本书系统地论述了经典人工智能的基础理论及人工智能主要研究领域的基础知识与应用。全书共u章。前5章介绍经典人工智能的基础理论，包括人工智能的发展历史、状态空间表示及其搜索技术、问题归约表示及其搜索技术、确定性推理以及不确定推理；接下来的5章介绍人工智能主要研究领域的基础知识与应用，包括遗传算法、群智能算法、人工神经网络、机器学习基础、模式识别；最后一章介绍了最具代表性的人工智能技术，并分析了未来人工智能的发展趋势及其面临的挑战。每章都附有本章内容框图、习题和参考文献。
本书可作为高等院校智能科学与技术、计算机科学、电子科学与技术、信息科学、控制科学与工程、模式识别与人工智能等专业的低年级本科生或专科生的教材，也可作为人文社科类各专业本科生的通识课程教材，还可供对人工智能技术及其应用感兴趣的工程技术人员参考。
第1章 概论
1.1 人工智能的定义
1.1.1 生物智能与人类智能
1.1.2 人工智能
1.2 人工智能的发展史和研究现状
1.2.1 萌芽期（1956年以前）
1.2.2 形成期（1956-1970年）
1.2.3 黯淡期（1966-1974年）
1.2.4 繁荣期（1970-1988年）
1.2.5 集成发展期（1986-2005年）
1.2.6 发展新时代（2006年至今）
1.2.7 人工智能的研究现状
1.3 人工智能三大学派
1.3.1 图灵测试
1.3.2 符号主义
1.3.3 连接主义
1.3.4 行为主义
1.3.5 三大学派的争论
1.4 人工智能的应用领域
1.4.1 计算机视觉
1.4.2 自然语言处理
1.4.3 认知与推理
1.4.4 机器人学
1.4.5 博弈与伦理
1.4.6 机器学习
本章小结
习题1
参考文献
第2章 状态空间知识表示及其搜索技术
2.1 经典问题
2.2 状态空间表示法
2.2.1 状态空间的基本构成
2.2.2 状态空间的问题表示
2.3 状态空间搜索的一般过程
2.3.1 搜索的一般概念
2.3.2 状态空间图搜索
2.4 盲目式搜索
2.4.1 宽度优先搜索
2.4.2 深度优先搜索
2.4.3 有界深度优先搜索
2.4.4 等代价搜索
2.5 启发式搜索
2.5.1 估价函数与启发式信息
2.5.2 局部择优搜索
2.5.3 全局择优搜索
2.5.4 A*算法
2.6 搜索算法的评价标准
本章小结
习题2
参考文献
第3章 问题归约知识表示及其搜索技术
3.1 问题归约表示法
3.1.1 问题的分解与等价变换
3.1.2 问题归约的与/或图表示
3.2 与/或图的一般搜索过程
3.3 盲目式搜索
3.3.1 宽度优先搜索
3.3.2 深度优先搜索
3.4 启发式搜索
3.4.1 解树的代价
3.4.2 希望树
3.5 机器博弈
3.5.1 机器博弈背景
3.5.2 极大极小搜索
3.5.3 αβ剪枝
本章小结
习题3
参考文献
第4章 确定性推理
4.1 推理的基本概念
4.1.1 推理的概念
4.1.2 推理的分类
4.1.3 推理的策略
4.2 推理的逻辑基础
4.2.1 命题逻辑
4.2.2 谓词逻辑
4.3 自然演绎推理
4.4 归结演绎推理
4.4.1 海伯伦定理
4.4.2 鲁滨逊归结原理
4.4.3 归结策略
4.4.4 归结反演
4.5 基于规则的演绎推理
4.5.1 规则正向演绎系统
4.5.2 规则逆向演绎系统
4.5.3 规则双向演绎系统
本章小结
习题4
参考文献
第5章 不确定性推理
5.1 不确定性推理的基本概念
5.1.1 不确定性的表示与度量
5.1.2 不确定性的算法
5.1.3 不确定性推理方法分类
5.2 概率推理
5.2.1 概率的基本公式
5.2.2 概率推理方法
5.3 主观贝叶斯方法
5.3.1 基于主观贝叶斯的不确定性表示
5.3.2 主观贝叶斯方法的推理算法
5.4 可信度方法
5.4.1 基于可信度的不确定性表示
5.4.2 可信度方法的推理算法
5.4.3 带有阈值限度的不确定性推理
5.4.4 加权的不确定性推理
5.5 证据理论
5.5.1 基于证据理论的不确定性
5.5.2 证据理论的不确定推理模型
5.6 模糊推理
5.6.1 模糊集合
5.6.2 模糊关系及其合成
5.6.3 模糊推理
5.6.4 模糊决策
本章小结
习题5
参考文献
第6章 遗传算法
6.1 进化计算
6.1.1 进化计算的背景
6.1.2 进化计算的分类
6.2 遗传算法的生物学背景
6.2.1 达尔文进化论与孟德尔学说
6.2.2 生物进化与遗传算法的基本思想
6.3 遗传算法的实现过程
6.3.1 编码机制
6.3.2 种群初始化
6.3.3 适应度函数
6.3.4 遗传算子
6.3.5 环境选择
6.3.6 停机准则
6.3.7 基本步骤
6.4 遗传算法求解优化问题实例
6.4.1 优化问题
6.4.2 求解连续优化问题
6.4.3 求解组合优化问题
6.4.4 求解多目标优化问题
6.4.5 遗传算法参数讨论
6.4.6 遗传算法工具箱
6.5 遗传算法的改进
6.6 遗传算法的应用
本章小结
习题6
参考文献
第7章 群智能算法
7.1 群智能基础
7.1.1 群智能算法的基本思想
7.1.2 典型群智能算法
7.2 粒子群算法
7.2.1 粒子群算法的背景
7.2.2 粒子群算法的原理
7.2.3 粒子群算法求解实例
7.2.4 粒子群算法的各种改进
7.2.5 粒子群算法的应用
7.3 蚁群算法
7.3.1 蚁群算法的起源
7.3.2 蚁群算法的原理
7.3.3 蚁群算法求解实例
7.3.4 蚁群算法的各种改进
7.3.5 蚁群算法的应用
7.4 鱼群算法
7.4.1 鱼群算法的背景
7.4.2 鱼群算法的原理
7.4.3 鱼群算法的求解实例
本章小结
习题7
参考文献
第8章 人工神经网络
8.1 人工神经网络的基本原理
8.1.1 生物神经系统
8.1.2 人工神经网络的模型
8.1.3 人工神经网络的结构建模
8.2 学习机理
8.2.1 单层感知器及其学习算法
8.2.2 BP神经网络及其学习算法
8.3 人工神经网络的分类
8.3.1 前向网络
8.3.2 反馈网络
8.4 人工神经网络的基本学习算法
8.4.1 Hebb规则
8.4.2 误差修正学习算法
8.4.3 胜者为王学习规则
8.5 从神经网络到深度学习
8.6 深度网络
8.6.1 深度卷积神经网络
8.6.2 稀疏深度神经网络
8.6.3 深度融合网络
本章小结
习题8
参考文献
第9章 机器学习基础
9.1 机器学习理论基础
9.1.1 机器学习的定义和研究意义
9.1.2 机器学习的发展史
9.2 机器学习的方法
9.2.1 机器学习系统的基本结构
9.2.2 机器学习方法的分类
9.2.3 几种机器学习方法介绍
9.3 机器学习算法的应用
本章小结
习题9
参考文献
第10章 模式识别
10.1 模式识别的基本概念
10.1.1 模式识别的定义
10.1.2 模式识别与分类器
10.1.3 有监督学习与无监督学习
10.1.4 实例：手写数字识别
10.2 模式识别系统
10.2.1 基本框架
10.2.2 基本方法
10.3 特征提取与选择
10.3.1 基本概念
10.3.2 特征评价
10.3.3 特征选择算法
10.3.4 特征提取
10.4 分类器设计
10.4.1 经典的有监督分类器
10.4.2 经典的无监督分类器
10.5 分类器的评价
10.5.1 监督模式识别系统评价
10.5.2 非监督模式识别系统评价
本章小结
习题10
参考文献
第11章 未来人工智能
11.1 人工智能的发展阶段
11.2 人工智能围棋
11.2.1 AlphaGo
11.2.2 AlphaGo Zero
11.3 无人驾驶
11.3.1 原理概述
11.3.2 研究概况
11.4 无人超市
11.4.1 诞生背景
11.4.2 Amazon Go
11.5 情感机器人
11.5.1 情感机器人的定义
11.5.2 情感机器人的研究概况
11.6 智能医疗
11.6.1 智能医疗设备
11.6.2 智能医疗系统
11.7 智能家居
11.7.1 背景
11.7.2 发展现状
11.7.3 主要功能
11.8 智能艺术
11.8.1 作诗
11.8.2 绘画
11.9 机器翻译
11.9.1 翻译简史
11.9.2 机译系统
11.9.3 在线机译
11.10 未来人工智能展望
11.10.1 人工智能的未来趋势
11.10.2 面临的挑战
本章小结
习题11
参考文献
[
我的消息
购物车
