内容简介

本书是一本针对初学者介绍人工智能基础知识的书籍。本书采用通俗易懂的语言讲解人工智能的基本概念、发展历程和主要方法，内容涵盖人工智能的核心方法，包括什么是人工智能、神经网络（深度学习）是如何实现的、计算机是如何学会下棋的、计算机是如何找到最优路径的、如何用随机算法求解组合优化问题、统计机器学习方法是如何实现分类与聚类的、专家系统是如何实现的等，每种方法都配有例题并给出详细的求解过程，以帮助读者理解和掌握算法实质，提高读者解决实际问题的能力。

此外，本书可以帮助人工智能的开发人员理解各种算法背后的基本原理。书中的讲解方法和示例，有助于相关课程的教师讲解相关概念和算法。

总之，这是一本实用性强、通俗易懂的人工智能入门教材，适合不同背景的读者学习和使用。

编辑推荐

本书设计了博学的艾博士和好学的小明两个人物，以师徒二人对话的方式，一步步由浅入深地讲解人工智能的基本原理和方法，讲解详细，通俗易懂，给读者以在教室听课的真实感。

本书精心挑选了人工智能发展史上一些主要的方法进行详细讲解，通过本书的学习，使得读者对人工智能有一个比较全面的了解，为进一步深入学习和研究人工智能打下良好的基础。

结合例题，本书对相关概念和算法背后的原理做了详细的讲解，对学习过程中容易犯的错误做了重点说明，适合与对人工智能感兴趣的初学者、从事人工智能开发的工程人员以及讲授相关课程的教师阅读，通过本书的学习，可以对相关概念和算法有更加深入的理解。

目录

第0篇什么是人工智能1

0.1人工智能的诞生1

0.2人工智能的4个发展时代4

0.2.1初期时代4

0.2.2知识时代6

0.2.3特征时代8

0.2.4数据时代11

0.3什么是人工智能16

0.4图灵测试与中文屋子问题19

0.4.1图灵测试19

0.4.2中文屋子问题21

0.5第三代人工智能23

0.6总结27

第1篇神经网络是如何实现的29

1.1从数字识别谈起30

1.2神经元与神经网络35

1.3神经网络是如何训练的39

1.4卷积神经网络48

1.5梯度消失问题59

1.6过拟合问题69

1.7词向量74

1.7.1词的向量表示74

1.7.2神经网络语言模型76

1.7.3word2vec模型82

1.7.4词向量应用举例85

1.8循环神经网络88

1.9长短期记忆网络96

1.10深度学习框架104

1.11总结104

第2篇计算机是如何学会下棋的106

2.1能穷举吗？107

2.2极小极大模型110

2.3αβ剪枝算法112

2.4蒙特卡洛树搜索115

2.5AlphaGo是如何下棋的124

2.6围棋中的深度强化学习方法132

2.6.1基于策略梯度的强化学习134

2.6.2基于价值评估的强化学习135

2.6.3基于演员评价方法的强化学习137

2.7AlphaGo Zero是如何自学成才的140

2.8总结147

第3篇计算机是如何找到最优路径的149

3.1路径搜索问题150

3.2宽度优先搜索算法152

3.3迪杰斯特拉算法155

3.4启发式搜索157

3.4.1A算法157

3.4.2A算法164

3.4.3定义h函数的一般原则165

3.4.4h函数的评价168

3.4.5A算法存在的不足170

3.4.6单调的h函数172

3.4.7改进的A算法175

3.5深度优先搜索算法181

3.6迭代加深式搜索算法185

3.6.1迭代加深式宽度优先搜索算法186

3.6.2迭代加深式A算法188

3.7动态规划与Viterbi算法189

3.8拼音输入法问题191

3.9总结197

第4篇如何用随机算法求解组合优化问题200

4.1组合优化问题201

4.2局部搜索算法203

4.3局部搜索算法存在的问题211

4.4退火过程及分析216

4.4.1退火现象216

4.4.2退火过程分析217

4.5模拟退火算法224

4.6模拟退火算法的参数选择229

4.6.1起始温度t0的选取230

4.6.2温度的下降方法232

4.6.3每一温度下的停止准则234

4.6.4算法的终止原则235

4.7模拟退火算法应用举例238

4.8遗传算法243

4.9遗传算法应用举例253

4.10遗传算法的实现问题258

4.10.1编码问题258

4.10.2二进制编码的交叉操作规则262

4.10.3整数编码的交叉操作规则264

4.10.4变异规则268

4.10.5适应函数270

4.10.6遗传算法的停止准则274

4.11用遗传算法求解旅行商问题276

4.12性能评价问题277

4.13模拟退火算法与遗传算法的对比279

4.14总结281

第5篇统计机器学习方法是如何实现分类与聚类的283

5.1统计学习方法284

5.2朴素贝叶斯方法289

5.3决策树297

5.3.1决策树算法——ID3算法299

5.3.2决策树算法——C4.5算法313

5.3.3过拟合问题与剪枝320

5.3.4随机森林算法327

5.4k近邻方法330

5.5支持向量机333

5.5.1什么是支持向量机333

5.5.2线性可分支持向量机339

5.5.3线性支持向量机352

5.5.4非线性支持向量机356

5.5.5核函数与核方法359

5.5.6支持向量机用于多分类问题364

5.6k均值聚类算法371

5.7层次聚类算法379

5.8DBSCAN聚类算法381

5.9验证与测试问题384

5.10特征抽取问题387

5.11总结392

第6篇专家系统是如何实现的395

6.1什么是专家系统396

6.2推理方法399

6.3一个简单的专家系统403

6.4非确定性推理409

6.4.1事实的表示410

6.4.2规则的表示410

6.4.3逻辑运算411

6.4.4规则运算413

6.4.5规则合成415

6.4.6置信度方法的理论根据420

6.5黑板模型423

6.6知识的结构化表示425

6.6.1语义网络425

6.6.2框架429

6.7专家系统工具433

6.8专家系统的应用436

6.9专家系统的局限性437

6.10总结438

附录ABP算法440

A.1求导数的链式法则440

A.2符号约定441

A.3对于输出层的神经元442

A.4对于隐含层的神经元444

A.5BP算法——随机梯度下降版446

附录B序列最小最优化（SMO）算法448

B.1SMO算法的基本思想448

B.2SMO算法的详细计算过程454