第1 章 概論 1
1.1 什么是人工智能？ 1
1.2 人工智能的發(fā)展歷史、現(xiàn)狀及未來發(fā)展方向 2
1.2.1 人工智能的發(fā)展歷史 2
1.2.2 人工智能的現(xiàn)狀 3
1.2.3 人工智能發(fā)展趨勢與展望 4
1.3 人工智能的主要學派 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(xié)同并進 6
1.4 開發(fā)工具 7
1.4.1 為什么使用Python 來開發(fā)人工智能 7
1.4.2 Python 簡介 7
課后練習 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(yōu)先搜索策略 14
2.2.2 深度優(yōu)先搜索策略 14
2.3 啟發(fā)式搜索策略 15
2.3.1 有序搜索算法（A 算法） 15
2.3.2 A*算法 16
2.4 編程實踐 16
2.4.1 八數(shù)碼難題 16
2.4.2 自動駕駛運動規(guī)劃 19
課后練習 21

第3 章 搜索的高級策略 23
3.1 群智能優(yōu)化算法 23
3.1.1 蟻群算法 23
3.1.2 粒子群優(yōu)化算法 25
3.2 動態(tài)規(guī)劃 25
3.3 編程實踐 28
3.3.1 蟻群算法求解路徑優(yōu)化問題 28
3.3.2 動態(tài)規(guī)劃求解鋼條切割效益最大化問題 31
課后練習 32

第二部分 知識發(fā)現(xiàn)035
第4 章 概念學習和決策樹 36
4.1 概念學習 36
4.1.1 什么是概念學習 36
4.1.2 尋找極大特殊假設算法 37
4.1.3 候選消除算法 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 編程實踐 44
4.4.1 尋找極大特殊假設算法解決概念學習 44
4.4.2 候選消除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數(shù)據(jù)集進行分類 47
課后練習 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 編程實踐 56
5.3.1 使用線性回歸預測波士頓房價 56
5.3.2 使用邏輯回歸分類仿真數(shù)據(jù) 58
課后練習 60

第6 章 統(tǒng)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 線性支持向量機 66
6.2.2 軟間隔 69
6.2.3 核函數(shù) 70
6.3 編程實踐 71
6.3.1 使用貝葉斯方法實現(xiàn)垃圾郵件過濾 71
6.3.2 使用支持向量機實現(xiàn)鳶尾花數(shù)據(jù)的分類 73
課后練習 75

第7 章 人工神經(jīng)網(wǎng)絡和深度學習 76
7.1 人工神經(jīng)網(wǎng)絡 76
7.1.1 基本單元 77
7.1.2 網(wǎng)絡結構 78
7.1.3 典型的神經(jīng)網(wǎng)絡 80
7.2 深度學習 87
7.2.1 卷積神經(jīng)網(wǎng)絡 87
7.2.2 循環(huán)神經(jīng)網(wǎng)絡 89
7.3 編程實踐 93
7.3.1 基于神經(jīng)網(wǎng)絡的雙螺旋數(shù)據(jù)分類 93
7.3.2 手寫數(shù)字識別 96
7.3.3 地球溫度預測 99
課后練習 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 算法 106
8.2.2 如何選擇最優(yōu)的聚類個數(shù) 108
8.3 基于密度的聚類算法 109
8.4 譜聚類 110
8.5 編程實踐 111
8.5.1 K 均值實例 111
8.5.2 基于密度的聚類算法實例 114
8.5.3 譜聚類實例 117
課后練習 118

第三部分 知識推理121
第9 章 知識表示方法 122
9.1 什么是知識 122
9.2 人工智能所關心的知識 123
9.3 知識表示方法 124
9.3.1 狀態(tài)空間法 124
9.3.2 問題規(guī)約法 125
9.3.3 謂詞邏輯法 125
9.3.4 語義網(wǎng)絡表示法 126
9.3.5 產(chǎn)生式表示法 126
9.3.6 框架表示法 127
9.3.7 面向對象的表示方法 127
9.4 編程實踐 127
9.4.1 狀態(tài)空間法解決野人過河問題 127
9.4.2 問題規(guī)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
課后練習 130

第10 章 經(jīng)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(chǎn)生式系統(tǒng) 141
10.7 編程實踐 142
10.7.1 自然演繹推理實例 142
10.7.2 動物識別系統(tǒng) 143
課后練習 148

第四部分 領域應用149
第11 章 專家系統(tǒng) 150
11.1 專家系統(tǒng) 150
11.2 專家系統(tǒng)的結構和建造步驟 152
11.2.1 專家系統(tǒng)的簡化結構 152
11.2.2 專家系統(tǒng)的開發(fā) 153
11.3 基于規(guī)則的專家系統(tǒng) 154
11.4 編程實例 155
11.4.1 基于決策樹的專家系統(tǒng)規(guī)則提取 155
11.4.2 Boston 數(shù)據(jù)集上的專家規(guī)則提取 156
課后練習 158

第12 章 人臉識別 159
12.1 人臉識別 159
12.1.1 Haar 特征 160
12.1.2 AdaBoost 160
12.2 編程實例 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(fā)展歷程 165
13.1.2 自然語言處理的基本技術 166
13.2 編程實踐 170
13.2.1 基于傳統(tǒng)機器學習算法的文本分類 170
13.2.2 基于深度學習的文本分類 172

參考文獻 175