正版新书]人工智能导论 第2版凌锋,周苏 编9787111770572

前言
课程教学进度表
第1章概论
【导读案例】有意义的人工智能时代
11计算的渊源
111阿拉伯数字
112巴贝奇与数学机器
113“机器人”的由来
12计算机的出现
121为战争而发展的计算机器
122计算机无处不在
123通用计算机
124计算机语言
125计算机建模
126人工智能大师
13人工的智能行为
131什么是“智能”
132类人行为：图灵测试
133类人思考：认知建模
134理性思考：思维法则
135理性行为：理性智能体
14人工智能学科
141人工智能学科基础
142人工智能定义
143人工智能的实现途径
15人工智能发展的6个阶段
【作业】
第2章模糊逻辑与大数据思维
【导读案例】电商网站的推荐系统
21什么是模糊逻辑
211甲虫机器人的规则
212模糊逻辑的发明
213制定模糊逻辑的规则
214模糊逻辑的定义
215模糊理论的发展
22模糊逻辑系统
221纯模糊逻辑系统
222高木-关野模糊逻辑系统
223具有模糊产生器及模糊消除器的模糊逻辑系统
23大数据思维与变革
231思维转变之一：样本=总体
232思维转变之二：接受数据的混杂性
233思维转变之三：数据的相关关系
24大数据与人工智能
241人工智能与大数据的联系
242人工智能与大数据的区别
243人工智能深化大数据应用
【作业】
第3章智能体与智能代理
【导读案例】智能体：下一个颠覆性AI应用
31智能体和环境
32智能体的良好行为
321性能度量
322理性
323全知、学习和自主
33环境的本质
331指定任务环境
332任务环境的属性
34智能体的结构
341智能体程序
342学习型智能体
343智能体程序组件的工作
35智能代理技术
351智能代理的定义
352智能代理的典型工作过程
353智能代理的特点
354系统内的协同合作
36智能代理的典型应用
361股票/债券/期货交易
362医疗诊断
363搜索引擎
364实体机器人
365游戏代理
【作业】
第4章知识表示及其方法
【导读案例】智能体将重构人机交互
41什么是知识表示
411知识的概念
412知识表示方法
413表示方法的选择
42图形草图
43图和哥尼斯堡桥问题
44搜索树（决策树）
45产生式系统
46面向对象
47框架法
48语义网络
481语义网络表示
482知识图谱
【作业】
第5章规则与专家系统
【导读案例】人工智能时代的工作路径
51专家的技能与特点
511在自己的领域里作为专家
512技能获取的5个阶段
513专家的特点
52规则与策略
521制胜策略
522知识工程
523知识获取
53利用规则推导建立专家系统
531规则举例
532建立框架
533IBM的沃森系统
54专家系统及其发展
541建立专家系统的思考
542专家系统的特征
543典型的专家系统——ADIS
55专家系统的结构
551专家系统的功能
552知识库
553推理机
554其他部分
555实现方式
【作业】
第6章机器学习及其算法
【导读案例】奈飞的电影推荐引擎
61什么是机器学习
611机器学习的发展
612机器学习的定义
613机器学习的研究
62基于学习方式的分类
621监督学习
622无监督学习
623强化学习
624机器学习的其他分类
63机器学习的基本结构
64机器学习算法
641专注于学习能力
642回归算法
643基于实例的算法
644决策树算法
645朴素贝叶斯算法
646聚类算法
647支持向量机算法
648神经网络算法
649Boosting与Bagging算法
6410关联规则算法
6411EM（期望最大化）算法
65机器学习的应用
651数据分析与挖掘
652模式识别
653生物信息学应用
654物联网
655聊天机器人
656自动驾驶
【作业】
第7章神经网络与深度学习
【导读案例】谷歌大脑
71动物的中枢神经系统
711神经系统的结构
712神经系统学习机制
72了解人工神经网络
721人工神经网络的研究
722典型的人工神经网络
723类脑计算机
73深度学习的定义
731深度学习的优势
732深度学习的意义
733神经网络理解图片
734训练神经网络
735深度学习的方法
74卷积神经网络
741为什么选择卷积
742卷积神经网络结构
75迁移学习
751基于实例的迁移
752基于特征的迁移
753基于共享参数的迁移
76深度学习的应用
【作业】
第8章创建智能系统的强化学习
【导读案例】机器学习帮助拯救濒危物种
81强化学习的定义
811以奖励假说为基础
812片段性任务及连续性任务
813强化学习发展历史
814基本模型和原理
815网络模型设计
816设计考虑
817数据依赖性
82强化学习与监督学习的区别
821强化学习与监督学习和无监督
学习的不同
822学习方式
823先验知识与标注数据
83强化学习的基础理论
831基于模型环境与免模型环境
832探索与利用
833预测与控制
84强化学习分类
841从奖励中学习
842被动强化学习
843主动强化学习
844强化学习中的泛化
845学徒学习与逆强化学习
85强化学习的应用
851游戏博弈
852机器人控制
853制造业
854医疗服务业
855电子商务
【作业】
第9章数据挖掘与经典算法
【导读案例】评估葡萄酒的品质
91从数据到知识
911决策树分析
912购物车分析
913贝叶斯网络
92数据挖掘方法
921数据挖掘的发展
922数据挖掘的对象
923数据挖掘的步骤
924数据挖掘分析方法
93数据挖掘经典算法
931神经网络法
932决策树法
933遗传算法
934粗糙集法
935模糊集法
936关联规则法
94机器学习和数据挖掘
941数据挖掘和机器学习典型过程
942机器学习和数据挖掘应用案例
【作业】
第10章计算机视觉与处理
【导读案例】模仿人类视网膜的生物芯片
101模式识别
102图像识别
1021人类的图像识别能力
1022图像识别的基础
1023图形识别的模型
1024神经网络图像识别
103计算机视觉技术
1031什么是机器视觉
1032定义计算机视觉
1033计算机视觉与机器视觉的区别
104智能图像处理技术
1041图像采集
1042图像预处理
1043图像分割
1044目标识别和分类
1045目标定位和测量
1046目标检测和跟踪
105计算机视觉系统典型功能
106计算机视觉技术的应用
1061机器视觉的行业应用
1062检测与机器人视觉应用
1063布匹生产质量检测
【作业】
第11章包容体系结构与机器人
【导读案例】RoboCup机器人世界杯足球锦标赛
111什么是包容体系结构
1111所谓“中文房间”
1112传统机器人学
1113建立包容体系结构
112包容体系结构的实现
1121艾伦机器人
1122赫伯特机器人
1123托托机器人
113划时代的阿波罗计划
114机器感知
1141机器智能与智能机器
1142机器思维与思维机器
1143机器行为与行为机器
115机器人的概念
1151机器人的发展
1152机器人“三原则”
116机器人的技术问题
1161机器人的组成
1162机器人的运动
1163机器人大狗
【作业】
第12章自然语言与语音处理
【导读案例】机器翻译：大数据简单算法与小数据复杂算法
121语言的问题和可能性
122什么是自然语言处理
1221自然语言处理的原因
1222自然语言处理的方法
1223自然语言处理的任务
1224语言模型
123语法类型与语义分析
1231语法类型
1232语义分析
124处理数据与处理工具
1241统计NLP语言数据集
1242自然语言处理工具
1243自然语言处理技术难点
125语音处理
1251语音处理的发展
1252语音理解
1253语音识别
【作业】
第13章GPT大语言模型崛起
【导读案例】难以区分的人工智能和人类艺术
131自然语言处理的进步
1311关于ImageNet
1312自然语言处理的ImageNet时刻
1313从GPT-1到GPT-3
1314ChatGPT聊天机器人模型与对策
1315从文本生成音乐的MusicLM模型
1316检测AI文本的DetectGPT算法
132科普AI大语言模型
1321大语言模型的能力
1322国内的大语言模型
1323获得大模型的机会
133ChatGPT的模仿秀
1331旧的守卫，新的想法
1332搜索引擎结合LLM
1333克服简单编造与重复
134传统行业的下岗
1341客服市场，AI本来就很“卷”
1342伐木场迎来工业革命
1343新技术，新问题
【作业】
第14章向动物学习群体智能
【导读案例】“超级蜂群”无人机
141向蜜蜂学习群体智能
142什么是群体智能
1421群体人工智能技术
1422群体智能的两种机制
1423基本原则与特点
143典型算法模型
1431蚁群算法
1432搜索机器人
1433微粒群（鸟群）优化算法
1434没有机器人的集群
144群体智能背后的故事
145群体智能的应用与发展
【作业】
第15章智能制造与智能建造
【导读案例】互联网之父预言：智能眼镜未来将取代手机
151智能制造
1511综合特征
1512智能技术
1513测控装置
1514运作过程
152数字孪生
1521数字孪生的动态仿真
1522数字孪生的价值
153建筑信息模型
1531BIM基本特性
1532BIM对工程造价的影响
1533BIM模型的构架
1534BIM生态系统
1535BIM全周期实施规划
154智能建造
1541智能建造的定义
1542实现智能建造
【作业】
第16章自动规划及其方法
【导读案例】人与机器更好相处的“阿凡达”之路
161规划的概念
162人工智能的乌姆普思世界
1621描述乌姆普思世界
1622探索乌姆普思世界
163什么是自动规划
1631定义经典规划
1632自动规划问题
164规划方法
1641规划即搜索
1642部分有序规划
1643分级规划
1644基于案例的规划
1645规划方法分析
165时间、调度和资源
1651时间约束和资源约束的表示
1652解决调度问题
166自动规划的应用
【作业】
第17章搜索技术与算法
【导读案例】科研变革进入第五范式：“加速”也要防“跑偏”
171关于搜索算法
172盲目搜索
1721状态空间图
1722回溯算法
1723贪婪算法
1724旅行销售员问题
1725深度优先搜索
1726广度优先搜索
1727迭代加深搜索
173知情搜索
1731启发法
1732爬山法
1733最陡爬坡法
1734最佳优先搜索
1735分支定界法
1736A*算法
174受到自然启发的搜索
1741遗传规划
1742蚂蚁聚居地优化
1743模拟退火
1744粒子群
1745禁忌搜索
【作业】
第18章人工智能的发展
【导读案例】AI生成的作品也有著作权
181创新发展与社会影响
1811人工智能发展的启示
1812人工智能的发展现状与影响
182伦理与安全
1821创造智能机器的大猩猩问题
1822积极与消极的方面
1823人才和基础设施短缺
1824设定伦理要求
1825强力保护个人隐私
1826机器人权利
183人工智能的极限
1831由非形式化得出的论据
1832衡量人工智能
184人工智能架构
1841传感器与执行器
1842通用人工智能
1843人工智能工程
185未来的人工智能
1851意识与感质
1852机器能思考吗
1853从模仿到理解
1854未来已来
【作业】
附录作业参考答案
参考文献

凌锋，男，博士，浙江省人工智能会理事，丽水学院电子与电气系主任，中共党员，2005年本科毕业于西南大学，2010年获电子科技大学硕士学位，2022年获博士学位，持有电子与通信、控制类专业高校教师资格证，双能型教师（认定）。擅长人工智能、嵌入式、物联网及无线通信、机器视觉等电子产品及系统设计。<br>周苏，1958年出生，苏州人。浙江大学城市学院教授，清华大学访问学者，科技部相关机构认证创新工程师（二级），清华大学《计算机教育》杂志“周苏专栏”作者。周苏教授的主要教学和研究方向为软件工程、操作系统和多媒体技术等，仅从自1999年参加独立学院工作以来，潜心体验大众化教育背景下的教学活动并探索其规律，认真踏实地进行教改研究，在教材研究与建设，教学方法改革与创新等方面积累了丰富的经验。

1）适合用作“人工智能通识”课程配套教材。
2）课前安排导读案例，引发学习者的自我学习兴趣。
3）提供浅显易懂的案例，重视对学习方法的培养。
4）精心制作37个知识点视频，并提供视频对应PPT。
5）配套提供：电子课件、微课视频、习题参考答案、教学大纲、教案、知识重难点、题库。

本书是为高等院校、职业本科院校计算机、人工智能各专业“人工智能导论”课程设计编写的教材，具有丰富的应用特色。全书较为系统、全面地介绍了人工智能相关的概念、理论、技术与应用，可以帮助读者扎实地打好人工智能的专业知识基础。本书共18章，内容包括概论、模糊逻辑与大数据思维、智能体与智能代理、知识表示及其方法、规则与专家系统、机器学习及其算法、神经网络与深度学习、创建智能系统的强化学习、数据挖掘与经典算法、计算机视觉与处理、包容体系结构与机器人、自然语言与语音处理、GPT大语言模型崛起、向动物学习群体智能、智能制造与智能建造、自动规划及其方法、搜索技术与算法、人工智能的发展。<br>本书既适合高等院校、职业本科院校学生学习，也适合对人工智能相关领域感兴趣的读者阅读参考。