人工智慧基礎及應用/21世紀人工智慧創新與應用叢書
內容大鋼
本書介紹人工智慧的基礎理論、技術及應用。全書共9章，主要內容包括人工智慧概述、知識表示與知識圖譜、搜索策略、機器學習、人工神經網路、典型卷積神經網路、智能圖像處理、機器學習開發框架、機器學習項目剖析。本書強調理論聯繫實際，既深入淺出地介紹了人工智慧領域的基礎知識和實用技術，又詳細介紹了兩個機器學習開發框架：PyTorch和百度公司研發的PaddlePaddle（飛槳），並帶領讀者逐步剖析在飛槳平台上實現的項目案例。案例的代碼清晰，易於理解，讀者可快速提高採用機器學習方法解決實際問題的實踐能力。
本書可作為高等學校本科生學習「人工智慧」基礎課程或通識課程的人門教材，也可供對人工智慧技術感興趣的廣大讀者閱讀。
作者介紹
編者:王方石//李翔宇//楊煜清//飛槳教材編寫組|責編:張玥
目錄
第1章 人工智慧概述
1.1 人工智慧的萌芽與誕生
1.1.1 人工智慧的萌芽
1.1.2 圖靈測試與中文屋實驗
1.1.3 人工智慧的誕生
1.2 人工智慧的定義
1.3 人工智慧發展簡史
1.3.1 人工智慧的黃金期（20世紀50年代中期-60年代中期）
1.3.2 人工智慧的第一個寒冬期（20世紀60年代後期-70年代初）
1.3.3 人工智慧的繁榮期（20世紀70年代中期-80年代後期）
1.3.4 人工智慧的第二個寒冬期（20世紀80年代末-90年代中期）
1.3.5 人工智慧的復甦期（1997年-2011年）
1.3.6 人工智慧的蓬勃發展期（2012年至今）
1.4 人工智慧的研究流派
1.5 人工智慧研究的基本內容
1.6 人工智慧的主要研究領域
1.7 本章小結
習題1
第2章 知識表示與知識圖譜
2.1 知識的基本概念
2.1.1 知識的定義
2.1.2 知識的特性
2.1.3 知識的分類
2.2 知識表示的方法
2.3 產生式規則表示法
2.3.1 產生式」
2.3.2 產生式系統
2.3.3 產生式表示法的特點
2.4 狀態空間表示法
2.5 知識圖譜
2.5.1 知識圖譜的定義
2.5.2 知識圖譜的表示
2.5.3 知識圖譜的發展簡史
2.5.4 典型的知識圖譜
2.5.5 知識圖譜的應用
2.6 本章小結
習題2
第3章 搜索策略
3.1 圖搜索策略
3.2 盲目的圖搜索策略
3.2.1 深度優先搜索
3.2.2 寬度優先搜索
3.3 啟髮式圖搜索策略
3.3.1 A搜索
3.3.2 A*搜索
3.4 局部搜索演算法
3.4.1 爬山法
3.4.2 模擬退火法
3.4.3 遺傳演算法
3.5 本章小結
習題3
第4章 機器學習
4.1 機器學習概述
4.1.1 機器學習的定義
4.1.2 機器學習的基本術語
4.1.3 機器學習的三個視角
4.2 監督學習
4.2.1 監督學習的步驟
4.2.2 監督學習的主要任務
4.2.3 監督學習的典型演算法
4.3 無監督學習
4.3.1 無監督學習的基本原理
4.3.2 無監督學習的主要任務
4.3.3 無監督學習的典型演算法
4.4 弱監督學習
4.4.1 不完全監督學習
4.4.2 不確切監督學習
4.4.3 不準確監督學習
4.5 本章小結
習題4
第5章 人工神經網路
5.1 人工神經網路的發展歷程
5.2 感知機與神經網路
5.2.1 生物神經元結構
5.2.2 神經元數學模型-MP模型
5.2.3 感知機
5.2.4 多層神經網路結構
5.3 BP神經網路及其學習演算法
5.3.1 BP神經網路的結構
5.3.2 BP學習演算法
5.4 卷積神經網路
5.4.1 卷積神經網路的整體結構
5.4.2 卷積運算
5.4.3 激活函數
5.4.4 池化運算
5.5 本章小結
習題5
第6章 典型卷積神經網路
6.1 LeNet
6.1.1 LeNet模型的發展歷程
6.1.2 LeNet-5模型的結構
6.2 AlexNet
6.2.1 AlexNet模型的結構
6.2.2 AlexNet模型的創新性
6.3 VGGNet
6.3.1 VGGNet模型的結構
6.3.2 VGGNet模型的優勢
6.4 GoogLeNet/Inception
6.4.1 GoogLeNet模型的研究思路
6.4.2 GoogLeNet模型結構的總體說明
6.4.3 GoogLeNet模型結構解析
6.4.4 GoogLeNet模型的特點
6.5 ResNet
6.5.1 ResNet模型的研究動機
6.5.2 ResNet模型的結構
6.6 DenseNet
6.7 本章小結
習題6
第7章 智能圖像處理
7.1 數字圖像處理概述
7.1.1 數字圖像處理的基本概念
7.1.2 數字圖像處理的主要任務
7.2 傳統的圖像處理技術
7.2.1 圖像分類
7.2.2 圖像目標檢測
7.2.3 圖像分割
7.3 基於深度學習的圖像處理技術
7.3.1 基於深度學習的圖像分類
7.3.2 基於深度學習的圖像目標檢測
7.3.3 基於深度學習的圖像分割
7.4 本章小結
習題7
第8章 機器學習開發框架
8.1 機器學習開發框架簡介
8.2 機器學習庫——Scikit-learn
8.2.1 Scikit-learn代碼設計
8.2.2 Scikit-learn數據表示及數據集構建
8.2.3 Scikit-learn模型訓練
8.2.4 Scikit-learn模型預測
8.2.5 Scikit-learn模型評估與超參數選擇
8.3 深度學習框架——PyTorch
8.3.1 深度學習框架中的自動求導
8.3.2 PyTorch框架結構
8.3.3 PyTorch中的張量
8.3.4 PyTorch數據集構建
8.3.5 PyTorch模型訓練
8.3.6 PyTorch模型預測與評估
8.3.7 PyTorch模型超參數選擇
8.3.8 PyTorch中的自動求導機制
8.4 深度學習框架——飛槳
8.4.1 飛槳框架概述
8.4.2 飛槳的張量表示
8.4.3 飛槳的自動微分機制
8.4.4 飛槳數據集構建
8.4.5 飛槳的模型開發
8.5 本章小結
習題8
第9章 機器學習項目剖析
9.1 機器學習應用項目的開發流程
9.2 波士頓房價預測——線性回歸模型
9.2.1 數據集構建
9.2.2 模型構建與設置
9.2.3 模型訓練與測試
9.3 鳶尾花分類——SVM模型
9.3.1 數據集構建
9.3.2 模型構建與設置
9.3.3 模型訓練與測試
9.4 手寫體數字識別——多層神經網路模型
9.4.1 數據集構建
&nbs
[