人工智能基礎：基於Python的人工智能實踐

本書系統闡述了人工智慧的基本原理、方法和應用技術，以知識為線索，分為知識搜索、知識發現、知識推理和知識應用四個部分，全面反映了人工智慧領域國內外的近期新研究進展和動態。為便於讀者深入學習，每章的最後一節均配有相關方法的案例和程式設計內容，大部分章末配有課後練習，讀者可掃描書中二維碼獲取相關代碼和參考答案。

本書可作為高等學校智慧科學與技術、人工智慧、自動化、機器人工程等相關專業學生學習人工智慧課程的教材，也可供從事人工智慧研究與應用的科技工作者參考。

第1章 概論 1
1．1 什麼是人工智慧？ 1
1．2 人工智慧的發展歷史、現狀及未來發展方向 2
1．2．1 人工智慧的發展歷史 2
1．2．2 人工智慧的現狀 3
1．2．3 人工智慧發展趨勢與展望 4
1．3 人工智慧的主要學派 4
1．3．1 符號主義 4
1．3．2 連接主義 5
1．3．3 行為主義 6
1．3．4 三大學派的協同並進 6
1．4 開發工具 7
1．4．1 為什麼使用Python 來開發人工智慧 7
1．4．2 Python 簡介 7
課後練習 10

第一部分 知識搜索011
第2 章 搜索的基本策略 12
2．1 搜索過程 12
2．2 盲目搜索策略 13
2．2．1 寬（廣）度優先搜索策略 14
2．2．2 深度優先搜索策略 14
2．3 啟發式搜索策略 15
2．3．1 有序搜索演算法（A 演算法） 15
2．3．2 A演算法 16
2．4 程式設計實踐 16
2．4．1 八數碼難題 16
2．4．2 自動駕駛運動規劃 19
課後練習 21

第3 章 搜索的不錯策略 23
3．1 群智慧優化演算法 23
3．1．1 蟻群演算法 23
3．1．2 粒子群優化演算法 25
3．2 動態規劃 25
3．3 程式設計實踐 28
3．3．1 蟻群演算法求解路徑優化問題 28
3．3．2 動態規劃求解鋼條切割效益優選化問題 31
課後練習 32

第二部分 知識發現035
第4 章 概念學習和決策樹 36
4．1 概念學習 36
4．1．1 什麼是概念學習 36
4．1．2 尋找極大特殊假設演算法 37
4．1．3 候選消除演算法 38
4．2 決策樹學習 38
4．2．1 劃分屬性準則 39
4．2．2 決策樹的生成 41
4．3 歸納學習假設 44
4．4 程式設計實踐 44
4．4．1 尋找極大特殊假設演算法解決概念學習 44
4．4．2 候選消除演算法解決概念學習問題 45
4．4．3 使用決策樹對貸款申請樣本進行決策 45
4．4．4 使用決策樹對鳶尾花資料集進行分類 47
課後練習 49

第5 章 線性回歸和分類 51
5．1 線性回歸 51
5．1．1 線性模型 51
5．1．2 多項式回歸 53
5．1．3 正則化方法 53
5．2 線性分類 54
5．3 程式設計實踐 56
5．3．1 使用線性回歸預測波士頓房價 56
5．3．2 使用邏輯回歸分類模擬資料 58
課後練習 60

第6 章 統計學習方法 62
6．1 貝葉斯方法 62
6．1．1 貝葉斯定理 63
6．1．2 樸素貝葉斯分類器 63
6．2 支持向量機 66
6．2．1 線性支援向量機 66
6．2．2 軟間隔 69
6．2．3 核函數 70
6．3 程式設計實踐 71
6．3．1 使用貝葉斯方法實現垃圾郵件過濾 71
6．3．2 使用支援向量機實現鳶尾花資料的分類 73
課後練習 75

第7 章 人工神經網路和深度學習 76
7．1 人工神經網路 76
7．1．1 基本單元 77
7．1．2 網路結構 78
7．1．3 典型的神經網路 80
7．2 深度學習 87
7．2．1 卷積神經網路 87
7．2．2 迴圈神經網路 89
7．3 程式設計實踐 93
7．3．1 基於神經網路的雙螺旋資料分類 93
7．3．2 手寫數位識別 96
7．3．3 地球溫度預測 99
課後練習 101

第8 章 聚類 104
8．1 聚類基礎 104
8．2 K 均值聚類 106
8．2．1 演算法 106
8．2．2 如何選擇很優的聚類個數 108
8．3 基於密度的聚類演算法 109
8．4 譜聚類 110
8．5 程式設計實踐 111
8．5．1 K 均值實例 111
8．5．2 基於密度的聚類演算法實例 114
8．5．3 譜聚類實例 117
課後練習 118

第三部分 知識推理121
第9 章 知識表示方法 122
9．1 什麼是知識 122
9．2 人工智慧所關心的知識 123
9．3 知識表示方法 124
9．3．1 狀態空間法 124
9．3．2 問題規約法 125
9．3．3 謂詞邏輯法 125
9．3．4 語義網路標記法 126
9．3．5 產生式標記法 126
9．3．6 框架標記法 127
9．3．7 物件導向的表示方法 127
9．4 程式設計實踐 127
9．4．1 狀態空間法解決野人過河問題 127
9．4．2 問題規約法解決梵塔問題 128
9．4．3 謂詞邏輯法解決八皇后問題 129
課後練習 130

第10 章 經典邏輯推理 132
10．1 推理 132
10．2 命題和謂詞 133
10．2．1 命題和命題邏輯 133
10．2．2 謂詞與謂詞邏輯 134
10．3 自然演繹推理 135
10．4 歸結演繹推理 136
10．4．1 謂詞公式化為子句集 136
10．4．2 等價式 138
10．4．3 永真蘊含式 139
10．4．4 置換和合一 139
10．4．5 歸結原理（定理證明） 140
10．4．6 歸結反演（問題求解） 141
10．5 與或型演繹推理 141
10．6 產生式系統 141
10．7 程式設計實踐 142
10．7．1 自然演繹推理實例 142
10．7．2 動物識別系統 143
課後練習 148

第四部分 領域應用149
第11 章 專家系統 150
11．1 專家系統 150
11．2 專家系統的結構和建造步驟 152
11．2．1 專家系統的簡化結構 152
11．2．2 專家系統的開發 153
11．3 基於規則的專家系統 154
11．4 程式設計實例 155
11．4．1 基於決策樹的專家系統規則提取 155
11．4．2 Boston 資料集上的專家規則提取 156
課後練習 158

第12 章 人臉識別 159
12．1 人臉識別 159
12．1．1 Haar 特徵 160
12．1．2 AdaBoost 160
12．2 程式設計實例 161
12．2．1 人臉檢測 161
12．2．2 人臉識別 162

第13 章 自然語言處理 164
13．1 自然語言處理 164
13．1．1 自然語言處理的發展歷程 165
13．1．2 自然語言處理的基本技術 166
13．2 程式設計實踐 170
13．2．1 基於傳統機器學習演算法的文本分類 170
13．2．2 基於深度學習的文本分類 172

參考文獻 175