目录
第1章人工智能概论1
1.1你了解人类的智能吗1
1.1.1智能的概念1
1.1.2智能的特征2
1.2人工智能的孕育和诞生5
1.2.1人工智能的孕育期5
1.2.2人工智能的诞生——达特茅斯会议6
1.2.3人工智能的定义与图灵测试7
1.3人工智能的发展9
1.3.1人工智能的形成期9
1.3.2几起几落的曲折发展期10
1.3.3大数据驱动的飞速发展期12
1.4从两场标志性人机博弈看人工智能的发展13
1.4.1人工智能研究中的“小白鼠”13
1.4.2“深蓝”战胜国际象棋棋王卡斯帕罗夫13
1.4.3阿尔法狗无师自通横扫世界围棋大师15
1.5人工智能研究的基本内容17
1.6人工智能的三大学派18
1.6.1符号主义18
1.6.2连接主义20
1.6.3行为主义21
1.7人工智能的主要应用领域21
1.8人工智能伦理34
1.8.1人工智能伦理的提出与发展34
1.8.2人工智能伦理的典型案例与成因分析35
1.8.3人工智能伦理的治理原则37
1.8.4人工智能伦理的治理措施38
1.9本章小结40
讨论题41
第2章知识表示与知识图谱42
2.1你了解人类知识吗42
2.1.1什么是知识42
2.1.2知识的相对正确性43
2.1.3知识的不确定性44
2.1.4计算机表示知识的方法46
2.2一阶谓词逻辑表示法46
2.2.1命题46
2.2.2谓词47
2.2.3谓词公式48
2.2.4一阶谓词逻辑知识表示方法52
2.2.5一阶谓词逻辑表示法的特点53
2.3产生式表示法53
2.3.1产生式54
2.3.2产生式系统55
2.3.3产生式表示法的特点56
2.4框架表示法58
2.4.1框架的一般结构58
2.4.2用框架表示知识的例子59
2.4.3框架表示法的特点61
2.5知识图谱62
2.5.1知识图谱的提出62
2.5.2知识图谱的定义63
2.5.3知识图谱的表示64
2.5.4知识图谱的架构65
2.5.5知识图谱的典型应用65
2.6本章小结67
讨论题68
习题69
第3章模拟人类思维的推理方法71
3.1推理的定义71
3.2推理的分类72
3.2.1从推出知识的途径分类72
3.2.2从知识的确定性分类73
3.3推理的方向74
3.3.1正向推理74
3.3.2逆向推理75
3.3.3混合推理77
3.4推理中的冲突消解策略79
3.5基于谓词逻辑的确定性推理82
3.5.1自然演绎推理82
3.5.2鲁滨逊归结原理84
3.5.3归结反演85
3.5.4归结求解87
3.6基于统计分析的不确定性推理90
3.6.1不确定性推理的概念90
3.6.2可信度方法93
3.6.3可信度方法举例95
3.7基于模糊理论的不确定性推理97
3.7.1模糊逻辑的提出与发展97
3.7.2模糊集合的定义与表示98
3.7.3隶属函数100
3.7.4模糊关系101
3.7.5模糊关系的合成103
3.7.6模糊推理104
3.7.7模糊决策105
3.7.8模糊推理的应用106
3.8本章小结107
讨论题109
习题109
第4章搜索策略113
4.1搜索的概念113
4.2如何用状态空间表示搜索对象114
4.2.1状态空间知识表示方法114
4.2.2状态空间的图描述116
4.3回溯策略119
4.4盲目的图搜索策略120
4.4.1宽度优先搜索策略120
4.4.2深度优先搜索策略121
4.5启发式图搜索策略123
4.5.1启发式策略124
4.5.2启发信息和估价函数126
4.5.3A搜索算法128
4.5.4A搜索算法129
4.5.5蒙特卡洛树搜索算法130
4.6本章小结132
讨论题133
习题134
第5章模拟生物进化的遗传算法135
5.1进化算法的生物学背景135
5.2遗传算法137
5.2.1遗传算法的发展历史137
5.2.2遗传算法的基本思想138
5.2.3编码138
5.2.4种群设定140
5.2.5适应度函数141
5.2.6选择142
5.2.7交叉144
5.2.8变异146
5.3遗传算法的主要改进算法147
5.3.1双倍体遗传算法148
5.3.2双种群遗传算法149
5.3.3自适应遗传算法150
5.4基于遗传算法的生产调度方法151
5.4.1基于遗传算法的流水车间调度方法152
5.4.2基于遗传算法的混合流水车间调度方法153
5.5本章小结158
讨论题159
习题159
第6章模拟生物群体行为的群智能算法161
6.1群智能算法的生物学背景161
6.2模拟鸟群行为的粒子群优化算法163
6.2.1基本粒子群优化算法163
6.2.2粒子群优化算法的应用165
6.3模拟蚁群行为的蚁群优化算法167
6.3.1蚁群优化算法的生物学背景167
6.3.2基本蚁群优化算法167
6.3.3蚁群优化算法的应用171
6.4本章小结173
讨论题174
第7章机器学习与专家系统175
7.1机器学习的基本概念175
7.1.1学习175
7.1.2机器学习176
7.1.3学习系统176
7.1.4机器学习的发展178
7.2机器学习的分类179
7.2.1机器学习的一般分类方法179
7.2.2监督学习与无监督学习181
7.2.3弱监督学习182
7.3经典机器学习算法185
7.3.1K近邻机器学习算法185
7.3.2决策树机器学习算法188
7.3.3支持向量机190
7.3.4K均值聚类算法192
7.4专家系统概述193
7.4.1专家系统的产生和发展193
7.4.2专家系统的定义195
7.4.3专家系统的特点195
7.4.4专家系统的类型197
7.5专家系统的工作原理198
7.5.1专家系统的一般结构198
7.5.2知识库199
7.5.3推理机199
7.5.4综合数据库200
7.5.5知识获取机构200
7.5.6解释机构201
7.5.7人机接口201
7.6简单的动物识别专家系统202
7.6.1知识库建立202
7.6.2综合数据库建立和推理过程203
7.7专家系统开发工具——骨架系统204
7.7.1骨架系统的概念204
7.7.2EMYCIN骨架系统205
7.7.3KAS骨架系统206
7.8专家系统开发环境208
7.9本章小结209
讨论题210
习题211
第8章模拟生物神经系统的人工神经网络212
8.1人工神经元与人工神经网络212
8.1.1生物神经元结构212
8.1.2生物神经元的数学模型213
8.1.3人工神经网络的结构与学习215
8.2机器学习的先驱——赫布学习规则216
8.3掀起人工神经网络第一次高潮的感知器217
8.4掀起人工神经网络第二次高潮的BP学习算法219
8.4.1BP学习算法的提出219
8.4.2BP神经网络220
8.4.3BP学习算法221
8.4.4BP学习算法在模式识别中的应用224
8.5本章小结225
讨论题225
习题226
第9章深度学习与大语言模型229
9.1动物视觉机理与深度学习的提出229
9.1.1浅层学习的局限性230
9.1.2深度学习的提出230
9.2卷积神经网络与胶囊网络232
9.2.1卷积神经网络的结构232
9.2.2卷积的物理、生物与生态学等意义233
9.2.3卷积神经网络的卷积运算234
9.2.4卷积神经网络中的关键技术236
9.2.5卷积神经网络的应用238
9.2.6胶囊网络239
9.2.7基于深度学习的计算机视觉241
9.3生成对抗网络及其应用244
9.3.1生成对抗网络的基本原理244
9.3.2生成对抗网络的结构245
9.3.3生成对抗网络的训练246
9.3.4生成对抗网络在图像处理中的应用247
9.4大语言模型及其应用252
9.4.1大语言模型的发展252
9.4.2国内外主要大模型平台254
9.4.3大语言模型提示工程257
9.4.4知识蒸馏技术258
9.4.5写作大语言模型259
9.4.6文生图大语言模型261
9.4.7文生视频大语言模型263
9.4.8蛋白质结构预测大语言模型265
9.5AI智能体266
9.5.1AI智能体的概念266
9.5.2AI智能体的结构268
9.5.3AI多智能体系统269
9.5.4AI智能体的特性270
9.5.5AI智能体的应用271
9.6本章小结273
讨论题274
习题275
第10章自然语言理解276
10.1自然语言理解的概念与发展276
10.1.1自然语言理解的概念276
10.1.2自然语言理解的发展历史277
10.2语言处理过程的层次279
10.3机器翻译方法概述281
10.4循环神经网络284
10.4.1循环神经网络的结构284
10.4.2循环神经网络的训练285
10.4.3长短期记忆神经网络286
10.5基于循环神经网络的机器翻译286
10.6语音识别288
10.6.1语音识别的概念288
10.6.2语音识别的主要过程289
10.6.3语音识别的方法291
10.7本章小结292
讨论题292
附录A人工智能实验指导书293
实验1产生式系统实验293
实验2洗衣机模糊推理系统实验293
实验3A算法求解N数码问题实验295
实验4A算法求解迷宫寻路问题实验296
实验5遗传算法求函数最大值实验297
实验6遗传算法求解TSP问题实验300
实验7粒子群算法求函数最小值实验302
实验8蚁群算法求解TSP问题实验302
实验9BP神经网络分类实验303
实验10卷积神经网络分类实验304
实验11胶囊网络分类实验304
实验12用生成对抗网络生成数字图像实验305
