|
|
|
本書主要向讀者介紹當代人工智慧技術的入門知識，特別是以深度學習為代表的機器學習方法。內容包括人工智慧的概念、分類和原理，闡述了人工智慧的三大流派等。著重介紹了人工智慧的相關技術和演算法，包括機器學習、深度學習、強化學習、自然語言處理、機器視覺、機器人等。本書從基本原理概念、基礎演算法、基本理論應用三個方面對每章內容進行詳細介紹，方便讀者對內容知識的理解，有較強的知識性和趣味性。
本書可作為高等院校大資料專業和人工智慧專業的核心基礎課程教材，也可以作為電腦相關專業的專業課或選修課教材，同時也可以作為從事人工智慧與大資料技術相關工作的人員的參考用書。
出版說明
前言
第1章 人工智慧概述1
1.1 人工智慧的起源與定義1
1.1.1 人工智慧的起源1
1.1.2 人工智慧的定義4
1.1.3 人工智慧的分類及特徵4
1.2 人工智慧的流派6
1.2.1 符號主義7
1.2.2 連接主義8
1.2.3 行為主義9
1.3 人工智慧的技術構成9
1.3.1 基礎設施10
1.3.2 基礎技術10
1.3.3 AI要素10
1.3.4 AI技術10
1.3.5 AI應用11
1.4 人工智慧的進展與發展趨勢11
1.4.1 知識表示11
1.4.2 知識獲取12
1.4.3 知識應用16
1.5 人工智慧的應用領域19
1.5.1 AI在農業方面的應用19
1.5.2 AI在工業方面的應用20
1.5.3 AI在商業方面的應用21
1.5.4 AI在醫療方面的應用21
1.5.5 AI在教育方面的應用22
1.6 本章習題24
第2章 人工智慧與大資料、雲計算25
2.1 大資料—AI發展的能量源25
2.1.1 大數據簡介25
2.1.2 大資料的特徵26
2.1.3 大資料技術生態圈27
2.2 雲計算—AI發展的發動機28
2.2.1 雲計算簡介28
2.2.2 雲計算的基礎架構29
2.2.3 雲計算的特點30
2.3 人工智慧、大資料與雲計算的 關係31
2.3.1 大資料與雲計算的關係31
2.3.2 人工智慧=雲計算+大資料32
2.4 本章習題33
第3章 人工智慧的技術基礎34
3.1 知識表示和圖譜34
3.1.1 知識與知識表示的概念34
3.1.2 知識表示方法35
3.1.3 知識圖譜的概念37
3.1.4 本體知識表示、萬維網知識表示38
3.2 知識圖譜的現狀及發展40
3.3 自動推理44
3.4 專家系統45
3.4.1 專家系統的概念及特點45
3.4.2 專家系統的結構及類型45
3.4.3 專家系統工具與環境46
3.5 群智慧演算法46
3.5.1 群智慧演算法的發展歷程46
3.5.2 遺傳演算法48
3.5.3 粒子群演算法49
3.5.4 蟻群演算法50
3.6 搜索技術51
3.6.1 搜索的概念51
3.6.2 搜索演算法52
3.7 本章習題54
第4章 知識發現與資料採擷55
4.1 知識發現概述55
4.1.1 知識發現的物件56
4.1.2 知識發現的任務57
4.1.3 知識探索方法57
4.1.4 知識發現的應用領域59
4.2 資料採擷概述59
4.2.1 資料採擷技術的產生及定義60
4.2.2 資料採擷的功能60
4.2.3 常用的資料採擷方法61
4.3 大資料處理概述65
4.3.1 分散式資料基礎設施平臺Hadoop 及其生態系統66
4.3.2 分散式運算框架Spark及其生態 系統70
4.3.3 低延遲流式處理大資料框架— Storm77
4.3.4 大資料採擷與分析80
4.4 資料採擷應用實踐82
4.4.1 學生考試成績預測82
4.4.2 基於用戶手機使用行為進行風險 識別85
4.5 本章習題88
第5章 機器學習89
5.1 機器學習簡介89
5.1.1 機器學習的發展歷程89
5.1.2 機器學習的概念及地位90
5.1.3 機器學習的範疇92
5.2 機器學習的分類93
5.2.1 監督學習93
5.2.2 無監督學習94
5.2.3 弱監督學習94
5.3 經典的機器學習演算法97
5.3.1 分類演算法98
5.3.2 k均值聚類演算法104
5.3.3 Apriori關聯規則演算法106
5.3.4 遷移學習108
5.4 機器學習應用實踐112
5.4.1 使用決策樹模型進行列車空調 故障預測112
5.4.2 採用多種演算法實現校園使用者 識別115
5.5 本章習題120
第6章 深度學習121
6.1 深度學習簡介121
6.1.1 什麼是深度學習121
6.1.2 深度學習的前世今生123
6.1.3 深度學習開發框架125
6.2 卷積神經網路129
6.2.1 卷積神經網路的提出129
6.2.2 卷積神經網路結構130
6.2.3 經典卷積模型132
6.3 迴圈神經網路137
6.3.1 RNN基本原理137
6.3.2 RNN的基本結構138
6.3.3 RNN的高級形式139
6.3.4 RNN的訓練142
6.4 深度學習應用實踐144
6.4.1 用GoogLeNet訓練識別花卉144
6.4.2 圖像著色148
6.4.3 風格遷移148
6.4.4 圖片識別149
6.5 本章習題149
第7章 強化學習150
7.1 強化學習簡介150
7.1.1 什麼是強化學習150
7.1.2 強化學習的應用152
7.2 基於值函數的強化學習方法153
7.2.1 蒙特卡羅法154
7.2.2 時間差分法155
7.2.3 值函數逼近法156
7.3 基於直接策略搜索的強化學習方法157
7.3.1 策略梯度法158
7.3.2 置信域策略優化法160
7.3.3 確定性策略梯度法160
7.4 DQN演算法模型161
7.5 強化學習前沿研究162
7.5.1 逆向強化學習162
7.5.2 深度強化學習163
7.5.3 分層強化學習164
7.5.4 價值反覆運算網路164
7.5.5 AlphaGo的原理165
7.6 強化學習應用實踐167
7.7 本章習題169
第8章 自然語言處理170
8.1 自然語言處理概述170
8.1.1 自然語言處理的概念170
8.1.2 自然語言處理的層次171
8.1.3 NLP的判別標準172
8.2 自然語言處理的發展與應用173
8.2.1 自然語言處理的發展歷程173
8.2.2 自然語言處理的應用175
8.3 自然語言處理技術分類178
8.3.1 NLP基礎技術178
8.3.2 NLP應用技術180
8.4 語音處理182
8.4.1 語音處理概述183
8.4.2 語音處理發展狀況183
8.4.3 語音處理的主要分支184
8.4.4 語音處理的其他分支184
8.5 自然語言處理應用實踐185
8.6 本章習題187
第9章 機器視覺188
9.1 圖像表達與性質188
9.1.1 圖像表達的若干概念1
