高等院校教师

目录
前言
第1章?绪论 1
1.1?人工智能概述 1
1.1.1?智能的定义 1
1.1.2?人工智能的定义 2
1.1.3?弱人工智能与强人工智能 5
1.1.4?适用于人工智能求解的问题 6
1.2?人工智能研究的基本内容 7
1.3?人工智能研究的主要方法 8
1.3.1?符号主义学派 9
1.3.2?连接主义学派 9
1.3.3?行为主义学派 10
本章小结 11
思考题与习题 11
第2章?知识表示与推理 13
2.1?知识与知识表示 13
2.1.1?知识的概念 14
2.1.2?知识表示的概念 15
2.2?产生式及产生式系统 16
2.2.1?产生式 16
2.2.2?产生式系统 17
2.2.3?产生式表示法的特点 18
2.3?语义网络 18
2.3.1?语义基元和常用语义关系 18
2.3.2?语义网络表示 19
2.3.3?语义网络表示法的特点 21
2.4?框架 21
2.4.1?框架结构 21
2.4.2?框架网络 23
2.4.3?框架表示法的特点 23
2.5?知识图谱 24
2.5.1?三元组表示 24
2.5.2?向量化表示 25
2.5.3?知识图谱的特点 28
2.6?基于逻辑的知识表示 28
2.6.1?命题公式 28
2.6.2?谓词公式 29
2.6.3?一阶谓词逻辑知识表示方法 30
2.6.4?一阶谓词逻辑知识表示方法的特点 30
2.7?推理的基本概念 31
2.7.1?推理的定义 31
2.7.2?推理的分类 31
本章小结 34
思考题与习题 34
第3章?确定性推理 35
3.1?一阶谓词逻辑语法和语义? 35
3.1.1?一阶谓词逻辑语法 35
3.1.2?世界及解释 36
3.1.3?模型及相关概念 37
3.2?一阶谓词逻辑演算规则 37
3.2.1?等价式 38
3.2.2?推理规则 39
3.3?演绎推理 39
3.4?合式公式到子句集的转化 40
3.4.1?标准型 40
3.4.2?子句集 42
3.5?谓词演算中的归结 43
3.5.1?命题公式的归结 43
3.5.2?置换与合一 43
3.5.3?谓词逻辑公式的归结 45
3.6?归结原理与归结反演系统 46
3.6.1?归结原理 46
3.6.2?归结反演系统 46
3.7?Herbrand定理 50
3.7.1?Herbrand论域与Herbrand解释 50
3.7.2?语义树 52
3.7.3?Herbrand定理与归结法的完备性 53
本章小结 55
思考题与习题 56
第4章?不确定性推理 57
4.1?不确定性的表示与量化 57
4.1.1?不确定性的表示 57
4.1.2?不确定性的量化 58
4.2?概率推理 61
4.2.1?概率理论基础 61
4.2.2?贝叶斯网络 63
4.2.3?基于贝叶斯网络的概率推理 64
4.2.4?证据理论（D-S Theory） 66
4.3?模糊推理 70
4.3.1?模糊理论基础 70
4.3.2?模糊假言推理 73
本章小结 74
思考题与习题 75
第5章?无信息的盲目搜索 76
5.1?问题表示与求解 76
5.1.1?问题的状态空间表示 76
5.1.2?基于搜索的问题求解 78
5.1.3?搜索算法的评价指标 81
5.2?状态空间的搜索 82
5.2.1?回溯搜索的实现 82
5.2.2?深度优先搜索 83
5.2.3?宽度优先搜索 85
5.3?高级搜索 86
5.3.1?局部搜索算法 87
5.3.2?模拟退火搜索 89
5.3.3?遗传算法搜索 93
本章小结 98
思考题与习题 99
第6章?基于经验的启发式搜索 100
6.1?启发式搜索的基本思想 100
6.1.1?启发信息与评价函数 100
6.1.2?启发式搜索策略 101
6.2?状态空间的启发式搜索 102
6.2.1?最好优先搜索算法 102
6.2.2?分支限界法 104
6.2.3?最佳图搜索算法A* 106
6.3?与或图的启发式搜索 110
6.3.1?问题归约表示 110
6.3.2?与或图及解图 111
6.3.3?AO*算法 112
6.4?博弈树的搜索 116
6.4.1?博弈树 117
6.4.2?极小-极大搜索过程 118
6.4.3?α-β搜索过程 120
本章小结 122
思考题与习题 123
第7章?机器学习 124
7.1?概述 124
7.1.1?机器学习的定义 125
7.1.2?机器学习的基本结构 125
7.1.3　机器学习的基本策略 126
7.2?归纳学习 127
7.2.1?归纳学习的模式和规则 127
7.2.2?归纳学习方法 129
7.2.3?ID3决策树归纳算法 131
7.3?分析学习 133
7.3.1?类比推理和类比学习 133
7.3.2?基于解释的学习 135
7.4?无监督学习 137
7.4.1?聚类算法 137
7.4.2?主成分分析 139
7.5?强化学习 140
7.5.1?强化学习的一般模式 140
7.5.2?被动强化学习 141
7.5.3?主动强化学习 143
本章小结 145
思考题与习题 145
第8章?人工神经网络与深度学习 147
8.1?人工神经网络概述 147
8.1.1?生物神经元的结构 147
8.1.2?神经元数学模型 148
8.1.3?人工神经网络的结构 153
8.2?感知机学习 154
8.2.1?感知机的结构和原理 154
8.2.2?感知机学习算法 155
8.2.3?Delta规则 157
8.3?反传学习 158
8.3.1?有隐含层的神经网络 158
8.3.2?误差反向传播算法 159
8.4?Hebbian一致性学习 164
8.4.1?无监督Hebbian学习 164
8.4.2?有监督Hebbian学习 167
8.5?深度神经网络 168
8.5.1?自编码器 168
8.5.2?卷积神经网络 171
8.5.3?循环神经网络 177
8.5.4?生成对抗网络 183
8.5.5?注意力机制 187
本章小结 191
思考题与习题 191
第9章 ?多智能体系统 192
9.1?概述 192
9.1.1?智能体的概念与体系结构 192
9.1.2?多智能体系统的概念与体系结构 196
9.1.3?智能体之间的通信 199
9.2?多智能体协同和群体智能 200
9.2.1?多智能体协同 200
9.2.2?群体智能 202
9.3?基于大语言模型的智能体 205
9.3.1?AI智能体与大语言模型 205
9.3.2?AI智能体的构建 206
9.3.3?AI智能体的实践 207
本章小结 208
思考题与习题 208
第10章?人机混合增强智能 209
10.1?概述? 209
10.1.1?人机混合增强智能的发展历史 209
10.1.2?人机混合增强智能的形式与分类 210
10.1.3?人机混合增强智能的典型案例 211
10.2?人在回路的混合增强智能 212
10.2.1?人在环上的混合增强智能 212
10.2.2?人在环内的混合增强智能 215
10.2.3?人在回路混合增强智能系统的实例 216
10.3?基于认知计算的混合增强智能 220
10.3.1?认知计算简介 220
10.3.2?类脑计算原理与应用 222
10.3.3?人工大脑模型与应用 225
10.3.4?脑机接口技术 226
本章小结 229
思考题与习题 229
第11章?人工智能应用 230
11.1?人工智能在视觉分析与生成中的应用 230
11.1.1?目标检测与识别 230
11.1.2?图像与视频自动生成 232
11.2?人工智能在自主智能系统中的应用 234
11.2.1?无人驾驶车辆 235
11.2.2?无人机集群 236
11.2.3?极端环境下的探索机器人 236
11.3?人工智能在智能制造中的应用 238
11.3.1?工业流程自动化 238
11.3.2?产品检验自动化 239
11.3.3?仓储物流自动化 240
11.4?人工智能在智慧城市中的应用 241
11.4.1?智能交通管理 241
11.4.2?智慧能源管理 242
11.4.3?智能废料管理 243
11.5?人工智能在医疗健康中的应用 244
11.5.1?医学影像智能诊断 245
11.5.2?健康监测与远程医疗 246
11.5.3?人工智能驱动的药物研发 247
11.6?人工智能在科学探索中的应用 248
11.6.1?自动化实验与发现 248
11.6.2?数据分析与表征学习 249
11.6.3?科学模拟与预测 250
本章小结 253
思考题与习题 253
第12章?人工智能伦理与安全 254
12.1?新一代人工智能伦理规范 254
12.1.1?新一代人工智能伦理规范概况 254
12.1.2?人工智能引发的伦理问题 255
12.1.3?人工智能伦理规范的核心原则 258
12.2?可信人工智能 258
12.2.1?人工智能的不可信任的表现和成因 259
12.2.2?可信人工智能的安全类型 259
12.2.3?构建可信人工智能的途径 260
12.3?人工智能可解释性 262
12.3.1?可解释性人工智能概述 262
12.3.2?发展人工智能可解释性的基本途径 263
12.4?人工智能安全 264
12.4.1?人工智能安全风险的类型 264
12.4.2?人工智能安全风险的应对策略 265
本章小结 267
思考题 267
参考文献 268