在数字化浪潮席卷全球的今天，人工智能（AI）与大数据技术已成为驱动社会变革的核心力量。从智能制造到精准医疗，从智慧城市到个性化服务，AI 与大数据的融合应用正在重塑人类生活的方方面面。技术的快速发展也带来了知识体系的碎片化问题，传统教材往往侧重单一领域，难以满足跨学科人才培养的需求。本书正是在这样的背景下应运而生，旨在构建人工智能与大数据技术的系统化知识框架，为读者提供从基础理论到前沿应用的完整认知路径。本书的编写源于对高等教育与产业实践的双重思考。作者团队在多年教学与科研中发现，现有教材或偏重符号逻辑的理论推导，或聚焦机器学习的算法实现，缺乏对人工智能三大流派（符号主义、行为主义、联结主义）的系统性介绍，更鲜少将大数据技术与人工智能理论深度融合。面对这一现状，本书以;横向贯通、纵向深入为原则，打破学科壁垒，将符号推理、行为建模、联结学习与大数据技术有机结合，力求为读者呈现一幅全景式的技术图谱。全书分为四篇：第1篇符号主义人工智能，以知识表示与推理为核心，系统阐释符号系统的构建逻辑与推理机制，从命题逻辑到知识图谱，为理解人工智能的逻辑基础提供方法论框架；第2篇行为主义人工智能，聚焦搜索策略与群体智能算法，通过经典案例解析粒子群、蚁群算法的原理，结合强化学习的最新发展，揭示智能体与环境交互的行为规律；第3篇联结主义人工智能，深入机器学习与深度学习技术，从数据预处理到神经网络架构设计，系统解析算法原理与实践路径；第4篇大数据基础则延伸至大数据基础理论，涵盖大数据的技术原理，也探讨了大数据安全、大数据思维以及数据共享等核心议题，呼应人工智能对数据驱动的本质需求。本书的特色在于三大创新维度：理论与实践的深度融合，每章均以算法分析为基础，结合医疗诊断、自动驾驶等真实场景展开，强化知识的迁移能力；伦理与技术的辩证思考，专设章节探讨数据隐私、算法偏见等社会挑战，培养读者的技术伦理意识；跨学科知识的有机整合，通过符号逻辑的严谨性、行为建模的灵活性、联结学习的高效性与大数据技术的工程性，构建起完整的智能技术体系。本书的目标读者群体广泛。对于高校学生，它可作为人工智能、数据科学与大数据技术、计算机科学与技术、电子信息工程、自动化、智能制造工程、信息管理与信息系统、物联网工程、软件工程、智能科学与技术等专业的学习教材，帮助其建立从理论到实践的系统化认知；对于技术从业者，书中丰富的案例与算法解析可作为工程实践的参考指南；对于行业决策者，大数据安全与治理章节提供了技术落地的战略视角。作者团队力求以简明的语言、清晰的逻辑，将复杂的技术原理转化为可理解、可应用的知识模块，既保留学术深度，又兼顾可读性。本书的顺利出版得益于多方支持与帮助。在此，特别感谢参与编写的同事们，以及为本书提供专业建议的同行专家，他们的深度审阅与建设性意见使本书内容更加完善；感谢为案例研究提供素材的企业与科研机构，他们的实践经验为理论阐述注入了鲜活生命力。人工智能与大数据的发展永无止境。本书不仅是对现有技术的总结，更是对未来探索的启发性指引。希望读者通过本书的学习，既能掌握扎实的理论基础，又能培养解决复杂问题的创新能力，在技术浪潮中把握机遇，成为推动智能时代进步的领军者。由于时间有限，书中不妥之处，敬请读者指正。

编者

本书系统阐述了人工智能三大流派（符号主义、行为主义、联结主义）的核心理论与技术，并融合大数据技术体系，构建完整知识框架。全书分为五部分：导论，综述了人工智能本质特征、发展脉络及社会价值；符号主义篇探讨知识表示与推理，涵盖逻辑系统、专家系统及不确定性处理；行为主义篇重点介绍搜索策略与群体智能算法；联结主义篇介绍数据科学的基础理论，并深度解析机器学习与深度学习技术体系；大数据篇则将内容延伸到大数据的相关技术以及其安全治理。本书内容既系统阐述经典理论，又结合前沿案例解析技术应用；通过算法分析与行业场景融合，实现理论与实践结合。配套资源扫下方二维码获取。全书结构严谨，案例丰富，语言精练，适合高等院校人工智能、数据科学与大数据技术、计算机科学与技术、电子信息工程、自动化、智能制造工程、信息管理与信息系统、物联网工程、软件工程、智能科学与技术等专业的师生使用，也可供科研人员、相关技术从业者及行业决策者参考。

无

导论 人工智能与大数据基础概述 0010.1 人工智能的基本概念 0010.1.1 智能 0010.1.2 人工智能的特征 0020.2 人工智能的发展简史 0040.3 人工智能的研究内容 0050.4 人工智能的三大流派 0090.4.1 符号主义 0090.4.2 联结主义 0100.4.3 行为主义 0110.5 人工智能的社会学意义 011

第1篇 符号主义人工智能第1章 知识表示方法 0181.1 知识表示基本概念 0181.1.1 知识的基本定义 0181.1.2 知识的类型 0181.1.3 知识的重要性 0181.2 知识的特征 0191.2.1 可传递性 0191.2.2 可累积性 0191.2.3 动态性 0191.2.4 情境性 0191.2.5 复杂性 0191.2.6 不确定性 0191.3 知识在人工智能中的重要性 0201.4 知识表示 0201.4.1 符号表示 0201.4.2 逻辑表示 0211.4.3 语义表示 0211.4.4 比较与分析 0211.5 命题逻辑及一阶谓词逻辑 0221.5.1 命题 0221.5.2 谓词 0231.5.3 谓词公式 0241.5.4 谓词公式的性质 0251.5.5 一阶谓词逻辑知识表示方法 0261.5.6 一阶谓词逻辑表示法的特点 0281.6 产生式表示法 0301.6.1 产生式 0301.6.2 产生式系统 0311.6.3 产生式系统动物识别系统 0311.6.4 产生式表示法的特点 0331.7 框架表示法 0331.7.1 框架表示法的概念 0331.7.2 框架表示法的起源 0341.7.3 框架的一般结构 0341.7.4 用框架表示知识的例子 0341.7.5 框架表示法的特点 0351.8 知识图谱 0361.8.1 知识图谱定义 0361.8.2 知识图谱的表示 0371.8.3 知识图谱的架构 0381.8.4 知识图谱的典型应用 039第2章 确定性推理方法 0412.1　推理的基本概念 0422.1.1 推理的定义 0422.1.2 推理方式及其分类 0422.1.3 推理的方向 0442.1.4 冲突消解策略 0472.2　自然演绎推理 0492.3　谓词公式化为子句集方法 0502.3.1 基本概念 0502.3.2 子句集化简方法 0502.4　鲁滨逊归结原理 0522.4.1 命题逻辑中的归结原理（基子句的归结） 0522.4.2 谓词逻辑中的归结原理（含有变量的子句的归结） 0532.5　归结反演 0532.5.1 归结反演证明步骤 0532.5.2 归结反演求解问题步骤 0542.5.3 归结反演的应用与局限性 0562.6　产生式系统 0562.6.1 基本概念 0562.6.2 产生式系统的分类 0572.6.3 其他产生式系统 0582.7　非单调推理 0592.7.1 缺省推理 0592.7.2 真值维持系统 0602.7.3 非单调推理的优势与局限性 061第2篇 行为主义人工智能第3章　搜索策略 0653.1　搜索概念 0653.1.1 状态空间的搜索策略 0653.1.2 状态空间的图描述 0663.1.3 八数码问题 0673.2　盲目搜索策略 0673.2.1 宽度优先搜索 0673.2.2 深度优先搜索 0683.2.3 迭代深化深度优先搜索 0693.2.4 一致代价搜索 0693.2.5 回溯策略 0703.3　启发式搜索策略 0703.3.1 贪心搜索 0723.3.2 A*搜索算法 0733.3.3 蒙特卡罗树搜索算法 0763.3.4 启发式搜索策略的应用 079第4章　智能算法及其应用 0804.1　群智能算法 0814.1.1 分布式控制 0814.1.2 自组织现象 0824.1.3 局部规则与全局行为 0844.2　粒子群优化算法 0854.2.1 粒子群优化算法的参数调节 0884.2.2 粒子群优化算法的应用 0894.3　蚁群算法 0924.3.1 蚁群算法基本原理 0924.3.2 蚁群算法的基本步骤 0934.3.3 蚁群算法的数学模型 0944.3.4 蚁群算法的进化与变种 0944.3.5 蚁群算法的混合与交叉进化 0954.3.6 蚁群算法在动态环境中的变种 0974.3.7 蚁群算法应用 0984.4　进化算法 1004.4.1 进化算法的三大分支 1024.4.2 进化算法的应用 1034.4.3 基本遗传算法 1044.4.4 遗传算法的改进算法 1104.4.5 遗传算法的应用 1154.4.6 其他群智能算法 1174.5　强化学习 1234.5.1 马尔可夫决策过程 1244.5.2 策略 1254.5.3 价值函数 1264.5.4 贝尔曼方程 1264.5.5 经典强化学习算法 127第3篇 联结主义人工智能第5章　数据科学基础理论与数据预处理 1335.1　数据科学概述 1335.1.1 数据科学基本概念 1335.1.2 数据计算平台与数据管理 1355.2　数据质量 1365.2.1 数据质量的重要性 1365.2.2 数据质量的评估指标 1375.3　数据审计 1385.3.1 数据审计的目的与意义 1385.3.2 数据审计的方法 1385.4　数据清洗 1405.4.1 缺失值处理 1405.4.2 冗余数据清洗 1435.4.3 异常值检测与处理 1435.5　数据变换 1455.5.1 数值缩放 1455.5.2 数据离散化 1465.5.3 数据降维 1475.5.4 数据分布变换 1495.5.5 特征构造与交互项生成 1505.6　数据集成 1525.6.1 数据集成的核心概念 1525.6.2 常用的数据集成方法 153第6章　数据统计 1576.1　概率分布 1576.1.1 离散型分布 1576.1.2 连续型分布 1596.2　参数估计 1626.2.1 点估计 1626.2.2 区间估计 165第7章　机器学习 1677.1　机器学习概述 1677.1.1 什么是机器学习 1677.1.2 发展历程 1687.1.3 基本概念 1707.1.4 模型评估与评估指标 1737.2　机器学习算法 1747.2.1 监督学习 1757.2.2 无监督学习 1787.2.3 半监督学习 1827.3　机器学习策略及典型算法 1847.3.1 分类 1847.3.2 回归 1877.3.3 聚类 1907.3.4 降维 192第8章　深度学习 1968.1　深度学习发展概述 1968.2　深度学习基本概念 1998.2.1 数据相关概念 1998.2.2 模型相关概念 2008.2.3 误差反向传播算法 2018.2.4 激活函数 2018.2.5 损失函数 2048.3　深度学习典型算法 2068.3.1 前馈神经网络 2068.3.2 卷积神经网络 2078.3.3 循环神经网络 2108.3.4 长短期记忆神经网络 2118.3.5 图神经网络 2138.3.6 自编码器 2158.3.7 变分自编码器 2178.3.8 注意力机制 2188.3.9 自注意力机制 2208.3.10 Transformer 2218.3.11 生成对抗网络 2238.3.12 扩散模型 224

第4篇 大数据基础第9章　大数据概述 2289.1　什么是大数据 2289.1.1 大数据定义 2289.1.2 大数据的特征 2299.1.3 大数据与传统数据的区别 2319.1.4 大数据在现实中的应用体现 2329.1.5 大数据的起源与发展 2339.1.6 大数据的来源 2369.2　大数据的技术生态 2379.2.1 大数据技术架构 2379.2.2 大数据技术的主要组件 2389.3　大数据与云计算、物联网的关系 2399.3.1 大数据与云计算 2399.3.2 大数据与物联网 2419.3.3 云计算、大数据与物联网的协同关系 244第10章　大数据技术原理 24610.1　大数据存储技术 24610.1.1 大数据存储技术概述 24610.1.2 大数据存储的数据类型 24710.1.3 分布式存储系统 24910.1.4 大数据存储泛型 25410.2　大数据处理技术 26110.2.1 批处理技术 26210.2.2 流处理技术 26410.3　大数据分析与挖掘 26710.3.1 基本原理 26710.3.2 经典算法 269第11章　大数据安全 27111.1　大数据安全的含义 27111.1.1 定义及背景 27211.1.2 大数据安全的核心目标 27211.1.3 发展历程 27411.1.4 威胁数据安全的主要因素 27611.2　大数据安全的意义 27711.2.1 个人层面的意义 27711.2.2 企业层面的意义 27811.2.3 社会层面的意义 27811.3　大数据安全挑战 27911.3.1 技术平台角度 27911.3.2 数据应用角度 28011.4　安全措施与技术方案 28111.4.1 安全措施 28111.4.2 Kerberos技术 28211.4.3 密码学及关键技术 28411.5　大数据安全标准体系框架 28911.6　行业大数据应用和安全风险 29011.6.1 电子政务大数据 29011.6.2 健康医疗大数据 29211.6.3 电商行业大数据 29211.6.4 电信行业大数据 293第12章　大数据思维 29512.1　大数据思维的基本含义 29512.1.1 大数据思维的产生 29512.1.2 大数据思维的理论基础 29612.2　大数据思维与传统思维的区别 29812.2.1 根本区别 29812.2.2 大数据思维的优势 29912.2.3 案例比较 30012.3　大数据思维的应用 30012.3.1 在具体行业中的应用 30112.3.2 大数据思维的企业实践案例 301

参考文献 303