

5.1群智能算法概述

5.2遺傳算法（廣義上的群智能算法）

5.2.1遺傳算法概述

5.2.2遺傳算法理論

5.2.3遺傳算法分析

5.2.4遺傳算法仿真實例

5.3粒子群優化算法

5.3.1粒子群優化算法概述

5.3.2粒子群優化算法理論

5.3.3粒子群優化算法分析

5.3.4粒子群優化算法仿真實例

5.4蟻群優化算法

5.4.1蟻群優化算法概述

5.4.2蟻群優化算法理論

5.4.3蟻群優化算法分析

5.4.4蟻群優化算法仿真實例

習題

6搜索算法

6.1搜索算法概述

6.1.1搜索算法的分類

6.1.2經典搜索問題的狀態空間表示

6.1.3經典搜索算法基本流程

6.2無信息搜索算法

6.2.1廣度優先搜索

6.2.2一致代價搜索

6.2.3深度優先搜索

6.3有信息搜索算法

6.3.1有信息搜索算法概述

6.3.2貪婪最佳優先搜索算法

6.3.3A算法和A-Star算法

6.3.4A-Star算法仿真實例

6.4禁忌搜索算法

6.4.1禁忌搜索算法概述

6.4.2禁忌搜索算法理論

6.4.3禁忌搜索算法分析

6.4.4禁忌搜索算法仿真實例

6.5模擬退火算法

6.5.1模擬退火算法概述

6.5.2模擬退火算法理論

6.5.3模擬退火算法分析

6.5.4模擬退火算法仿真實例

習題

7不確定性推理

7.1不確定性推理概述

7.1.1不確定性推理的含義

7.1.2不確定性推理的基本問題

7.2概率方法

7.2.1概率論基礎

7.2.2經典概率方法

7.2.3逆概率方法

7.3主觀貝葉斯方法

7.3.1知識的不確定性表示

7.3.2證據的不確定性表示

7.3.3組合證據不確定性的計算

7.3.4不確定性的傳遞算法

7.3.5結論不確定性的合成

7.4可信度方法

7.4.1知識的不確定性表示

7.4.2證據的不確定性表示

7.4.3組合證據不確定性的計算

7.4.4不確定性的傳遞算法

7.4.5結論不確定性的合成

7.5證據理論

7.5.1證據理論的形式描述

7.5.2特殊概率分配函數與類概率函數

7.5.3證據理論的不確定性推理模型

7.5.4證據理論推理實例

7.5.5證據理論仿真實例

7.6模糊推理

7.6.1模糊集合

7.6.2模糊關系

7.6.3模糊邏輯推理

7.6.4模糊推理算法仿真實例

習題

8監督學習

8.1監督學習概述

8.1.1監督學習的定義

8.1.2監督學習的基本概念

8.1.3機器學習的三要素

8.1.4模型評估策略

8.1.5監督學習的任務

8.2k近鄰法

8.2.1k近鄰法原理

8.2.2k近鄰模型

8.2.3kd樹

8.3樸素貝葉斯法

8.3.1貝葉斯決策理論

8.3.2樸素貝葉斯分類器

8.3.3樸素貝葉斯分類器參數估計

8.3.4樸素貝葉斯參數估計的修正

8.4決策樹

8.4.1決策樹的構建

8.4.2決策樹的特征選擇

8.4.3決策樹的剪枝

8.4.4決策樹生成算法

8.4.5決策樹算法仿真實例

8.5線性回歸與邏輯斯蒂回歸

8.5.1線性回歸

8.5.2多元線性回歸算法實例

8.5.3邏輯斯蒂回歸

8.5.4邏輯斯蒂回歸算法仿真實例

習題

9無監督學習和半監督學習

9.1無監督學習概述

9.1.1無監督學習的定義

9.1.2無監督學習基本問題

9.1.3無監督學習的使用場景

9.1.4無監督學習的三要素

9.2聚類算法

9.2.1基本概念

9.2.2k均值聚類

9.3降維算法

9.3.1主成分分析

9.3.2奇異值分解

9.4半監督學習

9.4.1半監督學習概述

9.4.2生成式方法

9.4.3半監督支持向量機

9.4.4半監督聚類

習題

參考文獻