目录

配套资源下载

第1篇概述与工具

第1章人工智能概述

1.1什么是人工智能

1.1.1人工智能的概念

1.1.2图灵测试和中文屋子

1.1.3脑智能和群智能

1.1.4符号智能、连接智能和计算智能

1.1.5统计智能和交互智能

1.2为什么要研究人工智能

1.2.1人工智能的研究意义

1.2.2人工智能的研究目标和策略

1.3人工智能的相关学科

1.4人工智能的研究内容

1.4.1搜索与求解

1.4.2知识与推理

1.4.3学习与发现

1.4.4发明与创造

1.4.5感知与响应

1.4.6理解与交流

1.4.7记忆与联想

1.4.8竞争与协作

1.4.9系统与建造

1.4.10应用与工程

1.5人工智能的研究途径与方法

1.5.1心理模拟，符号推演

1.5.2生理模拟，神经计算

1.5.3行为模拟，控制进化

1.5.4群体模拟，仿生计算

1.5.5博采广鉴，自然计算

1.5.6着眼数据，统计建模

1.6人工智能的应用

1.6.1难题求解

1.6.2自动规划、调度与配置

1.6.3机器博弈

1.6.4机器翻译与机器写作

1.6.5机器定理证明

1.6.6自动程序设计

1.6.7智能控制

1.6.8智能管理

1.6.9智能决策

1.6.10智能通信

1.6.11智能预测

1.6.12智能仿真

1.6.13智能设计与制造

1.6.14智能车辆与智能交通

1.6.15智能诊断与治疗

1.6.16智能生物信息处理

1.6.17智能教育

1.6.18智能人机接口

1.6.19模式识别

1.6.20智能机器人

1.6.21数据挖掘与知识发现

1.6.22计算机辅助创新

1.6.23计算机文艺创作

1.6.24个人智能助理

1.7人工智能的分支领域与研究方向

1.8人工智能学科的发展概况

1.8.1孕育与诞生

1.8.2符号主义先声夺人

1.8.3连接主义不畏坎坷

1.8.4计算智能异军突起

1.8.5统计智能成就卓越

1.8.6智能主体一统江湖，Agent & Robot

1.8.7知识工程东山再起，机器学习领衔高歌

1.8.8大语言模型横空出世，多模态生成式令人惊愕

1.8.9现状与趋势

习题1

第2章人工智能程序设计语言

2.1概述

2.1.1函数型语言

2.1.2逻辑型语言

2.1.3面向对象语言

2.1.4计算型语言

2.1.5混合型语言

2.2知识工程经典语言PROLOG

2.2.1PROLOG的语句

2.2.2PROLOG程序

2.2.3PROLOG程序的运行机理

2.3机器学习流行语言Python

2.3.1Python的特点和优势

2.3.2Python程序举例

习题2

第2篇搜索与求解

第3章图搜索与问题求解

3.1状态图与状态图搜索

3.1.1状态图

3.1.2状态图搜索

3.1.3穷举式搜索

3.1.4启发式搜索

3.1.5加权状态图搜索

3.1.6A算法和A*算法

3.1.7状态图搜索策略小结

3.2状态图搜索问题求解

3.2.1问题的状态图表示

3.2.2状态图问题求解程序举例

3.3与或图和与或图搜索

3.3.1与或图

3.3.2与或图搜索

3.3.3启发式与或树搜索

3.4与或图搜索问题求解

3.4.1问题的与或图表示

3.4.2与或图问题求解程序举例

3.5博弈树搜索*

3.5.1博弈树的概念

3.5.2极小极大分析法

3.5.3αβ剪枝技术

习题3

第4章基于遗传算法的随机优化搜索

4.1基本概念

4.2基本遗传算法

4.3遗传算法应用举例

4.4遗传算法的特点与优势

习题4

第3篇知识与推理

第5章基于一阶谓词的机器推理

5.1一阶谓词逻辑

5.1.1谓词，函数，量词

5.1.2谓词公式

5.1.3永真式与推理规则

5.1.4自然语言命题的谓词形式表示

5.1.5基于谓词公式的形式演绎推理

5.2归结演绎推理

5.2.1子句与子句集

5.2.2命题逻辑中的归结原理

5.2.3替换与合一

5.2.4谓词逻辑中的归结原理

5.3应用归结原理求取问题答案

延伸学习导引

习题5

第6章基于产生式规则的机器推理

6.1产生式规则

6.1.1产生式规则与推理网络

6.1.2基于产生式规则的推理模式

6.2产生式系统

6.2.1系统结构

6.2.2运行过程

6.2.3控制策略与常用算法

6.2.4程序实现

6.3产生式系统与图搜索问题求解

习题6

第7章几种结构化知识表示及其推理

7.1元组

7.2框架

7.2.1框架的概念

7.2.2框架的表达能力

7.2.3基于框架的推理

7.2.4框架的程序语言实现

7.3语义网络

7.3.1语义网络的概念

7.3.2语义网络的表达能力

7.3.3基于语义网络的推理

7.3.4语义网络的程序语言实现

7.4知识图谱

7.5类与对象

习题7

第8章不确定和不确切性知识的表示与推理

8.1概述

8.2不确定性知识的表示及推理

8.2.1不确定性知识的表示

8.2.2不确定性推理

8.2.3确定性理论

8.3基于贝叶斯网络的概率推理

8.3.1什么是贝叶斯网络

8.3.2用贝叶斯网络表示不确定性知识

8.3.3基于贝叶斯网络的因果推理和诊断推理

8.4不确切性知识的表示及推理

8.4.1软语言值及其数学模型

8.4.2不确切性知识的表示

8.4.3基于软语言规则的推理

8.4.4基于模糊集合与模糊关系的模糊推理*

8.4.5对模糊推理的简单评述*

延伸学习导引

习题8

第4篇学习与发现

第9章机器学习： 符号学习与交互学习

9.1机器学习概述

9.1.1机器学习的概念

9.1.2机器学习的原理

9.1.3机器学习的分类

9.2几种典型的(符号)学习方法

9.2.1记忆学习

9.2.2示例学习

9.2.3演绎学习

9.2.4类比学习

9.2.5解释(分析)学习

9.2.6发现学习

9.3决策树学习

9.3.1什么是决策树

9.3.2如何学习决策树

9.3.3决策树学习的ID3算法

9.3.4决策树学习的发展

9.4强化学习

9.4.1简单原理

9.4.2价值函数、Q函数和Q学习算法

9.4.3强化学习的发展概况

习题9

第10章统计学习

10.1概述

10.2几种基本判别模型的学习

10.2.1回归问题的线性函数模型学习，梯度下降法

10.2.2分类问题的线性判别函数模型学习

10.2.3分类问题的Logistic回归模型学习，梯度上升法

10.3监督学习中的几个问题

10.3.1监督学习的主要工作及步骤

10.3.2准则函数的演变

10.3.3过拟合，欠拟合，正则化

10.3.4模型与学习方法的分类

10.4支持向量机简介

10.4.1最大间隔超平面

10.4.2线性可分支持向量机

10.4.3线性支持向量机和非线性支持向量机

延伸学习导引

习题10

第11章神经网络学习

11．1从生物神经元到人工神经元

11．2神经网络及其学习

11．2．1神经网络的拓扑结构与功能

11.2.2神经网络的学习机理与方法

11.2.3神经网络模型及其分类

11.3感知器及其学习举例

11.4BP网络及其学习举例

11.5深度学习

11.5.1什么是深度学习

11.5.2深度学习的优势

11.5.3深度学习的发展和扩展

11.5.4深度学习框架与平台

延伸学习导引

习题11

第12章数据挖掘与知识发现

12.1引言

12.2概述

12.2.1数据挖掘的一般过程

12.2.2数据挖掘的对象

12.2.3数据挖掘的任务

12.2.4数据挖掘的方法

12.2.5数据挖掘工具与平台

12.3关联规则发现

12.3.1什么是关联规则

12.3.2关联规则的发现机理和方法

12.3.3发现关联规则的Apriori算法

12.3.4关联规则的类型和挖掘算法

12.4k均值聚类算法

12.5大数据挖掘与分布式学习

12.5.1分布式并行计算模型和框架

12.5.2Spache Hadoop(MapReduce)简介

12.5.3基于MapReduce的分布式机器学习

习题12

第5篇感知与响应，理解与交流

第13章模式识别

13.1概述

13.1.1模式、模式类与模式识别

13.1.2模式的表示

13.1.3模式识别系统工作原理

13.1.4模式识别方法分类

13.2统计模式识别

13.2.1距离分类法

13.2.2几何分类法

13.2.3概率分类法

13.3朴素贝叶斯分类算法

13.4概率密度函数估计

13.4.1概述

13.4.2最大似然估计

延伸学习导引

习题13

第14章数语互换*

14.1数语转换——从感知到表达

14.2语数转换——从决策到行动

14.3带数语互换接口的推理系统

延伸学习导引

习题14

第15章自然语言处理

15.1自然语言处理的途径、方法和发展概况

15.2基于规则的自然语言理解

15.2.1简单句理解

15.2.2复合句理解

15.2.3转换文法和转换网络

15.3统计语言模型

15.4神经语言模型

15.4.1词元与编码

15.4.2前馈神经网络语言模型

15.4.3循环神经网络语言模型

15.4.4长短期记忆神经网络语言模型

延伸学习导引

习题15

第16章大语言模型

16．1大语言模型概述

16．1．1什么是大语言模型

16．1．2为什么要建大语言模型

16．1．3大语言模型发展概况

16．2大语言模型的技术脉络

16．2．1技术发展路线图

16．2．2Seq2Seq

16．2．3Transformer

16．3大语言模型开发与构建

16．3．1模型设计与实现

16．3．2数据准备

16．3．3无监督预训练

16．3．4有监督微调

16.3.5人类对齐学习

16.3.6提示学习与提示工程

16.3.7DeepSeek的后训练新途径

16.3.8大语言模型构建路线

16．4典型大语言模型简介

16．4．1BERT

16．4．2GPT

习题16

第17章多模态大模型与生成式人工智能

17．1多模态大模型

17．1．1多模态大模型的架构与运作

17．1．2多模态大模型的训练

17．1．3多模态大模型的发展概况

17．1．4MoE架构的多模态大模型

17．2生成式人工智能

17．2．1生成式人工智能发展概况

17．2．2生成模型的类型

17．2．3生成对抗网络模型

17．2．4扩散模型

17．3大模型与生成式人工智能的应用、性能、问题与对策

17．4当前趋势及其他思路和范式

习题17

第6篇系统与建造

第18章专家(知识)系统

18.1基本概念

18.2系统结构

18.3系统设计与实现

18.4开发工具与环境

18.5专家系统的发展

习题18

第19章Agent系统

19.1什么是Agent

19.1.1Agent的概念

19.1.2Agent的类型

19.2Agent的结构

19.3Agent实例——Web Agent

19.4多Agent系统

19.4.1多Agent系统的特征和研究内容

19.4.2多Agent系统的体系结构

19.4.3多Agent的合作与学习

19.5Agent的实现

19.6Agent技术的发展与应用

习题19

第20章智能机器人

20.1智能机器人的概念

20.2机器人感知

20.3机器人规划

20.4机器人控制

20.5机器人系统的软件结构

20.6机器人程序设计与语言

20.6.1机器人程序设计

20.6.2机器人程序设计语言

20.7机器人技术进展

习题20

第21章智能计算机与智能化网络

21.1智能计算机

21.1.1智能硬件平台和智能操作系统

21.1.2LISP机和PROLOG机

21.1.3人工智能芯片

21.1.4神经网络计算机，类脑芯片

21.1.5智能计算机发展展望

21.2智能化网络

21.2.1智能网

21.2.2智能Web

21.2.3网络的智能化管理与控制

21.2.4网上信息的智能化检索

21.2.5推荐系统

习题21

上机实习及指导

实习一PROLOG语言编程练习

实习二图搜索问题求解编程练习

实习三Python语言统计学习编程练习

实习四Python语言神经网络学习编程练习

实习五深度学习框架应用练习

实习六大语言模型编程或应用实践

中英文名词对照及索引

参考文献