第１章　人工智能概述　1 1.1　人工智能簡(jiǎn)介　1 1.1.1　人工智能的定義　1 1.1.2　人工智能的特點(diǎn)　2 1.1.3　人工智能的分類　2 1.2　人工智能的起源與發(fā)展　3 1.2.1　人工智能的歷史　3 1.2.2　我國(guó)的人工智能發(fā)展現(xiàn)狀　5 1.3　人工智能的研究?jī)?nèi)容　6 1.3.1　認(rèn)知建�！�6 1.3.2　知識(shí)表示　6 1.3.3　知識(shí)應(yīng)用　7 1.3.4　推理　7 1.3.5　機(jī)器感知　7 1.3.6　機(jī)器思維　7 1.3.7　機(jī)器學(xué)習(xí)　8 1.3.8　機(jī)器行為　8 1.4　人工智能領(lǐng)域的著名專家與代表性人物　8 1.4.1　艾倫 圖靈　8 1.4.2　斯圖爾特 羅素　8 1.4.3　斯蒂芬 霍金　9 1.4.4　賈斯汀 卡塞爾　9 1.4.5　約翰 麥卡錫　9 1.4.6　吳恩達(dá)　9 1.4.7　德米什 哈薩比斯　10 1.5　人工智能研究的主要學(xué)派　10 1.5.1　符號(hào)主義　10 1.5.2　連接主義　10 1.5.3　行為主義　11 1.6　人工智能的應(yīng)用　11 1.6.1　專家系統(tǒng)　11 1.6.2　自然語言處理　12 1.6.3　博弈　12 1.6.4　搜索　13 1.6.5　感知問題　13 1.6.6　模式識(shí)別　13 1.6.7　機(jī)器人學(xué)　13 1.7　小結(jié)　14 1.8　習(xí)題　14 第２章　人工智能基礎(chǔ)知識(shí)　15 2.1　人工智能的數(shù)學(xué)基礎(chǔ)　15 2.1.1　微積分　15 2.1.2　線性代數(shù)　16 2.1.3　概率論與數(shù)理統(tǒng)計(jì)　16 2.1.4　最優(yōu)化理論　17 2.1.5　形式邏輯　17 2.2　人工智能的常用工具　17 2.2.1　TensorFlow　17 2.2.2　Mahout　18 2.2.3　Torch　18 2.2.4　Spark MLlib　18 2.2.5　Keras　18 2.2.6　CNTK　18 2.3　數(shù)據(jù)采集　19 2.3.1　數(shù)據(jù)采集的概念　19 2.3.2　數(shù)據(jù)采集的常見方法　19 2.4　數(shù)據(jù)存儲(chǔ)　21 2.4.1　數(shù)據(jù)存儲(chǔ)的概念　21 2.4.2　數(shù)據(jù)存儲(chǔ)的方式　21 2.5　數(shù)據(jù)清洗　23 2.5.1　數(shù)據(jù)清洗的概念　23 2.5.2　數(shù)據(jù)清洗的原理　24 2.5.3　數(shù)據(jù)清洗的應(yīng)用領(lǐng)域　25 2.5.4　數(shù)據(jù)清洗的評(píng)估　25 2.6　數(shù)據(jù)分析　26 2.6.1　大數(shù)據(jù)分析概述　26 2.6.2　大數(shù)據(jù)分析的主要類型　26 2.6.3　數(shù)據(jù)挖掘　27 2.6.4　數(shù)據(jù)可視化　29 2.7　小結(jié)　32 2.8　習(xí)題　32 第3章　機(jī)器學(xué)習(xí)　34 3.1　機(jī)器學(xué)習(xí)概述　34 3.1.1　機(jī)器學(xué)習(xí)簡(jiǎn)介　34 3.1.2　機(jī)器學(xué)習(xí)的發(fā)展　35 3.1.3　機(jī)器學(xué)習(xí)的應(yīng)用前景　36 3.1.4　機(jī)器學(xué)習(xí)的未來　37 3.2　機(jī)器學(xué)習(xí)的分類　37 3.2.1　監(jiān)督學(xué)習(xí)　38 3.2.2　無監(jiān)督學(xué)習(xí)　39 3.2.3　半監(jiān)督學(xué)習(xí)　40 3.2.4　遷移學(xué)習(xí)　40 3.2.5　強(qiáng)化學(xué)習(xí)　41 3.3　機(jī)器學(xué)習(xí)常用算法　42 3.3.1　回歸算法　42 3.3.2　聚類算法　46 3.3.3　降維算法　49 3.3.4　決策樹算法　50 3.3.5　貝葉斯算法　51 3.3.6　支持向量機(jī)算法　53 3.3.7　關(guān)聯(lián)規(guī)則算法　54 3.3.8　遺傳算法　57 3.4　小結(jié)　60 3.5　習(xí)題　61 第4章　深度學(xué)習(xí)　62 4.1　神經(jīng)網(wǎng)絡(luò)　62 4.1.1　神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介　62 4.1.2　神經(jīng)網(wǎng)絡(luò)發(fā)展歷史　63 4.1.3　單個(gè)神經(jīng)元　64 4.1.4　神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)　64 4.1.5　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)　65 4.1.6　激活函數(shù)　66 4.1.7　損失函數(shù)　68 4.2　感知機(jī)　68 4.2.1　感知機(jī)簡(jiǎn)介　68 4.2.2　多層感知機(jī)　69 4.3　卷積神經(jīng)網(wǎng)絡(luò)　70 4.3.1　卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介　70 4.3.2　卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)　71 4.3.3　常用的卷積神經(jīng)網(wǎng)絡(luò)　72 4.4　循環(huán)神經(jīng)網(wǎng)絡(luò)　74 4.4.1　循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介　74 4.4.2　循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)　74 4.4.3　常用的循環(huán)神經(jīng)網(wǎng)絡(luò)　75 4.5　生成對(duì)抗網(wǎng)絡(luò)　76 4.5.1　生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介　76 4.5.2　生成對(duì)抗網(wǎng)絡(luò)的結(jié)構(gòu)　76 4.5.3　常用的生成對(duì)抗網(wǎng)絡(luò)　77 4.6　深度學(xué)習(xí)的應(yīng)用　78 4.6.1　AlphaGo Zero　78 4.6.2　自動(dòng)駕駛　80 4.7　小結(jié)　81 4.8　習(xí)題　82 第5章　計(jì)算機(jī)視覺　83 5.1　計(jì)算機(jī)視覺概述　83 5.1.1　計(jì)算機(jī)視覺簡(jiǎn)介　83 5.1.2　計(jì)算機(jī)視覺的發(fā)展歷史　84 5.1.3　計(jì)算機(jī)視覺研究的意義　85 5.1.4　計(jì)算機(jī)視覺的應(yīng)用及面臨的挑戰(zhàn)　85 5.2　圖像分類　88 5.2.1　圖像分類簡(jiǎn)介　88 5.2.2　圖像分類算法　88 5.3　目標(biāo)檢測(cè)　91 5.3.1　目標(biāo)檢測(cè)簡(jiǎn)介　91 5.3.2　目標(biāo)檢測(cè)框架模型　91 5.4　圖像分割　94 5.4.1　圖像分割簡(jiǎn)介　94 5.4.2　圖像分割算法　95 5.5　小結(jié)　96 5.6　習(xí)題　96 第6章　自然語言處理　97 6.1　自然語言處理簡(jiǎn)介　97 6.1.1　自然語言處理的定義　97 6.1.2　自然語言處理的發(fā)展歷程　98 6.1.3　自然語言處理的研究方向　99 6.1.4　自然語言處理的一般工作原理　100 6.2　自然語言處理的組成　101 6.3　自然語言理解　101 6.3.1　自然語言理解的層次　102 6.3.2　詞法分析　103 6.3.3　句法分析　104 6.3.4　語義分析　105 6.4　信息檢索　106 6.4.1　信息檢索簡(jiǎn)介　107 6.4.2　信息檢索的發(fā)展歷程　107 6.4.3　信息檢索的特點(diǎn)　108 6.4.4　信息檢索的基本原理　108 6.4.5　信息檢索的類型　108 6.4.6　信息檢索的應(yīng)用　110 6.5　機(jī)器翻譯　111 6.5.1　機(jī)器翻譯的基本模式　111 6.5.2　統(tǒng)計(jì)機(jī)器翻譯　112 6.5.3　機(jī)器翻譯的應(yīng)用　113 6.6　情感分析　114 6.6.1　情感分析概述　115 6.6.2　情感分析的定義　115 6.6.3　情感分析的任務(wù)　115 6.6.4　情感分析的應(yīng)用　117 6.6.5　情感分析面臨的困難與挑戰(zhàn)　119 6.7　語音識(shí)別　120 6.7.1　語音識(shí)別的定義　120 6.7.2　語音識(shí)別的發(fā)展歷程　120 6.7.3　語音識(shí)別的基本原理　121 6.7.4　語音識(shí)別的應(yīng)用　121 6.8　自然語言處理面臨的問題和展望　124 6.8.1　自然語言處理面臨的問題　124 6.8.2　自然語言處理的展望　125 6.9　小結(jié)　126 6.10　習(xí)題　127 第7章　知識(shí)圖譜　128 7.1　知識(shí)圖譜簡(jiǎn)介　128 7.1.1　知識(shí)圖譜的定義　128 7.1.2　知識(shí)圖譜的發(fā)展歷史　129 7.1.3　知識(shí)圖譜的類型　130 7.1.4　知識(shí)圖譜的重要性　131 7.2　知識(shí)表示和知識(shí)建�！�132 7.2.1　知識(shí)表示　132 7.2.2　知識(shí)建模　135 7.3　知識(shí)抽取　138 7.3.1　實(shí)體抽取　139 7.3.2　關(guān)系抽取　139 7.3.3　屬性抽取　139 7.4　知識(shí)存儲(chǔ)　140 7.4.1　知識(shí)存儲(chǔ)概述　140 7.4.2　知識(shí)存儲(chǔ)方式　140 7.4.3　知識(shí)存儲(chǔ)工具　141 7.5　知識(shí)融合　142 7.5.1　知識(shí)融合概述　142 7.5.2　知識(shí)融合過程　142 7.6　知識(shí)推理　143 7.6.1　知識(shí)圖譜的表示　143 7.6.2　并行知識(shí)推理　143 7.6.3　實(shí)體關(guān)系知識(shí)推理　144 7.6.4　模式歸納知識(shí)推理　144 7.7　知識(shí)圖譜的應(yīng)用　145 7.7.1　語義搜索　145 7.7.2　問答系統(tǒng)　146 7.8　小結(jié)　149 7.9　習(xí)題　150 第8章　人工智能技術(shù)應(yīng)用場(chǎng)景　151 8.1　智慧交通　151 8.1.1　智慧交通的概念　151 8.1.2　智慧交通中的人工智能應(yīng)用　152 8.1.3　智慧交通中的核心技術(shù)　153 8.2　智慧電商　155 8.2.1　智慧電商的概念　155 8.2.2　智慧電商中的人工智能應(yīng)用　155 8.2.3　智慧電商案例分析　159 8.3　智能醫(yī)學(xué)　160 8.3.1　智能醫(yī)學(xué)的概念　160 8.3.2　智能醫(yī)學(xué)的發(fā)展歷程　160 8.3.3　智能醫(yī)學(xué)涵蓋的內(nèi)容　161 8.3.4　醫(yī)學(xué)中的人工智能應(yīng)用　162 8.3.5　智能醫(yī)學(xué)的發(fā)展　164 8.4　智能制造　164 8.4.1　智能制造的概念　164 8.4.2　智能制造的特征　164 8.4.3　智能制造中的人工智能應(yīng)用　165 8.4.4　智能制造的發(fā)展　167 8.5　小結(jié)　168 8.6　習(xí)題　168 第9章　智能機(jī)器人　169 9.1　智能機(jī)器人概述　169 9.1.1　機(jī)器人簡(jiǎn)介　169 9.1.2　認(rèn)識(shí)智能機(jī)器人　173 9.1.3　智能機(jī)器人的發(fā)展現(xiàn)狀　174 9.1.4　智能機(jī)器人的前景　174 9.2　智能機(jī)器人的核心技術(shù)　175 9.2.1　定位導(dǎo)航　175 9.2.2　人機(jī)交互　180 9.3　智能機(jī)器人的應(yīng)用　181 9.4　小結(jié)　184 9.5　習(xí)題　185 第　10章 人工智能的挑戰(zhàn)與未來　186 10.1　人工智能的挑戰(zhàn)　186 10.1.1　數(shù)據(jù)　186 10.1.2　算法模型可解釋性　187 10.1.3　業(yè)務(wù)場(chǎng)景理解　188 10.1.4　服務(wù)方式　188 10.1.5　投入產(chǎn)出比　189 10.2　人工智能對(duì)社會(huì)的影響　189 10.2.1　人工智能對(duì)教育與就業(yè)的影響　190 10.2.2　人工智能對(duì)隱私與安全的影響　191 10.3　人工智能的未來　191 10.3.1　人工智能未來的發(fā)展趨勢(shì)　192 10.3.2　人工智能未來的技術(shù)發(fā)展方向　193 10.3.3　人工智能未來的應(yīng)用趨勢(shì)　196 10.4　小結(jié)　197 10.5　習(xí)題　198 參考文獻(xiàn)　199