目录

●第1章绪论
1.1达特茅斯会议
1.21956年—20世纪70年代初
1.320世纪70年代末—80年代末
1.420世纪80年代末后的二十年
1.52010年之后的深度学习时代
1.6图灵测试
1.7封闭世界与开放世界
*1.8进一步学习的内容
第2章搜索
2.1从一个例子开始
2.2如何表示一个迷宫
2.3搜索算法和搜索过程
2.4理论分析——搜索算法的性质
2.5搜索算法应用举例
2.6下棋也可以用搜索算法来完成
2.7使用搜索算法的关键问题
2.8指数爆炸
2.9使用知识
2.10如何得到一个好的启发式函数
*2.11进一步学习的内容
第3章计算机视觉
3.1计算机视觉系统构成
3.2一些计算机视觉任务
3.3计算机视觉用到的方法
3.4计算机视觉传统方法
3.5计算机视觉深度学习方法
3.6LeNet： 一个图像识别模型
3.7目标函数与优化
3.8端到端
3.9表示学习
3.10特征的可视化
3.11其他神经网络模型
3.12一些计算机视觉成功案例
3.13深度神经网络方法为什么能在计算机视觉一些任务中取得成功
3.14计算机视觉任务的困难
3.15人类视觉和计算机视觉之间的比较
*3.16进一步学习的内容
第4章计算机听觉
4.1计算机听觉的任务
4.2声音相关的基本概念
4.3音乐相关的基本概念
4.4计算机听觉采用的方法
4.5适合序列数据的神经网络模型
4.6当前的技术状况
4.7计算机视觉和计算机听觉的比较
*4.8进一步学习的内容
第5章自然语言处理与理解
5.1为什么要研究自然语言处理与理解？
5.2自然语言处理与理解的一些任务
5.3自然语言处理与理解包含的几个层次
5.4词的表示
5.5三大类方法
5.6Transformer
5.7BERT
5.8OpenAI公司的ChatGPT
5.9一个机器翻译的例子
5.10机器对话和问答
5.11文本生成
5.12生成的文本的评价
5.13基于深度学习方法的优缺点
5.14自然语言处理与理解模型成功的原因与给我们的启示
5.15语言的局限性
*5.16进一步学习的内容
第6章知识表示与知识获取
6.1为什么要研究知识表示与知识获取
6.2主要研究内容
6.3知识表示方法
6.4知识获取方法
6.5知识的使用
6.6困难和挑战
6.7知识不只在语言中
*6.8进一步学习的内容
第7章机器学习
7.1回归
7.2分类
7.3聚类
7.4再励学习
7.5使用机器学习方法的几个关键问题
7.6过拟合与泛化
7.7机器学习的思想
7.8黑盒和白盒
7.9机器学习生态
7.10机器学习理论
*7.11进一步学习的内容
第8章推理
8.1表示一个待求解问题
8.2推理规则与形式化推理
8.3推理算法以及推理算法的关键问题
8.4和推理相关的一些理论问题
8.5推理方法
8.6深度学习时代推理研究的新任务
8.7推理研究当前的方法和挑战
8.8和推理密切相关的一些任务
8.9神经感知和符号系统的“联合”
8.10因果关系
*8.11进一步学习的内容
第9章多模态信息处理
9.1多模态信息处理的简史
9.2多模态学习任务举例
9.3方法
9.4关键问题
9.5多模态大模型
9.6多模态数据让智能系统更好地理解世界
*9.7进一步学习的内容
第10章多智能体系统
10.1为什么要研究多智能体系统
10.2群体智能
10.3合作的智能体
10.4非合作的智能体
10.5多智能体学习
10.6多智能体学习的困难
10.7人类社会的启发
*10.8进一步学习的内容
第11章可信的人工智能
11.1公平性
11.2隐私和隐私保护
11.3模型的安全与鲁棒
11.4可解释性
11.5环境友好
11.6可问责性
*11.7进一步学习的内容
第12章人工智能生态
12.1人工智能赋能
12.2助力人工智能
12.3机器人与智能机器人
12.4人工智能与认知科学
12.5传感器与材料科学
12.6人工智能与社会治理
12.7人工智能与艺术
*12.8进一步学习的内容