目录

第1部分基础篇

第1章绪论3

1.1人工智能及其衡量智能机器的准则3

1.1.1人工智能的定义3

1.1.2衡量智能机器的准则4

1.2人工智能的发展历史和研究途径5

1.2.1人工智能的发展历史5

1.2.2人工智能的研究途径7

1.3人工智能的研究内容和研究领域8

1.3.1人工智能的研究内容8

1.3.2人工智能的研究领域10

1.4人工智能的应用及未来展望11

1.4.1人工智能的应用11

1.4.2人工智能的未来12

1.4.3人工智能面临的挑战14

1.4.4人工智能发展的机遇14

1.5本章小结15

习题115

第2章确定性推理16

2.1确定性推理与不确定性推理16

2.1.1推理的基本概念16

2.1.2确定性推理与不确定性推理17

2.1.3确定性推理的一般过程17

2.2谓词逻辑推理方法18

2.2.1谓词逻辑的知识表示18

2.2.2谓词公式的解释20

2.2.3谓词公式的永真性、可满足性、不可满足性22

2.2.4谓词逻辑应用案例22

2.2.5谓词逻辑知识表示的特点242.3自然演绎推理方法25

2.3.1自然演绎推理的推理规则26

2.3.2自然演绎推理的推理方法28

2.3.3自然演绎推理应用案例28

2.3.4自然演绎推理的特点29

2.4归结演绎推理方法29

2.4.1子句和子句集30

2.4.2谓词公式的Skolem标准型31

2.4.3谓词公式化为子句集的方法32

2.4.4归结原理32

2.4.5归结原理的应用案例35

2.5本章小结39

习题239

第3章不确定性推理42

3.1产生式知识表示与推理42

3.1.1产生式知识表示法42

3.1.2产生式系统与推理过程43

3.1.3产生式推理应用案例44

3.2可信度推理方法46

3.2.1可信度推理的不确定性度量与表示46

3.2.2可信度推理的不确定性计算47

3.2.3可信度推理应用案例49

3.3主观贝叶斯推理方法50

3.3.1主观贝叶斯推理的不确定度量与表示50

3.3.2主观贝叶斯推理的不确定计算51

3.3.3主观贝叶斯推理应用案例55

3.4本章小结56

习题356

第4章搜索策略58

4.1状态空间表示法与搜索59

4.1.1状态空间表示法59

4.1.2状态空间表示法的问题求解案例60

4.1.3状态空间表示法搜索的一般过程61

4.2宽度优先搜索63

4.2.1宽度优先搜索的基本思想与搜索过程63

4.2.2宽度优先搜索应用案例66

4.3深度优先搜索68

4.3.1深度优先搜索的基本思想与搜索过程68

4.3.2深度优先搜索应用案例69

4.4有界深度优先搜索71

4.4.1有界深度优先搜索的基本思想与搜索过程71

4.4.2有界深度优先搜索应用案例73

4.5代价树搜索74

4.5.1代价树搜索的基本思想与搜索过程74

4.5.2代价树搜索应用案例77

4.6启发式搜索79

4.6.1启发式搜索的基本思想与搜索过程79

4.6.2启发式搜索应用案例82

4.7博弈树搜索83

4.7.1博弈类游戏83

4.7.2博弈树的构建及应用84

4.7.3极大极小分析法86

4.7.4αβ剪枝技术87

4.8本章小结88

习题488

第5章机器学习89

5.1机器学习的定义和发展历史89

5.1.1机器学习的定义89

5.1.2机器学习的发展历史90

5.2机器学习的分类91

5.3机器学习系统的基本结构93

5.4机器学习方法应用举例94

5.4.1线性模型方法95

5.4.2聚类101

5.5本章小结117

习题5118

第6章知识图谱120

6.1知识图谱概述120

6.1.1什么是知识图谱120

6.1.2知识图谱的发展历程121

6.1.3知识图谱的价值121

6.2知识图谱的表示与建模122

6.2.1知识图谱的表示方法122

6.2.2知识建模124

6.3知识图谱的抽取与挖掘127

6.3.1知识抽取127

6.3.2知识挖掘128

6.4知识图谱的存储与融合130

6.4.1知识存储130

6.4.2知识融合133

6.5知识图谱的检索与推理135

6.5.1知识检索135

6.5.2知识推理141

6.6知识图谱的问答与对话142

6.6.1知识问答142

6.6.2知识对话143

6.7代表性的知识图谱144

6.7.1经典的通用知识图谱144

6.7.2经典的行业知识图谱145

6.7.3基于互联网搜索的知识图谱145

6.7.4中文开放知识图谱联盟146

6.8知识图谱的发展趋势与挑战146

6.8.1知识图谱的发展趋势146

6.8.2知识图谱面临的挑战147

6.9本章小结147

习题6147

第2部分应用篇

第7章人工神经网络与深度学习151

7.1人工神经元与人工神经网络151

7.1.1神经元151

7.1.2神经网络159

7.2BP神经网络及其学习算法160

7.2.1BP神经网络结构160

7.2.2BP神经网络的学习算法162

7.2.3BP神经网络学习的例子169

7.3深度学习172

7.4生成对抗网络及在图像生成中的应用173

7.4.1生成对抗网络173

7.4.2基于生成对抗网络的图像生成方法176

7.5本章小结177

习题7178

第8章卷积神经网络及其图像分类案例179

8.1卷积神经网络的定义及其结构179

8.1.1卷积神经网络的定义179

8.1.2卷积神经网络的总体架构180

8.1.3卷积层181

8.1.4池化层184

8.1.5激活函数187

8.1.6全连接层188

8.1.7学习率和优化器190

8.2卷积神经网络的特点与发展历程192

8.2.1卷积神经网络的特点192

8.2.2卷积神经网络的发展历程192

8.3基于PyTorch框架的Mnist数据集分类案例196

8.3.1图像分类196

8.3.2PyTorch介绍197

8.3.3PyTorch常用库介绍199

8.3.4Mnist数据集介绍200

8.3.5神经网络训练过程201

8.3.6案例分析201

8.4本章小结209

习题8209

第9章推荐系统及其应用案例210

9.1什么是推荐系统210

9.2推荐系统的发展历程、面临挑战与未来趋势211

9.2.1推荐系统的发展历程211

9.2.2推荐系统面临的挑战213

9.2.3推荐系统的发展趋势214

9.3推荐系统的基本结构215

9.4基于协同过滤的推荐方法218

9.4.1基于内存的协同过滤218

9.4.2基于矩阵分解的协同过滤221

9.4.3评价指标222

9.5推荐系统应用案例223

9.6本章小结228

习题9228

第10章决策树分类方法及案例实现230

10.1决策树的基本概念230

10.2信息熵与信息增益233

10.2.1信息熵233

10.2.2信息增益235

10.3决策树分类方法236

10.3.1ID3算法236

10.3.2C4.5算法239

10.4决策树分类案例240

10.5本章小结245

习题10245

第11章ChatGPT246

11.1ChatGPT概述246

11.1.1ChatGPT的定义246

11.1.2ChatGPT的功能247

11.1.3ChatGPT的发展历程247

11.1.4ChatGPT的优势和挑战248

11.1.5ChatGPT对人类社会的影响250

11.1.6ChatGPT的伦理和法律问题251

11.1.7ChatGPT的发展前景252

11.2ChatGPT的主体架构及支撑技术253

11.2.1ChatGPT的架构253

11.2.2Transformer模型254

11.2.3自然语言处理255

11.2.4深度学习技术255

11.2.5ChatGPT与其他AI技术的比较和融合256

11.3ChatGPT的应用258

11.3.1ChatGPT在教育领域的应用258

11.3.2ChatGPT在医疗领域的应用259

11.3.3ChatGPT在智能家居领域的应用259

11.3.4ChatGPT在线客服中的应用260

11.3.5ChatGPT在智能问答系统中的应用261

11.3.6ChatGPT在机器翻译领域中的应用262

11.4ChatGPT实践案例262

11.5本章小结269

习题11269

参考文献270