目錄
第1章 人工智能概念與發(fā)展 1
1.1 人工智能概念 1
1.1.1 定義 1
1.1.2 判斷方法 4
1.1.3 模型 6
1.1.4 表示 7
1.1.5 推理 8
1.1.6 學習 10
1.1.7 優(yōu)化 13
1.1.8 深度學習 14
1.2 人工智能的發(fā)展簡史 15
1.2.1 人工智能的提出 16
1.2.2 推理與證明 16
1.2.3 危機 17
1.2.4 專家系統(tǒng) 17
1.2.5 重生 18
1.3 人工智能學派 19
1.3.1 符號主義 19
1.3.2 連接主義 20
1.3.3 行為主義 20
1.3.4 另一種分類 21
1.4 小結 22
習題 23
第2章 知識表示 24
2.1 基本概念 24
2.1.1 數(shù)據(jù) 24
2.1.2 信息 24
2.1.3 知識 25
2.1.4 人工智能中的知識表示 26
2.2 狀態(tài)空間圖 28
2.3 問題歸約 30
2.4 謂詞邏輯 32
2.4.1 命題 32
2.4.2 謂詞邏輯表示 33
2.5 語義網(wǎng)絡 37
2.5.1 語義基元 38
2.5.2 常見的語義聯(lián)系 38
2.6 不確定知識表示 40
2.7 其他表示方法 41
2.7.1 規(guī)則表示 41
2.7.2 框架表示 42
2.7.3 腳本表示 43
2.7.4 面向對象表示 44
2.7.5 智能體Agent 45
2.8 小結 46
習題 46
第3章 確定性與不確定性推理 48
3.1 圖搜索策略 48
3.1.1 盲目搜索 48
3.1.2 啟發(fā)式搜索 55
3.2 命題邏輯推理 58
3.2.1 完全歸納法 59
3.2.2 反演法 59
3.3 語義網(wǎng)絡推理 61
3.4 產(chǎn)生式系統(tǒng) 62
3.5 不確定性推理 65
3.5.1 事件概率 65
3.5.2 貝葉斯推理 67
3.6 小結 69
習題 69
第4章 神經(jīng)網(wǎng)絡 71
4.1 計算智能 71
4.2 人工神經(jīng)網(wǎng)絡相關概念 72
4.2.1 并行分布處理 73
4.2.2 非線性映射 73
4.2.3 訓練學習 74
4.3 人工神經(jīng)元結構與激活函數(shù) 74
4.3.1 生物神經(jīng)元結構 74
4.3.2 人工神經(jīng)元結構 75
4.3.3 神經(jīng)元中的激發(fā)函數(shù) 75
4.4 人工神經(jīng)網(wǎng)絡結構 76
4.4.1 人工神經(jīng)網(wǎng)絡的一般結構 76
4.4.2 對比生物神經(jīng)網(wǎng)絡 78
4.5 前饋網(wǎng)絡與反饋網(wǎng)絡 78
4.5.1 前饋神經(jīng)網(wǎng)絡 78
4.5.2 反饋神經(jīng)網(wǎng)絡 79
4.6 表示與推理 82
4.6.1 基于神經(jīng)網(wǎng)絡的知識表示與推理 82
4.6.2 與邏輯 83
4.6.3 異或邏輯 84
4.6.4 基于神經(jīng)網(wǎng)絡的推理 85
4.6.5 神經(jīng)網(wǎng)絡的泛化能力 85
4.7 應用領域 86
4.8 小結 87
習題 87
第5章 進化算法 89
5.1 發(fā)展背景 89
5.2 進化策略 90
5.3 進化規(guī)劃 91
5.4 遺傳算法 92
5.4.1 染色體編碼與解碼 94
5.4.2 初始種群 96
5.4.3 適應度函數(shù) 96
5.4.4 遺傳操作 97
5.5 小結 104
習題 105
第6章 群體智能 106
6.1 發(fā)展背景 106
6.2 社會系統(tǒng) 107
6.3 粒子群算法 108
6.3.1 基本思路 108
6.3.2 算法描述 108
6.3.3 慣性因子討論 109
6.3.4 標準PSO算法 110
6.4 蟻群算法 116
6.4.1 基本原理 116
6.4.2 蟻群TSP系統(tǒng)模型 117
6.4.3 函數(shù)優(yōu)化 120
6.5 小結 122
習題 123
第7章 機器學習基礎 125
7.1 機器學習的定義和發(fā)展歷史 125
7.1.1 機器學習定義 125
7.1.2 發(fā)展歷程 126
7.1.3 相關概念 127
7.1.4 過程模型 128
7.1.5 常用機器學習模型 129
7.2 歸納與回歸 130
7.2.1 數(shù)據(jù)歸納處理 130
7.2.2 回歸 131
7.2.3 過擬合與欠擬合 134
7.3 分類分析 136
7.3.1 決策樹 136
7.3.2 樸素貝葉斯模型 140
7.3.3 支持向量機 142
7.3.4 k近鄰 146
7.3.5 集成學習 150
7.4 聚類分析 153
7.4.1 k-means算法 154
7.4.2 基于密度的聚類方法DBSCAN 156
7.4.3 層次聚類法 158
7.5 小結 161
習題 161
第8章 模型度量 163
8.1 偏差與方差 163
8.1.1 偏差 163
8.1.2 方差與標準差 164
8.1.3 偏差-方差平衡 166
8.1.4 均方誤差 167
8.2 準確率和錯誤率 167
8.3 精確率、召回率、F1分數(shù) 168
8.4 ROC曲線 171
8.4.1 ROC曲線定義 171
8.4.2 ROC曲線繪制 172
8.5 AUC值 174
8.6 交叉驗證 175
8.7 小結 176
習題 176
第9章 異常檢測 177
9.1 統(tǒng)計方法 177
9.1.1 3??方法 177
9.1.2 箱線圖 179
9.2 密度方法 181
9.2.1 LOF 181
9.2.2 DBSCAN 185
9.3 基于距離的方法 186
9.3.1 孤立森林 186
9.3.2 k-NN 189
9.4 本章小結 190
習題 191
第10章 梯度下降 193
10.1 擬合 193
10.2 梯度下降法的基本原理 194
10.2.1 公式變換 194
10.2.2 方向導數(shù)與梯度 195
10.2.3 梯度表示與計算 196
10.2.4 算法描述 196
10.2.5 隨機梯度下降法 201
10.3 模型函數(shù) 202
10.3.1 假設函數(shù) 202
10.3.2 損失函數(shù) 202
10.3.3 代價函數(shù)與目標函數(shù) 210
10.4 本章小結 212
習題 212
第11章 邏輯回歸 214
11.1 邏輯分布 214
11.2 決策邊界 215
11.3 線性模型與非線性模型 216
11.4 邏輯回歸算法 218
11.4.1 邏輯回歸模型的假設函數(shù) 218
11.4.2 邏輯回歸的代價函數(shù)與目標函數(shù) 221
11.4.3 計算參數(shù)w、b：梯度下降 222
11.5 Softmax回歸 223
11.5.1 多分類問題 223
11.5.2 Softmax回歸模型 224
11.6 判別模型與生成模型 226
11.6.1 判別模型 227
11.6.2 生成模型 227
11.7 本章小結 228
習題 228
第12章 BP神經(jīng)網(wǎng)絡 230
12.1 復合函數(shù)梯度計算 230
12.2 邏輯回歸函數(shù)梯度計算 232
12.2.1 單樣本情況的梯度計算 232
12.2.2 多樣本情況的梯度計算 233
12.3 BP神經(jīng)網(wǎng)絡的基本原理 234
12.3.1 BP神經(jīng)網(wǎng)絡的假設函數(shù) 234
12.3.2 BP神經(jīng)網(wǎng)絡的代價函數(shù) 235
12.3.3 前向傳播 236
12.3.4 反向傳播 236
12.4 應用BP神經(jīng)網(wǎng)絡的步驟 247
12.5 本章小結 247
習題 248
第13章 深度學習 249
13.1 發(fā)展背景 249
13.2 神經(jīng)網(wǎng)絡的興起 250
13.2.1 大數(shù)據(jù)的支撐 250
13.2.2 全連接網(wǎng)絡的缺陷 251
13.3 卷積神經(jīng)網(wǎng)絡結構 252
13.3.1 輸入層 253
13.3.2 卷積層 254
13.3.3 非線性層 262
13.3.4 池化層 265
13.3.5 全連接層 267
13.3.6 輸出層 269
13.4 網(wǎng)絡訓練 270
13.4.1 訓練方法 270
13.4.2 預訓練與微調 271
13.5 小結 272
習題 272
第14章 自然語言處理 274
14.1 發(fā)展背景 274
14.2 語言模型 275
14.2.1 基礎模型 275
14.2.2 n-gram模型 276
14.3 詞向量 278
14.3.1 離散式表示 279
14.3.2 分布式表示 283
14.4 神經(jīng)網(wǎng)絡語言模型 291
14.5 預訓練模型 294
14.6 小結 294
習題 295
參考文獻 296