第1章 绪论 1
1.1 人工智能概述 1
1.1.1 人工 1
1.1.2 智能 1
1.1.3 人工智能 2
1.2 人工智能的发展 3
1.2.1 孕育期(1956年之前) 3
1.2.2 形成期(1956—1969年) 4
1.2.3 知识应用期(1970—1985年) 5
1.2.4 机器学习期(1986—2010年) 6
1.2.5 深度学习期(2011年至今) 7
1.3 人工智能研究的流派 8
1.4 人工智能的研究目标和内容 9
1.4.1 人工智能的研究目标 9
1.4.2 人工智能的研究内容 10
1.5 人工智能的应用领域 11
1.6 小结 18
习题 19
第2章 知识表示方法 20
2.1 知识与知识表示的概念 20
2.1.1 知识的概念 20
2.1.2 知识的类型 20
2.1.3 知识表示的概念和方法 21
2.2 一阶谓词逻辑表示法 22
2.2.1 命题逻辑 22
2.2.2 谓词逻辑 23
2.2.3 谓词公式的相关概念 24
2.2.4 谓词公式的性质 26
2.2.5 一阶谓词逻辑表示示例 28
2.2.6 一阶谓词逻辑表示法的特点 31
2.3 产生式表示法 31
2.3.1 产生式表示的基本方法 32
2.3.2 产生式表示示例 32
2.3.3 产生式表示法的Python程序实现 34
2.3.4 产生式表示法的特点 37
2.4 语义网络表示法 38
2.4.1 语义网络概述 38
2.4.2 事物和概念的表示 41
2.4.3 情况和动作的表示 43
2.4.4 语义网络的基本推理过程 43
2.4.5 语义网络表示法的特点 44
2.5 知识图谱表示法 44
2.5.1 知识图谱的提出 44
2.5.2 知识图谱的定义 44
2.5.3 知识图谱的表示 45
2.5.4 知识图谱的架构 46
2.5.5 知识图谱的构建 47
2.6 小结 48
习题 49
第3章 确定性推理 51
3.1 推理的基本概念 51
3.1.1 推理的定义 51
3.1.2 推理的方式及其分类 51
3.1.3 推理的方向 54
3.1.4 冲突消解策略 57
3.2 自然演绎推理 59
3.3 归结演绎推理 62
3.3.1 子句集的求取 62
3.3.2 归结原理 64
3.3.3 归结反演 67
3.3.4 应用归结原理求解问题 69
3.4 小结 71
习题 72
第4章 不确定性推理 74
4.1 不确定性推理概述 74
4.1.1 不确定性推理的含义 74
4.1.2 不确定性推理的基本问题 75
4.2 可信度推理 77
4.2.1 可信度的概念 77
4.2.2 可信度推理模型 77
4.2.3 可信度推理示例 81
4.3 主观贝叶斯推理 82
4.3.1 主观贝叶斯方法的概率论基础 82
4.3.2 主观贝叶斯方法的推理模型 83
4.3.3 主观贝叶斯推理示例 87
4.4 证据理论 89
4.4.1 证据理论的形式化描述 90
4.4.2 证据理论的推理模型 93
4.4.3 证据推理示例 95
4.5 模糊推理 97
4.5.1 模糊集及其运算 97
4.5.2 模糊关系及其运算 99
4.5.3 模糊知识的表示 101
4.5.4 模糊概念的匹配 103
4.5.5 模糊推理的方法 104
4.5.6 模糊推理在控制领域的应用 108
4.6 概率推理 115
4.6.1 贝叶斯网络的概念及理论 116
4.6.2 贝叶斯网络推理的概念和类型 119
4.6.3 贝叶斯网络的精确推理 120
4.6.4 贝叶斯网络的近似推理 121
4.7 小结 123
习题 123
第5章 搜索问题求解策略 127
5.1 搜索的概念 127
5.2 状态空间表示 128
5.3 盲目搜索 131
5.3.1 回溯搜索 131
5.3.2 广度优先搜索 136
5.3.3 深度优先搜索 138
5.4 启发式搜索 140
5.4.1 启发式策略 141
5.4.2 启发信息和估价函数 141
5.4.3 A搜索算法 143
5.4.4 A*搜索算法 146
5.5 小结 152
习题 153
第6章 智能计算 155
6.1 进化算法 155
6.1.1 进化算法的概念 155
6.1.2 进化算法的生物机理 156
6.1.3 进化算法的设计原则 156
6.2 遗传算法 157
6.2.1 遗传算法的基本思想 157
6.2.2 编码 157
6.2.3 群体设定 159
6.2.4 适应度函数 159
6.2.5 选择、交叉和变异 161
6.2.6 遗传算法的步骤 165
6.2.7 遗传算法的应用 167
6.3 群智能算法 169
6.3.1 蚁群算法 170
6.3.2 应用蚁群算法求解旅行商问题 173
6.4 小结 175
习题 176
第7章 机器学习 177
7.1 机器学习的基本概念 177
7.2 机器学习的三个基本要素 178
7.2.1 模型 179
7.2.2 学习准则 179
7.2.3 优化算法 182
7.3 机器学习的线性模型 185
7.3.1 线性回归 185
7.3.2 Logistic回归 189
7.3.3 Softmax回归 192
7.4 机器学习算法的类型 193
7.5 机器学习中数据的特征表示 195
7.6 机器学习的评价 197
7.7 小结 200
习题 201
第8章 人工神经网络与深度学习 202
8.1 神经网络概述 202
8.1.1 神经网络生物机理 202
8.1.2 人工神经网络 203
8.1.3 神经元 204
8.1.4 神经网络结构 207
8.1.5 深度学习概述 208
8.1.6 神经网络控制 210
8.2 前馈神经网络 215
8.2.1 前馈神经网络模型 215
8.2.2 反向传播算法 216
8.2.3 单神经元自适应控制算法 221
8.3 卷积神经网络 224
8.3.1 卷积 225
8.3.2 用卷积代替全连接 227
8.3.3 卷积层 228
8.3.4 汇聚层 229
8.3.5 参数学习 230
8.4 循环神经网络 235
8.4.1 RNN模型 235
8.4.2 典型的RNN网络 237
8.5 小结 239
习题 240
第9章 多智能体技术 242
9.1 智能体介绍 242
9.1.1 智能体的概念 242
9.1.2 智能体的特性 243
9.1.3 智能体的结构 243
9.2 分布智能 245
9.2.1 分布智能的概念 245
9.2.2 分布式问题求解 246
9.3 多智能体系统 247
9.3.1 多智能体系统概述 247
9.3.2 多智能体通信 247
9.3.3 多智能体合作 252
9.4 移动智能体 259
9.4.1 移动智能体系统的一般结构 259
9.4.2 移动智能体的实现技术及应用 260
9.5 小结 262
习题 263
第10章 视觉感知与识别 264
10.1 图像生成 264
10.1.1 小孔照相机成像 264
10.1.2 透镜系统成像 266
10.2 图像预处理 266
10.2.1 边缘检测 266
10.2.2 纹理分析 268
10.2.3 光流计算 268
10.2.4 图像分割 269
10.3 基于外观的人脸检测 270
10.4 人脸识别 272
10.4.1 人脸数据库 272
10.4.2 基于最近邻方法的人脸识别算法 273
10.4.3 基于主成分分析方法的人脸识别算法 275
10.4.4 基于Logistic回归方法的人脸识别算法 280
10.4.5 人脸识别系统 281
10.5 图像识别 285
10.5.1 TensorFlow深度学习框架 285
10.5.2 基于深度学习的图像识别 285
10.6 小结 290
习题 290
第11章 人机结合 291
11.1 人机结合的研究现状与进展 291
11.1.1 人机交互（HCI） 291
11.1.2 脑机接口 294
11.1.3 人机结合领域的研究成果 298
11.1.4 人机物融合的混合人工智能 299
11.2 人机结合的集大成智慧 301
11.3 旅行商问题分类 302
11.4 旅行商问题求解 303
11.5 Hopfield神经网络求解旅行商问题 305
11.5.1 Hopfield神经网络原理 305
11.5.2 基于Hopfield神经网络的路径优化 307
11.6 人机结合求解中国旅行商问题 313
11.7 小结 319
习题 319
第12章 自然语言处理 320
12.1 语言模型 320
12.1.1 n元字符模型 320
12.1.2 模型评估 321
12.1.3 n元单词模型 322
12.2 文本分类 322
12.3 信息检索 324
12.3.1 IR评分函数 324
12.3.2 IR系统评价 325
12.3.3 PageRank算法 326
12.4 信息抽取 326
12.4.1 基于有限状态自动机的信息抽取 327
12.4.2 信息抽取的概率模型 329
12.4.3 基于条件随机场的信息抽取 330
12.5 短语结构语法 331
12.6 机器翻译 332
12.7 小结 335
习题 336
附录 337
附录1 Python程序设计语言简介 337
附录2 Python语言编程规范 341
参考文献 343