理论和实践的紧密结合是人工智能领域的显著特点。为了降低初学者的学习门槛，引导初学者了解人工智能的基本概念，并以实际应用促进感性认知，我们编写了本书。
本书共7章。第1章介绍人工智能的发展、概念以及典型应用;第2章介绍知识表示方法和搜索技术;第3章介绍Python编程的基本知识，作为后续内容的程序设计基础;第4章和第5章介绍分类与聚类以及回归等方法；第6章介绍神经网络的原理和方法；第7章简要介绍最热门的深度学习技术。
第4～6章在原理讲解的同时，给出了程序示例，以增强感性认识，并引导初学者在实践中理解理论和方法。
本书可以作为人工智能、大数据及相关专业本科生的基础导论课程教材，也可以作为其他学科研究人员学习人工智能技术的参考书。
刘刚，男，博士，兰州大学信息科学与工程学院讲师，硕士研究生导师。研究方向为人工智能、机器学习。先后承担和参与了国家自然科学基金等多个科研项目，中国计算机学会CCF会员。
第1章绪论1
1.1人工智能的历史及概念1
1.1.1人工智能的起源与历史1
1.1.2人工智能的概念3
1.1.3人工智能的特征4
1.2人工智能关键技术6
1.2.1机器学习6
1.2.2知识图谱8
1.2.3自然语言处理9
1.2.4人机交互10
1.2.5计算机视觉12
1.2.6生物特征识别13
1.2.7虚拟现实/增强现实15
1.3人工智能产业现状及趋势16
1.3.1智能基础设施17
1.3.2智能信息及数据18
1.3.3智能技术服务18
1.3.4人工智能行业应用18
1.3.5人工智能产业发展趋势21
1.4安全、伦理、隐私问题21
1.4.1人工智能的安全问题22
1.4.2人工智能的伦理问题23
1.4.3人工智能的隐私问题24
1.5人工智能专业课程体系24
1.6本章小结26
习题26
第2章知识表示方法及搜索方法27
2.1知识表示方法27
2.1.1状态空间法27
2.1.2问题归约法29
2.1.3与或图表示法31
2.1.4谓词逻辑法33
2.1.5语义网络法36
2.1.6其他方法38
2.2搜索技术43
2.2.1图搜索策略43
2.2.2盲目搜索44
2.2.3启发式搜索47
2.2.4A算法50
2.3本章小结52
习题52
目录
人工智能导论
第3章Python编程简介53
3.1IPython及其使用53
3.1.1IPython控制台53
3.1.2语句与表达式54
3.1.3错误信息58
3.1.4模块59
3.2数据结构59
3.2.1对象和方法60
3.2.2列表60
3.2.3数组62
3.3程序控制68
3.3.1分支结构68
3.3.2循环结构71
3.4脚本73
3.4.1脚本设计73
3.4.2脚本执行74
3.5输入、输出与可视化75
3.5.1输入与输出75
3.5.2数据可视化78
3.6本章小结81
习题82
第4章分类与聚类83
4.1K最近邻算法83
4.1.1算法概述83
4.1.2基本思想84
4.1.3算法实践84
4.2朴素贝叶斯86
4.2.1算法概述86
4.2.2基本思想86
4.2.3算法实践87
4.3决策树90
4.3.1算法概述91
4.3.2基本思想91
4.3.3构造方法91
4.3.4算法实践92
4.4随机森林94
4.4.1算法概述94
4.4.2基本思想94
4.4.3算法实践94
4.5K均值聚类算法96
4.5.1算法概述97
4.5.2算法实践97
4.6本章小结98
习题98
第5章回归99
5.1一元线性回归99
5.1.1线性关系99
5.1.2一元线性回归101
5.2多元线性回归106
5.3梯度下降法108
5.3.1梯度下降法的原理108
5.3.2基于梯度下降法的多元线性回归110
5.4Logistic回归111
5.4.1Logistic回归模型111
5.4.2Logistic回归应用113
5.5本章小结117
习题117
第6章人工神经网络119
6.1感知机119
6.1.1感知机模型119
6.1.2感知机学习策略120
6.1.3应用感知机进行分类124
6.1.4感知机的局限性127
6.2多层感知机127
6.2.1多层感知机模型127
6.2.2多层感知机的训练——BP算法129
6.3多层感知机的应用131
6.3.1多层感知机逼近XOR问题131
6.3.2多层感知机识别手写数字135
6.4其他神经网络140
6.4.1递归神经网络140
6.4.2霍普菲尔德网络141
6.4.3玻尔兹曼机143
6.4.4自组织映射144
6.5本章小结144
习题145
第7章深度学习146
7.1深度学习的历史和定义146
7.1.1深度学习的历史146
7.1.2深度学习的定义148
7.2深度学习模型149
7.2.1深度信念网络149
7.2.2卷积神经网络151
7.2.3长短时记忆153
7.2.4对抗生成网络155
7.3深度学习主要开发框架156
7.3.1Tensorflow156
7.3.2PyTorch与Caffe 2157
7.3.3飞桨158
7.3.4Keras159
7.4深度学习的应用160
7.4.1计算机视觉160
7.4.2语音与自然语言处理160
7.4.3推荐系统160
7.4.4自动驾驶161
7.4.5风格迁移161
7.5深度学习的展望162
7.6本章小结163
习题164
参考文献165
新书资讯