【章名目录】
第 1章　人工智能概述
第 2章　问题求解与搜索技术
第3章　归结推理及其应用
第4章　不确定性推理与专家系统
第5章　演化搜索和群集智能
第6章　机器学习
第7章　神经生理基础和神经网络
第8章　视觉感知与智能视觉
第9章　听觉感知与智能听觉
第 10章　语言智能处理
第 11章　智能机器
第 12章　未来人工智能的展望

【详细目录】
第 1章　人工智能概述　1
1.1 人类智能与人工智能　1
1.1.1 数据和信息的关系　2
1.1.2 人的认知过程　3
1.1.3 机器对人认知过程的模拟　4
1.1.4 知识、智力和智能之间的关系　6
1.2 人工智能的不同学派　7
1.2.1 符号主义学派　7
1.2.2 联结主义学派　8
1.2.3 行为主义学派　8
1.3 人工智能的发展　9
1.3.1 人工智能的孕育期　9
1.3.2 人工智能的形成期　9
1.3.3 基于知识的系统　10
1.3.4 神经网络的复兴　10
1.3.5 机器学习大发展　11
1.4 人工智能的基本技术　12
1.4.1 搜索技术　12
1.4.2 知识表示　12
1.4.3 抽象、归纳和推理　13
1.4.4 计算神经理论　13
1.4.5 认知计算　13
1.4.6 知识工程　15
1.4.7 自然语言处理　15
1.4.8 智能机器人　15
习题 　16

第 2章　问题求解与搜索技术　17
2.1 问题的状态和状态空间　17
2.1.1 状态空间的定义和一般搜索方法　17
2.1.2 问题特征分析　20
2.2 盲目搜索方法　23
2.3 启发式搜索方法　25
2.3.1 启发式信息的表示　25
2.3.2 启发式函数设计的原则　26
2.4 “弱搜索”方法　30
2.4.1 生成测试法　31
2.4.2 爬山算法　31
2.4.3 最佳优先搜索算法　32
2.4.4 模拟退火算法　33
2.5 博弈与搜索　34
2.5.1 有关博弈的问题　34
2.5.2 极小极大搜索算法　35
2.5.3 α-β剪枝算法　39
习题 　43

第3章　归结推理及其应用　45
3.1 逻辑表示法　45
3.1.1 一阶谓词逻辑　45
3.1.2 逻辑表示法的特点　48
3.2 命题演算的归结方法　48
3.2.1 基本概念　48
3.2.2 命题演算的归结步骤　49
3.3 谓词演算的归结方法　50
3.3.1 谓词演算的基本问题　50
3.3.2 将谓词公式化成子句的步骤　50
3.3.3 合一算法　52
3.3.4 变量分离标准化　54
3.3.5 谓词演算的归结算法　55
习题 　55

第4章　不确定性推理与专家系统　57
4.1 不确定性推理　57
4.1.1 不确定性推理形成的原因　57
4.1.2 不确定性推理方法　58
4.2 专家系统　61
4.2.1 专家系统的定义　62
4.2.2 专家系统的特征　63
4.2.3 专家系统的分类　64
4.2.4 专家系统的结构　66
4.2.5 专家系统的优缺点　67
4.3 MYCIN专家系统　68
4.3.1 MYCIN系统概况　68
4.3.2 MYCIN系统组成　68
4.3.3 知识库构造　69
4.3.4 推理机制　70
习题 　72

第5章　演化搜索和群集智能　74
5.1 遗传算法　74
5.1.1 遗传算法的发展背景　74
5.1.2 遗传学与遗传算法的基本思想　75
5.1.3 遗传算法常用术语介绍　76
5.1.4 遗传算法的步骤　77
5.1.5 遗传算法应用举例　83
5.2 蚁群算法　85
5.2.1 蚁群算法的模拟实验和理论　85
5.2.2 基本蚁群算法及流程　88
5.3 鸟群算法　90
5.4 粒子群算法　92
5.4.1 粒子群算法的发展背景　92
5.4.2 粒子群算法的基本思想　92
5.4.3 粒子群算法的基本流程　94
5.4.4 粒子群算法和遗传算法的比较　94
习题 　95

第6章　机器学习　97
6.1 机器学习与监督学习　97
6.2 K近邻算法　101
6.2.1 KNN算法介绍　101
6.2.2 距离计算　101
6.2.3 K值选择　103
6.2.4 KNN算法的特点　103
6.2.5 KNN算法的应用举例　104
6.3 决策树　105
6.3.1 决策树的基本理论　105
6.3.2 ID3算法　107
6.3.3 C4.5算法　110
6.3.4 CART算法　112
6.3.5 三种决策树算法的对比　114
6.4 朴素贝叶斯　114
6.4.1 朴素贝叶斯算法的核心思想　115
6.4.2 贝叶斯公式与条件独立假设　116
6.4.3 朴素贝叶斯分类实例　118
6.4.4 朴素贝叶斯与连续值特征　119
6.5 支持向量机　120
6.5.1 支持向量的概念　121
6.5.2 支持向量机优化　124
6.5.3 软间隔　125
6.5.4 核函数　127
6.5.5 支持向量机的优缺点分析　128
6.6 聚类算法　128
6.6.1 K均值算法　129
6.6.2 DBSCAN聚类算法　131
6.6.3 均值漂移聚类算法　134
6.7 回归分析　136
6.7.1 线性回归　137
6.7.2 逻辑回归　137
6.7.3 多项式回归　139
6.8 降维模型　140
6.8.1 PCA算法简介　140
6.8.2 PCA算法的原理　141
6.8.3 PCA算法的应用实例　147
6.9 关联分析　147
6.9.1 关联分析的原理　148
6.9.2 Apriori算法　150
6.10 PageRank算法　153
6.10.1 PageRank算法的定义和推导　153
6.10.2 PageRank算法的矩阵化分析　155
6.11 马尔可夫模型　157
6.11.1 马尔可夫模型的原理和概念　157
6.11.2 递推公式的改进　159
习题 　160

第7章　神经生理基础和神经网络　164
7.1 脑系统　164
7.2 神经系统和突触传递　166
7.2.1 神经系统　166
7.2.2 突触传递　167
7.3 人工神经网络　167
7.3.1 人工神经网络的概念　167
7.3.2 人工神经网络的发展　168
7.3.3 人工神经网络的特点　170
7.3.4 人工神经网络的结构　172
7.4 反向传播算法　176
7.4.1 反向传播算法概述　176
7.4.2 反向传播算法的优缺点　180
7.5 卷积神经网络　181
7.5.1 卷积神经网络的结构　181
7.5.2 输入层　181
7.5.3 卷积层　182
7.5.4 激活层　188
7.5.5 池化层　189
7.5.6 全连接层　191
7.5.7 二维卷积与三维卷积　191
7.5.8 反卷积　192
7.5.9 卷积神经网络凸显共性的方法　193
7.5.10 局部卷积　194
7.5.11 卷积神经网络的参数设置　196
7.5.12 卷积神经网络的泛化提升　196
7.6 常见的深度卷积神经网络模型　197
7.6.1 LeNet5模型　197
7.6.2 AlexNet模型　198
7.6.3 VGG模型　199
7.6.4 GoogleNet模型　201
7.6.5 ResNet模型　203
习题 　205

第8章　视觉感知与智能视觉　207
8.1 视觉感知　207
8.1.1 人眼视觉的起源　207
8.1.2 人眼的结构　208
8.1.3 光感受器和人眼的光谱灵敏度　209
8.1.4 人眼视觉的适应性　211
8.1.5 图像的数字化　213
8.1.6 人眼的视觉颜色空间　216
8.2 智能视觉　218
8.2.1 基于内容的图像检索　218
8.2.2 行人重识别　226
8.2.3 目标检测　228
8.2.4 图像超分辨率重建　239
8.2.5 图像分割　242
习题 　245

第9章　听觉感知与智能听觉　246
9.1 听觉感知　246
9.1.1 声音的特性　246
9.1.2 语音的特性　248
9.1.3 听觉系统　250
9.1.4 语音编码　255
9.1.5 空间音频　257
9.2 智能听觉　259
9.2.1 语音增强技术　260
9.2.2 近端听音增强　263
习题 　267

第 10章　语言智能处理　268
10.1 自然语言处理的发展历程　268
10.2 基于规则的自然语言处理　269
10.3 语言处理的统计模型　272
10.3.1 统计语言模型　273
10.3.2 隐马尔可夫模型　274
10.3.3 最大熵模型　275
10.4 自然语言处理的深度学习模型　276
习题 　281

第 11章　智能机器　282
11.1 机器人　282
11.2 无人机　284
11.3 无人车　285
11.3.1 无人车的研究发展阶段　285
11.3.2 无人车的组成和关键技术　287
11.4 类脑智能　288
11.4.1 类脑智能简介　288
11.4.2 类脑智能的研究目标和挑战　289
11.4.3 类脑智能的发展思路和脑科学计划　289
11.4.4 类脑智能技术的体系　290
11.5 混合智能　292
习题 　294

第 12章　未来人工智能的展望　295
12.1 人工智能的发展现状总结　295
12.2 未来的人工智能　297
习题 　304