人工智能导论-图书-人邮教育社区

内容摘要

本书以梳理知识脉络的方式，从人工智能的基本定义出发，由浅入深、全面、系统地阐述了人工智能的理论、研究方法和应用领域，详细介绍了知识表示、逻辑推理及方法、非确定性推理及方法、搜索策略、机器学习等方面的内容。除第 1 章外，其他章最后一小节都配有案例分析，以便于读者懂得如何运用该章介绍的知识。
本书既适合作为高等院校人工智能课程的教材，也适合计算机爱好者阅读。

前言

进入21世纪以来，我国信息技术飞速发展，完全改变了人们的学习、工作和生活方式。人工智能作为信息科学的一个核心研究领域，从其提出到现在的半个多世纪里，经历了大起大落。近年来，在算力大幅提升与大数据的助力下，人工智能发展之快、应用之广，实在令人惊叹！人工智能正处于一个蓬勃发展、深入推进的阶段。
尽管人工智能还存在一定的局限性，但它的未来是非常值得期待的，提前布局人工智能产业是我国科技发展的基本方向之一。在这一大背景下，各个行业的学习热情很高，人们希望得到指导，尤其是希望了解人工智能发展的基本现状，掌握人工智能研究的大致热点和基本原理与方法。
国内外已出版了多本关于人工智能的图书。诚然，很多书对人工智能各个细分领域的诸多问题有非常精辟的论述，但对初学者来说显得有些深奥。人工智能范围甚广，是一门典型的交叉学科，因此一两本书很难覆盖所有问题。本书的主要目的是使读者了解人工智能研究和发展的基本轮廓，对人工智能有一个基本的认识，知道目前人工智能研究中的一些热点，掌握人工智能研究和应用中的一些基本的、普遍的原理和方法。本书通过简洁清晰的架构和引人思索的案例带领读者“入门”人工智能。正所谓“师傅领进门，修行在个人”，之后的研究方向就应该由读者自己选择并钻研了。
由于智能本身就是一个极其复杂的存在，不同的人从不同角度和不同观点出发都可以获得对智能的认识和模拟，因此本书也从多个角度对人工智能进行剖析。
全书共分7章。其中第1章～第5章是传统人工智能教材的内容，第6章介绍近年来比较流行的机器学习方法，第7章介绍人工智能的一些应用领域。具体内容如下。
第1章绪论，介绍关于人工智能起源、研究目标和主要应用领域的内容。
第2章知识表示，主要介绍谓词逻辑和状态空间等基本知识表示方法。
第3章逻辑推理及方法，从谓词公式的基本语法到3种演绎推理方式，层层递进地介绍逻辑推理的基本方法。
第4章非确定性推理及方法，介绍主观贝叶斯推理、模糊推理等内容。
第5章搜索策略，介绍基于状态空间的搜索、基于树的搜索等不同的搜索策略。
第6章机器学习，介绍近年来比较流行的决策树、支持向量机和聚类算法等经典机器学习方法。
第7章人工智能的其他应用领域，从计算机视觉、自然语言处理和智能体3个方面阐述人工智能研究和发展的一些应用热点。
本书各章内容相对独立、完整，编者力图用递进的形式来讲述这些知识，使全书整体不失系统性。读者可以从头到尾通读，也可以选择单个章节细读。本书每一章的讲述力求深入浅出，对于一些公式定理，编者给出必要的推导证明，提供简单的例子，使初学者易于掌握其用法，领会本质。对相关的深层理论，则仅予以简述，不做过多的延伸。
本书的编者为吕云翔、梁泽众、尹文志、孔孝刚、陈妙然，曾洪立进行了部分内容的编写和素材整理及配套资源制作等。
在本书的编写过程中，我们尽量做到仔细、认真，但由于我们的水平有限，书中可能存在不妥之处，在此非常欢迎广大读者批评指正。同时，我们也希望广大读者将自己读书学习的心得体会反馈给我们（yunxianglu@hotmail.com）。

编者
2021年1月于北京

目　录
第1章　绪论 1
1.1　什么是人工智能 1
1.2　人工智能的发展简史 2
1.3　人工智能的研究目标 7
1.4　人工智能的研究方法 7
1.4.1　符号主义研究方法 7
1.4.2　连接主义研究方法 8
1.4.3　行为主义研究方法 8
1.5　人工智能的基本研究内容 9
1.5.1　智能感知 9
1.5.2　智能推理 9
1.5.3　智能学习 10
1.5.4　智能行动 10
习题 11
第2章　知识表示 12
2.1　知识表示概述 12
2.1.1　什么是知识 13
2.1.2　知识表示 14
2.2　状态空间表示法 15
2.2.1　问题状态描述 16
2.2.2　状态图示法 17
2.3　谓词逻辑表示法 18
2.3.1　谓词逻辑表示法的逻辑基础 19
2.3.2　连接词和量词 20
2.3.3　谓词逻辑表示法的步骤 21
2.3.4　谓词逻辑表示法的特点 22
2.4　语义网络表示法 23
2.4.1　语义基元 23
2.4.2　语义网络中常用的语义联系 23
2.4.3　语义网络的知识表示方法 25
2.4.4　语义网络的推理过程 29
2.4.5　语义网络表示法的特点 30
2.5　框架表示法 30
2.5.1　框架的基本结构 31
2.5.2　基于框架的推理过程 31
2.5.3　框架表示法的特点 33
2.6　案例：知识图谱 33
习题 35
第3章　逻辑推理及方法 37
3.1　逻辑推理概述 37
3.1.1　逻辑推理的定义 37
3.1.2　逻辑推理的分类 38
3.1.3　逻辑推理的控制策略 44
3.2　逻辑推理的基础 45
3.2.1　谓词公式 45
3.2.2　谓词公式的范式 49
3.2.3　置换与合一 50
3.3　归结演绎推理 54
3.3.1　子句集 54
3.3.2　鲁滨逊归结原理 59
3.3.3　归结反演 63
3.3.4　归结策略 65
3.4　非归结演绎推理 69
3.4.1　自然演绎推理 69
3.4.2　与或形演绎推理 72
3.5　案例：家庭财务分配管理系统 78
习题 80
第4章　非确定性推理及方法 81
4.1　什么是非确定性推理 81
4.2　基本的概率推理 84
4.2.1　经典概率方法 85
4.2.2　逆概率方法 85
4.3　主观贝叶斯推理 87
4.3.1　非确定性表示 88
4.3.2　非确定性传递 91
4.3.3　结论非确定性的组合 93
4.4　基于可信度的推理 93
4.4.1　非确定性表示 94
4.4.2　非确定性计算 96
4.4.3　非确定性更新 96
4.4.4　结论非确定性的组合 97
4.5　证据理论 97
4.5.1　DS理论 98
4.5.2　非确定性表示 103
4.5.3　非确定性计算 104
4.5.4　非确定性更新 104
4.6　模糊推理 105
4.6.1　模糊理论 106
4.6.2　模糊匹配 110
4.6.3　模糊推理 111

4.7　案例：基于朴素贝叶斯方法的垃圾
邮件过滤 112
习题 114
第5章　搜索策略 115
5.1　搜索的基本概念 115
5.2　基于状态空间的盲目搜索 116
5.2.1　状态空间的一般性搜索 117
5.2.2　状态空间的广度优先搜索 118
5.2.3　状态空间的深度优先搜索 120
5.3　基于状态空间的启发式搜索 122
5.3.1　动态规划 122
5.3.2　A*算法 124
5.3.3　爬山法 126
5.3.4　模拟退火算法 127
5.4　基于树的盲目搜索 129
5.4.1　与或树的一般性搜索 130
5.4.2　与或树的广度优先搜索 131
5.4.3　与或树的深度优先搜索 133
5.5　基于树的启发式搜索 134
5.5.1　与或树的有序搜索 134
5.5.2　博弈树搜索 139
5.5.3　博弈树的剪枝优化 142
5.6　案例：无人驾驶中的搜索策略 142
习题 144
第6章　机器学习 146
6.1　机器学习概述 146
6.2　决策树 148
6.2.1　决策树和决策树构造 148
6.2.2　ID3生成算法 152
6.2.3　使用决策树实现分类 153
6.3　贝叶斯模型 156
6.3.1　贝叶斯概率 156
6.3.2　朴素贝叶斯模型 157
6.3.3　贝叶斯网络 159
6.4　支持向量机 160
6.4.1　超平面分割和最大间隔 160
6.4.2　线性可分支持向量机 161
6.4.3　非线性可分支持向量机 162
6.4.4　支持向量机实现多分类 163
6.5　聚类算法 164
6.5.1　聚类解决的问题 164
6.5.2　K-Means 165
6.5.3　层次聚类 167
6.5.4　聚类分析的医学应用 169
6.6　神经网络与深度学习 169
6.6.1　神经元、感知器、人工神经
网络 169
6.6.2　径向神经网络 170
6.6.3　Hopfield神经网络 171
6.6.4　玻尔兹曼机 172
6.6.5　自组织映射网络 172
6.6.6　BP神经网络 173
6.6.7　深度学习，究竟“深”在
何处 174
6.6.8　卷积神经网络 175
6.6.9　循环神经网络 178
6.6.10　生成式对抗网络 179
6.6.11　让“渣”画质的图像以
假乱真 180
6.7　强化学习 181
6.7.1　强化学习“强化”了什么 181
6.7.2　Q-Learning算法 181
6.7.3　DQN算法 182
6.7.4　让计算机自己玩游戏 183
6.8　案例：账号过滤 184
习题 186
第7章　人工智能的其他应用领域 189
7.1　计算机视觉 189
7.1.1　视觉与视觉图像 190
7.1.2　图像特征的提取 193
7.1.3　视觉模型与图像识别 196
7.2　自然语言处理 198
7.2.1　打破机器与人的语言障碍 198
7.2.2　词法分析 199
7.2.3　句法分析 199
7.2.4　语义分析 199
7.2.5　语料库的建立与处理 200
7.3　智能体 201
7.3.1　智能体的研究与发展 201
7.3.2　智能体通信 204
7.3.3　多智能体系统的协调与协作 207
7.4　案例：病斑叶片识别 209
习题 211
参考文献 212