第1章 緒論 2
1.1　人工智能概述 2
1.1.1 智能的定義 2
1.1.2 人工智能的定義 3
1.1.3 人工智能的起源、現(xiàn)狀及發(fā)展 3
1.2　人工智能研究的主要內(nèi)容 7
1.2.1 模式識(shí)別 7
1.2.2 專家系統(tǒng) 7
1.2.3 知識(shí)庫(kù)系統(tǒng) 8
1.2.4 自然語(yǔ)言理解 8
1.2.5 自動(dòng)定理證明 9
1.2.6 計(jì)算機(jī)視覺(jué) 9
1.2.7 自動(dòng)程序設(shè)計(jì) 10
1.2.8 自然語(yǔ)言生成 10
1.2.9 機(jī)器人學(xué) 10
1.2.10 分布式人工智能 11
1.2.11 計(jì)算機(jī)博弈 11
1.2.12 智能控制 12
1.2.13 軟計(jì)算 12
1.2.14 智能規(guī)劃 12
1.3　人工智能的主要技術(shù) 13
1.3.1 邏輯推理與定理證明 13
1.3.2 自然語(yǔ)言處理 13
1.3.3 智能機(jī)器人 13
1.3.4 最優(yōu)解算法 13
1.3.5 智能信息檢索技術(shù) 14
1.3.6 專家系統(tǒng) 14
1.3.7 智能控制技術(shù) 14
1.3.8 機(jī)器學(xué)習(xí) 15
1.3.9 生物特征識(shí)別 15
1.3.10 人工神經(jīng)網(wǎng)絡(luò) 15
1.3.11 虛擬現(xiàn)實(shí)技術(shù)與增強(qiáng)現(xiàn)實(shí)技術(shù) 16
1.3.12 知識(shí)圖譜 16
1.3.13 數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn) 16
1.3.14 人機(jī)交互技術(shù) 16
1.4　人工智能的應(yīng)用領(lǐng)域 17
1.4.1 機(jī)器視覺(jué) 17
1.4.2 語(yǔ)音識(shí)別 19
1.4.3 智能機(jī)器人 20
1.5　人工智能的發(fā)展趨勢(shì)與應(yīng)用前景 21
1.5.1 人工智能的發(fā)展趨勢(shì) 21
1.5.2 人工智能的應(yīng)用前景 24
本章小結(jié) 26
習(xí)題 26
第2章 知識(shí)圖譜與專家系統(tǒng) 28
2.1　知識(shí)概述 28
2.1.1 知識(shí) 28
2.1.2 數(shù)據(jù)、信息、知識(shí)和智能 28
2.1.3 知識(shí)的特征 29
2.1.4 知識(shí)的分類 30
2.2　知識(shí)表示方法 30
2.2.1 邏輯表示法 30
2.2.2 產(chǎn)生式表示法 33
2.2.3 語(yǔ)義網(wǎng)絡(luò)表示法 38
2.2.4 框架表示法 43
2.3　知識(shí)獲取與管理 46
2.3.1 知識(shí)獲取的概述 46
2.3.2 知識(shí)獲取的任務(wù) 47
2.3.3 知識(shí)獲取的方式 48
2.3.4 知識(shí)管理 50
2.4　知識(shí)圖譜 52
2.4.1 知識(shí)圖譜的概述 52
2.4.2 知識(shí)圖譜的表示 53
2.4.3 知識(shí)圖譜的推理 53
2.4.4 知識(shí)圖譜的構(gòu)建 54
2.4.5 知識(shí)圖譜的分類 55
2.4.6 知識(shí)圖譜的特點(diǎn) 56
2.5　專家系統(tǒng) 56
2.5.1 專家系統(tǒng)概述 56
2.5.2 專家系統(tǒng)的結(jié)構(gòu)及構(gòu)建步驟 57
2.5.3 專家系統(tǒng)的工作原理 59
2.5.4 專家系統(tǒng)的優(yōu)點(diǎn) 60
2.6　知識(shí)圖譜與專家系統(tǒng)應(yīng)用及案例 60
2.6.1 知識(shí)圖譜的應(yīng)用及案例 60
2.6.2 專家系統(tǒng)的應(yīng)用及案例 61
本章小結(jié) 66
習(xí)題 67
第3章 智能搜索策略 70
3.1　搜索概述 70
3.2　狀態(tài)空間搜索 71
3.2.1 狀態(tài)空間表示 71
3.2.2 啟發(fā)式信息與估價(jià)函數(shù) 74
3.2.3 A算法 75
3.2.4 A*算法 77
3.3　與或樹(shù)搜索 79
3.3.1 與或樹(shù)表示 79
3.3.2 解樹(shù)的代價(jià) 82
3.3.3 與或樹(shù)的有序搜索 83
3.4　博弈 86
3.4.1 博弈樹(shù) 86
3.4.2 極大極小過(guò)程 88
3.4.3 α-β過(guò)程 90
3.5　遺傳算法 93
3.5.1 基本過(guò)程 93
3.5.2 遺傳編碼 95
3.5.3 適應(yīng)度函數(shù) 97
3.5.4 遺傳操作 99
3.6　智能搜索應(yīng)用案例 108
本章小結(jié) 111
習(xí)題 111
第4章 機(jī)器學(xué)習(xí) 114
4.1　機(jī)器學(xué)習(xí)概述 114
4.1.1 什么是機(jī)器學(xué)習(xí) 114
4.1.2 機(jī)器學(xué)習(xí)的發(fā)展歷程 115
4.1.3 機(jī)器學(xué)習(xí)方法分類 116
4.2　k最近鄰域 117
4.3　決策樹(shù) 119
4.3.1 決策樹(shù)結(jié)構(gòu) 120
4.3.2 構(gòu)造決策樹(shù) 121
4.3.3 隨機(jī)森林 129
4.4　貝葉斯學(xué)習(xí) 130
4.4.1 貝葉斯法則 130
4.4.2 貝葉斯網(wǎng)絡(luò) 131
4.4.3 樸素貝葉斯方法 132
4.5　支持向量機(jī) 135
4.5.1 線性可分?jǐn)?shù)據(jù)二元分類問(wèn)題 135
4.5.2 線性不可分?jǐn)?shù)據(jù)二元分類問(wèn)題 140
4.5.3 非線性可分?jǐn)?shù)據(jù)二元分類問(wèn)題 142
4.6　聚類分析 144
4.6.1 聚類分析概述 144
4.6.2 k均值聚類 146
4.6.3 k中心點(diǎn)聚類 147
4.7　基于k均值聚類算法實(shí)現(xiàn)鳶尾花聚類 149
本章小結(jié) 151
習(xí)題 152
第5章 特征選擇與提取 155
5.1　特征選擇與提取概述 155
5.2　降維 155
5.3　特征提取 157
5.3.1 主成分分析 157
5.3.2 線性判別分析 162
5.4　特征選擇 164
5.4.1 過(guò)濾法 165
5.4.2 包裝法 167
5.4.3 嵌入法 167
5.5　特征選擇與提取應(yīng)用及案例 168
本章小結(jié) 169
習(xí)題 170
第6章 人工神經(jīng)網(wǎng)絡(luò) 172
6.1　產(chǎn)生和發(fā)展 172
6.1.1 人工神經(jīng)元 172
6.1.2 感知機(jī) 175
6.2　BP神經(jīng)網(wǎng)絡(luò) 179
6.2.1 BP神經(jīng)網(wǎng)絡(luò)的基本概述 180
6.2.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 180
6.2.3 BP神經(jīng)網(wǎng)絡(luò)算法 181
6.2.4 BP多層前饋網(wǎng)絡(luò)的主要能力 183
本章小結(jié) 183
習(xí)題 184
第7章 深度學(xué)習(xí) 186
7.1　卷積神經(jīng)網(wǎng)絡(luò) 186
7.1.1 CNN基本概述 186
7.1.2 CNN結(jié)構(gòu) 186
7.2　深度學(xué)習(xí)的基本框架 191
7.2.1 概述 191
7.2.2 幾種深度學(xué)習(xí)框架 192
7.3　循環(huán)神經(jīng)網(wǎng)絡(luò) 194
7.3.1 RNN概述 195
7.3.2 RNN的基本結(jié)構(gòu) 195
7.4　長(zhǎng)短時(shí)記憶網(wǎng)絡(luò) 201
7.4.1 LSTM網(wǎng)絡(luò)概述 201
7.4.2 LSTM網(wǎng)絡(luò)的基本結(jié)構(gòu) 202
7.4.3 LSTM網(wǎng)絡(luò)的變體 204
7.5　生成對(duì)抗網(wǎng)絡(luò) 205
7.5.1 GAN概述 205
7.5.2 GAN網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練 207
7.5.3 GAN的變體 210
7.6　遷移學(xué)習(xí) 213
7.6.1 遷移學(xué)習(xí)的定義及研究目標(biāo) 213
7.6.2 遷移學(xué)習(xí)中的基本概念 214
7.6.3 遷移學(xué)習(xí)的分類 215
7.6.4 遷移學(xué)習(xí)的應(yīng)用領(lǐng)域 217
本章小結(jié) 219
習(xí)題 219
第8章 深度神經(jīng)網(wǎng)絡(luò)在圖像處理中的應(yīng)用 221
8.1　計(jì)算機(jī)視覺(jué)基礎(chǔ) 221
8.1.1 計(jì)算機(jī)視覺(jué)概述 221
8.1.2 圖像與圖像特征 224
8.1.3 卷積神經(jīng)網(wǎng)絡(luò)與計(jì)算機(jī)視覺(jué) 228
8.2　基于YOLO的交通標(biāo)志檢測(cè)與識(shí)別 231
8.2.1 交通標(biāo)志識(shí)別 231
8.2.2 YOLO系列簡(jiǎn)介 232
8.2.3 基于YOLOv5的交通標(biāo)志檢測(cè)與識(shí)別 237
8.3　基于卷積神經(jīng)網(wǎng)絡(luò)的車牌定位與識(shí)別 244
8.3.1 車牌特征 244
8.3.2 車牌定位與識(shí)別方案設(shè)計(jì) 245
8.3.3 基于YOLOv5和LPRNet的車牌定位與識(shí)別 259
本章小結(jié) 268
第9章 深度神經(jīng)網(wǎng)絡(luò)在語(yǔ)音信號(hào)處理中的應(yīng)用 270
9.1　語(yǔ)音信號(hào)的基礎(chǔ)知識(shí) 270
9.1.1 語(yǔ)言和語(yǔ)音 270
9.1.2 語(yǔ)音信號(hào)的產(chǎn)生機(jī)理 272
9.1.3 語(yǔ)音信號(hào)的感知 273
9.1.4 語(yǔ)音信號(hào)產(chǎn)生的模型 275
9.2　基本原理 276
9.2.1 語(yǔ)音識(shí)別的基本原理 276
9.2.2 語(yǔ)音增強(qiáng)的基本原理 277
9.2.3 語(yǔ)音分離的基本原理 280
9.3　語(yǔ)音增強(qiáng)技術(shù)及應(yīng)用 282
9.4　語(yǔ)音識(shí)別的前沿問(wèn)題及應(yīng)用前景 285
本章小結(jié) 286
習(xí)題 286
附錄A Python 安裝及簡(jiǎn)單函數(shù)的使用 288
A.1 Python 概述 288
A.1.1 Python 的基本概念 288
A.1.2 Python 的應(yīng)用領(lǐng)域 288
A.1.3 Python 開(kāi)發(fā)環(huán)境的安裝與配置 289
A.1.4 Python 編程規(guī)范 293
A.1.5 擴(kuò)展庫(kù)安裝方法 295
A.1.6 標(biāo)準(zhǔn)庫(kù)與擴(kuò)展庫(kù)中對(duì)象的導(dǎo)入與使用 296
A.2 內(nèi)置對(duì)象、運(yùn)算符、表達(dá)式 296
A.2.1 Python 中常用的內(nèi)置對(duì)象 296
A.2.2 Python 運(yùn)算符與表達(dá)式 300