本书主要向读者介绍当代人工智能技术的入门知识,特别是以深度学习为代表的机器学习方法。内容包括人工智能的概念、分类和原理,阐述了人工智能的三大流派等。着重介绍了人工智能的相关技术和算法,包括机器学习、深度学习、强化学习、自然语言处理、机器视觉、机器人等。本书从基本原理概念、基础算法、基本理论应用三个方面对每章内容进行详细介绍,方便读者对内容知识的理解,有较强的知识性和趣味性。
本书可作为高等院校大数据专业和人工智能专业的核心基础课程教材,也可以作为计算机相关专业的专业课或选修课教材,同时也可以作为从事人工智能与大数据技术相关工作的人员的参考用书。
本书由东方国信的图灵引擎平台提供在线实验环境,地址为https://www. turingtopia.com/aibook/1,书中相应章节的AI实验案例可通过该平台实现。
目录
出版说明
前言
第1章 人工智能概述1
1.1 人工智能的起源与定义1
1.1.1 人工智能的起源1
1.1.2 人工智能的定义4
1.1.3 人工智能的分类及特征4
1.2 人工智能的流派6
1.2.1 符号主义7
1.2.2 连接主义8
1.2.3 行为主义9
1.3 人工智能的技术构成9
1.3.1 基础设施10
1.3.2 基础技术10
1.3.3 AI要素10
1.3.4 AI技术10
1.3.5 AI应用11
1.4 人工智能的进展与发展趋势11
1.4.1 知识表示11
1.4.2 知识获取12
1.4.3 知识应用16
1.5 人工智能的应用领域19
1.5.1 AI在农业方面的应用19
1.5.2 AI在工业方面的应用20
1.5.3 AI在商业方面的应用21
1.5.4 AI在医疗方面的应用21
1.5.5 AI在教育方面的应用22
1.6 本章习题24
第2章 人工智能与大数据、云计算25
2.1 大数据—AI发展的能量源25
2.1.1 大数据简介25
2.1.2 大数据的特征26
2.1.3 大数据技术生态圈27
2.2 云计算—AI发展的发动机28
2.2.1 云计算简介28
2.2.2 云计算的基础架构29
2.2.3 云计算的特点30
2.3 人工智能、大数据与云计算的
关系31
2.3.1 大数据与云计算的关系31
2.3.2 人工智能=云计算+大数据32
2.4 本章习题33
第3章 人工智能的技术基础34
3.1 知识表示和图谱34
3.1.1 知识与知识表示的概念34
3.1.2 知识表示方法35
3.1.3 知识图谱的概念37
3.1.4 本体知识表示、万维网知识表示38
3.2 知识图谱的现状及发展40
3.3 自动推理44
3.4 专家系统45
3.4.1 专家系统的概念及特点45
3.4.2 专家系统的结构及类型45
3.4.3 专家系统工具与环境46
3.5 群智能算法46
3.5.1 群智能算法的发展历程46
3.5.2 遗传算法48
3.5.3 粒子群算法49
3.5.4 蚁群算法50
3.6 搜索技术51
3.6.1 搜索的概念51
3.6.2 搜索算法52
3.7 本章习题54
第4章 知识发现与数据挖掘55
4.1 知识发现概述55
4.1.1 知识发现的对象56
4.1.2 知识发现的任务57
4.1.3 知识发现方法57
4.1.4 知识发现的应用领域59
4.2 数据挖掘概述59
4.2.1 数据挖掘技术的产生及定义60
4.2.2 数据挖掘的功能60
4.2.3 常用的数据挖掘方法61
4.3 大数据处理概述65
4.3.1 分布式数据基础设施平台Hadoop
及其生态系统66
4.3.2 分布式计算框架Spark及其生态
系统70
4.3.3 低延迟流式处理大数据框架—
Storm77
4.3.4 大数据挖掘与分析80
4.4 数据挖掘应用实践82
4.4.1 学生考试成绩预测82
4.4.2 基于用户手机使用行为进行风险
识别85
4.5 本章习题88
第5章 机器学习89
5.1 机器学习简介89
5.1.1 机器学习的发展历程89
5.1.2 机器学习的概念及地位90
5.1.3 机器学习的范畴92
5.2 机器学习的分类93
5.2.1 监督学习93
5.2.2 无监督学习94
5.2.3 弱监督学习94
5.3 经典的机器学习算法97
5.3.1 分类算法98
5.3.2 k均值聚类算法104
5.3.3 Apriori关联规则算法106
5.3.4 迁移学习108
5.4 机器学习应用实践112
5.4.1 使用决策树模型进行列车空调
故障预测112
5.4.2 采用多种算法实现校园用户
识别115
5.5 本章习题120
第6章 深度学习121
6.1 深度学习简介121
6.1.1 什么是深度学习121
6.1.2 深度学习的前世今生123
6.1.3 深度学习开发框架125
6.2 卷积神经网络129
6.2.1 卷积神经网络的提出129
6.2.2 卷积神经网络结构130
6.2.3 经典卷积模型132
6.3 循环神经网络137
6.3.1 RNN基本原理137
6.3.2 RNN的基本结构138
6.3.3 RNN的高级形式139
6.3.4 RNN的训练142
6.4 深度学习应用实践144
6.4.1 用GoogLeNet训练识别花卉144
6.4.2 图像着色148
6.4.3 风格迁移148
6.4.4 图片识别149
6.5 本章习题149
第7章 强化学习150
7.1 强化学习简介150
7.1.1 什么是强化学习150
7.1.2 强化学习的应用152
7.2 基于值函数的强化学习方法153
7.2.1 蒙特卡罗法154
7.2.2 时间差分法155
7.2.3 值函数逼近法156
7.3 基于直接策略搜索的强化学习
方法157
7.3.1 策略梯度法158
7.3.2 置信域策略优化法160
7.3.3 确定性策略梯度法160
7.4 DQN算法模型161
7.5 强化学习前沿研究162
7.5.1 逆向强化学习162
7.5.2 深度强化学习163
7.5.3 分层强化学习164
7.5.4 价值迭代网络164
7.5.5 AlphaGo的原理165
7.6 强化学习应用实践167
7.7 本章习题169
第8章 自然语言处理170
8.1 自然语言处理概述170
8.1.1 自然语言处理的概念170
8.1.2 自然语言处理的层次171
8.1.3 NLP的判别标准172
8.2 自然语言处理的发展与应用173
8.2.1 自然语言处理的发展历程173
8.2.2 自然语言处理的应用175
8.3 自然语言处理技术分类178
8.3.1 NLP基础技术178
8.3.2 NLP应用技术180
8.4 语音处理182
8.4.1 语音处理概述183
8.4.2 语音处理发展状况183
8.4.3 语音处理的主要分支184
8.4.4 语音处理的其他分支184
8.5 自然语言处理应用实践185
8.6 本章习题187
第9章 机器视觉188
9.1 图像表达与性质188
9.1.1 图像表达的若干概念188
9.1.2 图像数字化189
9.1.3 数字图像性质190
9.1.4 彩色图像191
9.2 图像预处理193
9.2.1 图像相关的数学及物理知识193
9.2.2 图像分析的数据结构195
9.2.3 像素亮度变换197
9.2.4 几何变换197
9.2.5 局部预处理197
9.2.6 图像复原198
9.2.7 图像分割198
9.3 形状表示与物体识别200
9.3.1 区域标识201
9.3.2 基于轮廓的形状表示与描述201
9.3.3 基于区域的形状表示与描述202
9.3.4 识别中的优化技术203
9.3.5 模糊系统205
9.3.6 随机森林206
9.4 图像理解207
9.4.1 图像理解控制策略208
9.4.2 尺度不变特征转换208
9.4.3 点分布模型与活动表观模型210
9.4.4 图像理解中的模式识别方法210
9.4.5 语义图像分割和理解212
9.5 3D图像214
9.5.1 3D视觉的概念214
9.5.2 射影几何学基础215
9.5.3 单透视摄像机216
9.5.4 从多视图重建场景216
9.5.5 双摄像机和立体感知217
9.5.6 三摄像机和三视张量218
9.5.7 3D视觉的应用218
9.6 机器视觉的应用及面临的
问题219
9.7 机器视觉应用实践220
9.8 本章习题222
第10章 机器人223
10.1 机器人简介223
10.1.1 机器人的发展历史223
10.1.2 机器人的分类227
10.1.3 机器人的特点229
10.1.4 机器人的研究领域及相关
技术229
10.2 机器人系统232
10.2.1 机器人系统的组成232
10.2.2 机器人操作系统(ROS)233
10.2.3 机器人的工作空间234
10.2.4 机器人的性能指标235
10.3 机器人的编程模式与编程
语言236
10.3.1 机器人编程语言236
10.3.2 机器人的编程模式238
10.4 机器人的应用与展望239
10.4.1 机器人应用239
10.4.2 机器人的发展展望244
10.5 本章习题246
附录 东方国信图灵引擎平台使用
说明247
参考文献251