目录

课件+大纲+实验平台

第1章绪论

1.1人工智能的发展史

1.1.1人工智能国外发展史

1.1.2人工智能国内发展史

1.1.3人工智能的三次浪潮

1.2人工智能的基本概念

1.2.1人工智能的定义

1.2.2人工智能的内涵与外延

1.3人工智能的主流学派

1.3.1符号主义学派

1.3.2联结主义学派

1.3.3行为主义学派

1.3.4三大学派的比较

1.4人工智能的目标与应用

1.4.1人工智能的研究目标

1.4.2人工智能的应用领域

1.5本章小结

习题

第2章知识表示

2.1知识表示概述

2.1.1知识的概念与特点

2.1.2知识的分类

2.1.3知识表示的定义

2.1.4知识表示的分类

2.2状态空间表示法

2.2.1问题状态描述

2.2.2状态图示法

2.3问题归约法

2.3.1问题归约描述

2.3.2与或图表示

2.4一阶谓词逻辑表示法

2.4.1谓词

2.4.2谓词公式

2.4.3一阶谓词逻辑知识表示方法

2.5产生式表示法

2.5.1产生式

2.5.2产生式系统

2.5.3产生式系统的推理

2.5.4产生式系统应用举例

2.6语义网络表示法

2.6.1语义网络的概念及结构

2.6.2语义网络的基本语义联系

2.6.3语义网络的知识表示方法

2.6.4语义网络与知识图谱

2.7应用案例

2.8本章小结

习题 

第3章不确定性推理

3.1不确定性推理概述

3.1.1不确定性推理的定义

3.1.2不确定性推理的基本问题

3.2贝叶斯不确定性推理方法

3.2.1不确定性信息的概率表示

3.2.2基于概率的不确定性推理过程

3.2.3贝叶斯方法核心思想

3.3证据理论

3.3.1证据理论的形式化描述

3.3.2证据理论的推理模型

3.3.3推理实例

3.3.4证据理论推理的特性

3.4应用案例

3.5本章小结

习题

第4章搜索技术

4.1搜索概述

4.1.1基本概念

4.1.2搜索的分类

4.2状态空间搜索

4.2.1状态空间搜索的一般过程

4.2.2广度优先搜索

4.2.3深度优先搜索

4.3启发式搜索策略

4.3.1局部择优法和全局择优法

4.3.2分支界限法和最近择优法

4.3.3最佳图搜索算法

4.3.4启发式搜索的适用性讨论

4.4应用案例

4.5本章小结

习题

第5章机器学习

5.1机器学习概述

5.1.1何为机器学习

5.1.2为何用机器学习

5.1.3如何用机器学习

5.2机器学习方法的分类

5.2.1有监督学习

5.2.2无监督学习

5.2.3半监督学习

5.3分类方法

5.3.1k近邻方法

5.3.2鸢尾花分类

5.3.3决策树方法

5.3.4西瓜分类

5.4聚类方法

5.4.1k均值聚类算法

5.4.2k均值超参数选择

5.5应用案例

5.6本章小结

习题

第6章神经网络

6.1神经网络概述

6.1.1生物神经元

6.1.2人工神经元

6.1.3人工神经网络

6.2神经网络的学习

6.2.1生物神经网络的学习

6.2.2人工神经网络的学习

6.3神经网络典型任务

6.3.1回归任务

6.3.2分类任务

6.3.3聚类任务

6.4应用案例

6.5本章小结

习题

第7章深度学习

7.1深度学习概述

7.1.1起源与发展

7.1.2主要内容

7.2卷积神经网络

7.2.1图像目标识别任务

7.2.2卷积神经网络的操作算子

7.2.3卷积神经网络模型

7.2.4卷积神经网络的学习

7.2.5卷积神经网络主要应用

7.3循环神经网络

7.3.1语言翻译任务

7.3.2循环神经网络基本单元

7.3.3循环神经网络的学习

7.3.4循环神经网络主要应用

7.4深度模型的发展

7.4.1卷积操作的发展

7.4.2卷积神经网络的发展

7.4.3循环单元的发展

7.4.4循环神经网络的发展

7.5应用案例

7.5.1合成孔径雷达图像识别

7.5.2WebShell攻击

7.6本章小结

习题

第8章强化学习

8.1强化学习概述

8.1.1强化学习的基本框架

8.1.2强化学习建模

8.1.3强化学习目标

8.1.4强化学习与监督学习和非监督学习的区别

8.2多臂老虎机问题

8.2.1问题概述

8.2.2动作价值估计

8.2.3“探索—利用”困境

8.2.4ε贪婪算法

8.3基于价值的强化学习求解

8.3.1贝尔曼方程

8.3.2贝尔曼最优方程

8.3.3动态规划法

8.3.4蒙特卡洛法

8.3.5时间差分法

8.3.6深度Q网络

8.4基于策略的强化学习求解*

8.4.1策略的参数化表示

8.4.2策略梯度算法

8.4.3演员评论家架构

8.4.4优势与局限

8.5应用案例

8.5.1迷宫路径搜索 

8.5.2环境建模

8.5.3算法选择

8.6本章小结

习题

第9章大语言模型

9.1大语言模型的构建过程

9.1.1大规模预训练

9.1.2指令微调与人类对齐

9.2大语言模型涌现能力

9.2.1代表性的涌现能力

9.2.2涌现能力与扩展法则的关系

9.3从GPT1到GPT4

9.3.1早期探索

9.3.2规模扩展

9.3.3能力增强

9.3.4性能跃升

9.4大语言模型提示词

9.4.1提示词工程的核心原理

9.4.2提示词工程技巧

9.4.3提示词工程面临的挑战

9.5大语言模型在研究领域的应用

9.5.1大模型在教育方向的应用

9.5.2大模型在军事方向的应用

9.5.3大模型在金融方向的应用

9.5.4中国大模型现状

9.6应用案例

9.7本章小结

习题

第10章具身智能

10.1具身智能概述

10.1.1具身智能来源与发展

10.1.2具身智能定义

10.2具身智能基本构成

10.2.1具身感知

10.2.2具身决策

10.2.3具身执行

10.3具身智能应用

10.3.1工业制造领域

10.3.2自动驾驶领域

10.3.3物流运输领域

10.3.4家政服务领域

10.4应用案例

10.5本章小结

习题

第11章群智能

11.1群智能概述

11.1.1群智能优化算法定义

11.1.2群智能优化算法原理

11.1.3群智能优化算法特点

11.2蚁群算法

11.2.1蚁群算法概述

11.2.2蚁群算法的数学模型

11.2.3蚁群算法的改进

11.2.4蚁群算法的应用示例

11.3粒子群优化算法

11.3.1粒子群优化算法基本思想

11.3.2粒子群优化算法基本框架

11.3.3粒子群优化算法参数分析与改进

11.3.4粒子群优化算法的应用示例

11.4应用案例

11.5本章小结

习题

第12章人工智能伦理与安全

12.1人工智能伦理与安全概述

12.1.1何为人工智能伦理

12.1.2何为人工智能安全

12.2人工智能伦理

12.2.1人工智能伦理问题的产生和演进

12.2.2人工智能主要伦理问题和风险

12.2.3人工智能伦理问题治理

12.3人工智能安全

12.3.1人工智能引发的安全问题

12.3.2人工智能技术安全

12.3.3人工智能安全治理

12.4应用案例

12.5本章小结

习题

第13章人工智能应用开发工具

13.1国外人工智能主流框架

13.1.1PyTorch

13.1.2TensorFlow

13.1.3Keras

13.2国内人工智能主流框架

13.2.1PaddlePaddle

13.2.2昇思MindSpore

13.2.3Jittor

13.3人工智能开发框架的未来

13.4本章小结

习题

参考文献