《现代人工智能技术》对现代人工智能的理论、算法、框架及应用进行了全面、系统的论述,剖析了人工智能研究领域的前沿学术成果,涵盖了机器学习、深度学习、强化学习以及联邦学习等诸多方向。读者通过学习本书,能够掌握人工智能的基本知识,并能了解人工智能研究的一些前沿内容,为进一步学习人工智能理论与应用奠定基础。全书共分为9章,分别为绪论、知识表达、推理方法、智能算法、机器学习、神经网络、深度学习、强化学习、联邦学习。

本书可作为计算机类、自动化类、电气类、电子信息类专业的本科生、研究生学习人工智能课程的参考用书,也可供高等院校的教师、研究机构的研究人员,以及相关法律法规制定者和政府监管部门参考。

前言

第1章绪论

1.1人工智能的基本概念

1.1.1智能的概念

1.1.2智能的特征

1.1.3人工智能

1.2人工智能发展简史

1.2.1孕育

1.2.2形成

1.2.3发展

1.3人工智能的基本原理及方法

1.3.1知识表示

1.3.2机器感知

1.3.3机器思维

1.3.4机器学习

1.4人工智能的主要研究及应用领域

1.4.1自动定理证明

1.4.2博弈

1.4.3模式识别

1.4.4机器视觉

1.4.5自然语言理解

1.4.6智能信息检索

1.4.7数据挖掘

1.4.8专家系统

1.4.9机器人

1.4.10组合优化

1.4.11人工神经网络

1.4.12分布式人工智能与多智能体

1.5小结

思考题

第2章知识表达

2.1知识与知识表达的概念

2.1.1知识的概念

2.1.2知识的特征

2.1.3知识的表示

2.2一阶谓词逻辑表示法

2.2.1命题

2.2.2谓词

2.2.3谓词公式

2.2.4谓词公式的性质

2.2.5一阶谓词逻辑知识表示法

2.2.6一阶谓词逻辑表示法的特点

2.3产生式表示法

2.3.1产生式

2.3.2产生式系统

2.3.3产生式系统的例子——动物识别系统

2.3.4产生式表示法的特点

2.4框架表示法

2.4.1框架的一般结构

2.4.2用框架表示知识的例子

2.4.3框架表示法的特点

2.5小结

思考题

第3章确定性推理方法

3.1推理的基本概念

3.1.1推理的定义

3.1.2推理方式及其分类

3.1.3推理的方向

3.1.4冲突消解策略

3.2自然演绎推理

3.3谓词公式化为子句集的方法

3.4鲁滨逊归结原理

3.5归结反演

3.6小结

思考题

第4章智能算法及其应用

4.1进化算法的产生与发展

4.1.1进化算法的概念

4.1.2进化算法的生物背景

4.1.3进化算法的设计原则

4.2遗传算法

4.2.1遗传算法的基本思想

4.2.2遗传算法的发展历史

4.2.3编码

4.2.4实数编码和浮点数编码

4.2.5群体设定

4.2.6适应度函数

4.2.7选择

4.2.8交叉

4.2.9变异

4.2.10遗传算法的一般步骤

4.2.11遗传算法的特点

4.3遗传算法的改进算法

4.3.1改进算法

4.3.2双种群遗传算法

4.3.3自适应遗传算法

4.4粒子群优化算法

4.4.1粒子群优化算法的基本原理

4.4.2粒子群优化算法的参数分析

4.5蚁群算法

4.5.1基本蚁群算法模型

4.5.2蚁群算法的参数选择

4.6小结

思考题

第5章机器学习

5.1机器学习简介

5.1.1专业术语

5.1.2分类

5.2特征工程

5.2.1目的与基本流程

5.2.2数据获取

5.2.3特征处理

5.2.4特征选择

5.2.5特征提取和数据降维

5.3模型评估

5.3.1评估方法

5.3.2调参与最终模型

5.3.3性能度量

5.3.4比较检验

5.3.5偏差与方差

5.4有监督学习

5.4.1线性回归

5.4.2线性对数几率回归

5.4.3贝叶斯分类

5.4.4决策树

5.4.5支持向量机

5.5无监督学习

5.5.1基本模型

5.5.2K均值

5.5.3高斯混合聚类

5.5.4密度聚类

5.5.5层次聚类

5.6小结

思考题

第6章神经网络

6.1神经元和神经网络

6.1.1生物神经元和人工神经元

6.1.2神经网络简介

6.2线性神经网络和全连接神经网络

6.2.1线性神经网络

6.2.2全连接神经网络

6.3BP神经网络

6.3.1标准BP神经网络算法和流程

6.3.2标准BP神经网络分析和改进

6.4卷积神经网络

6.4.1卷积的基本知识

6.4.2卷积神经网络的产生动机

6.4.3卷积神经网络的结构

6.5循环神经网络

6.5.1导师驱动过程

6.5.2计算循环神经网络的梯度

6.5.3双向循环神经网络

6.6生成对抗神经网络

6.7小结

思考题

第7章深度学习

7.1深度学习的概念

7.1.1深度学习的简介

7.1.2深度学习的特点

7.1.3深度学习的发展

7.2深度卷积神经网络

7.2.1深度卷积神经网络的简介

7.2.2深度卷积神经网络的结构

7.3深度残差网络

7.3.1深度残差网络的简介

7.3.2深度残差网络的结构

7.4深度循环神经网络

7.4.1深度循环神经网络的简介

7.4.2深度循环神经网络的结构

7.5门控循环单元

7.5.1门控循环单元的简介

7.5.2门控循环单元的结构

7.6长短期记忆网络

7.6.1长短期记忆网络的简介

7.6.2长短期记忆网络的结构

7.7注意力机制

7.7.1注意力机制的简介

7.7.2注意力机制的原理

7.7.3注意力机制的种类

7.8小结

思考题

第8章强化学习

8.1强化学习的概念

8.1.1序贯决策问题

8.1.2强化学习

8.2马尔可夫过程

8.2.1随机过程与马尔可夫性质

8.2.2马尔可夫过程

8.2.3马尔可夫奖励过程

8.2.4马尔可夫决策过程

8.2.5最优策略

8.2.6策略迭代

8.3基于价值的强化学习

8.3.1时序差分算法

8.3.2SARSA算法

8.3.3Q-Learning算法

8.3.4On-policy算法与Off-policy算法

8.4基于策略的强化学习

8.4.1策略梯度

8.4.2REINFORCE算法

8.4.3值函数近似

8.4.4Actor-Critic算法

8.5深度强化学习

8.5.1深度Q网络

8.5.2信任区域策略优化算法

8.5.3近端策略优化算法

8.5.4深度确定性策略梯度算法

8.6模仿强化学习

8.6.1行为克隆

8.6.2逆向强化学习

8.6.3生成式对抗模仿学习

8.7集成强化学习

8.7.1Bootstrapped DQN

8.7.2SUNRISE

8.8总结

思考题

第9章联邦学习

9.1联邦学习的概念

9.1.1人工智能面临的挑战

9.1.2联邦学习的定义

9.1.3联邦学习的分类

9.2隐私保护技术

9.2.1联邦学习面临的隐私泄露风险

9.2.2差分隐私

9.2.3安全多方计算

9.3激励机制

9.3.1联邦学习中引入激励机制的必要性

9.3.2基于数据质量评估

9.3.3基于模型参数评估

9.3.4基于沙普利值评估

9.4横向联邦学习

9.4.1横向联邦学习的定义

9.4.2横向联邦学习架构

9.4.3联邦平均算法

9.5纵向联邦学习

9.5.1纵向联邦学习的定义

9.5.2纵向联邦学习架构

9.5.3FedBCD算法

9.6联邦迁移学习

9.6.1联邦迁移学习的定义

9.6.2联邦迁移学习的分类

9.6.3联邦迁移学习框架

9.7小结

思考题

参考文献