第1 章 概論 1
1.1 什么是人工智能？ 1
1.2 人工智能的發(fā)展歷史、現(xiàn)狀及未來(lái)發(fā)展方向 2
1.2.1 人工智能的發(fā)展歷史 2
1.2.2 人工智能的現(xiàn)狀 3
1.2.3 人工智能發(fā)展趨勢(shì)與展望 4
1.3 人工智能的主要學(xué)派 4
1.3.1 符號(hào)主義 4
1.3.2 連接主義 5
1.3.3 行為主義 6
1.3.4 三大學(xué)派的協(xié)同并進(jìn) 6
1.4 開發(fā)工具 7
1.4.1 為什么使用Python 來(lái)開發(fā)人工智能 7
1.4.2 Python 簡(jiǎn)介 7
課后練習(xí) 10

第一部分 知識(shí)搜索011
第2 章 搜索的基本策略 12
2.1 搜索過(guò)程 12
2.2 盲目搜索策略 13
2.2.1 寬（廣）度優(yōu)先搜索策略 14
2.2.2 深度優(yōu)先搜索策略 14
2.3 啟發(fā)式搜索策略 15
2.3.1 有序搜索算法（A 算法） 15
2.3.2 A*算法 16
2.4 編程實(shí)踐 16
2.4.1 八數(shù)碼難題 16
2.4.2 自動(dòng)駕駛運(yùn)動(dòng)規(guī)劃 19
課后練習(xí) 21

第3 章 搜索的高級(jí)策略 23
3.1 群智能優(yōu)化算法 23
3.1.1 蟻群算法 23
3.1.2 粒子群優(yōu)化算法 25
3.2 動(dòng)態(tài)規(guī)劃 25
3.3 編程實(shí)踐 28
3.3.1 蟻群算法求解路徑優(yōu)化問(wèn)題 28
3.3.2 動(dòng)態(tài)規(guī)劃求解鋼條切割效益最大化問(wèn)題 31
課后練習(xí) 32

第二部分 知識(shí)發(fā)現(xiàn)035
第4 章 概念學(xué)習(xí)和決策樹 36
4.1 概念學(xué)習(xí) 36
4.1.1 什么是概念學(xué)習(xí) 36
4.1.2 尋找極大特殊假設(shè)算法 37
4.1.3 候選消除算法 38
4.2 決策樹學(xué)習(xí) 38
4.2.1 劃分屬性準(zhǔn)則 39
4.2.2 決策樹的生成 41
4.3 歸納學(xué)習(xí)假設(shè) 44
4.4 編程實(shí)踐 44
4.4.1 尋找極大特殊假設(shè)算法解決概念學(xué)習(xí) 44
4.4.2 候選消除算法解決概念學(xué)習(xí)問(wèn)題 45
4.4.3 使用決策樹對(duì)貸款申請(qǐng)樣本進(jìn)行決策 45
4.4.4 使用決策樹對(duì)鳶尾花數(shù)據(jù)集進(jìn)行分類 47
課后練習(xí) 49

第5 章 線性回歸和分類 51
5.1 線性回歸 51
5.1.1 線性模型 51
5.1.2 多項(xiàng)式回歸 53
5.1.3 正則化方法 53
5.2 線性分類 54
5.3 編程實(shí)踐 56
5.3.1 使用線性回歸預(yù)測(cè)波士頓房?jī)r(jià) 56
5.3.2 使用邏輯回歸分類仿真數(shù)據(jù) 58
課后練習(xí) 60

第6 章 統(tǒng)計(jì)學(xué)習(xí)方法 62
6.1 貝葉斯方法 62
6.1.1 貝葉斯定理 63
6.1.2 樸素貝葉斯分類器 63
6.2 支持向量機(jī) 66
6.2.1 線性支持向量機(jī) 66
6.2.2 軟間隔 69
6.2.3 核函數(shù) 70
6.3 編程實(shí)踐 71
6.3.1 使用貝葉斯方法實(shí)現(xiàn)垃圾郵件過(guò)濾 71
6.3.2 使用支持向量機(jī)實(shí)現(xiàn)鳶尾花數(shù)據(jù)的分類 73
課后練習(xí) 75

第7 章 人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) 76
7.1 人工神經(jīng)網(wǎng)絡(luò) 76
7.1.1 基本單元 77
7.1.2 網(wǎng)絡(luò)結(jié)構(gòu) 78
7.1.3 典型的神經(jīng)網(wǎng)絡(luò) 80
7.2 深度學(xué)習(xí) 87
7.2.1 卷積神經(jīng)網(wǎng)絡(luò) 87
7.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 89
7.3 編程實(shí)踐 93
7.3.1 基于神經(jīng)網(wǎng)絡(luò)的雙螺旋數(shù)據(jù)分類 93
7.3.2 手寫數(shù)字識(shí)別 96
7.3.3 地球溫度預(yù)測(cè) 99
課后練習(xí) 101

第8 章 聚類 104
8.1 聚類基礎(chǔ) 104
8.2 K 均值聚類 106
8.2.1 算法 106
8.2.2 如何選擇最優(yōu)的聚類個(gè)數(shù) 108
8.3 基于密度的聚類算法 109
8.4 譜聚類 110
8.5 編程實(shí)踐 111
8.5.1 K 均值實(shí)例 111
8.5.2 基于密度的聚類算法實(shí)例 114
8.5.3 譜聚類實(shí)例 117
課后練習(xí) 118

第三部分 知識(shí)推理121
第9 章 知識(shí)表示方法 122
9.1 什么是知識(shí) 122
9.2 人工智能所關(guān)心的知識(shí) 123
9.3 知識(shí)表示方法 124
9.3.1 狀態(tài)空間法 124
9.3.2 問(wèn)題規(guī)約法 125
9.3.3 謂詞邏輯法 125
9.3.4 語(yǔ)義網(wǎng)絡(luò)表示法 126
9.3.5 產(chǎn)生式表示法 126
9.3.6 框架表示法 127
9.3.7 面向?qū)ο蟮谋硎痉椒?127
9.4 編程實(shí)踐 127
9.4.1 狀態(tài)空間法解決野人過(guò)河問(wèn)題 127
9.4.2 問(wèn)題規(guī)約法解決梵塔問(wèn)題 128
9.4.3 謂詞邏輯法解決八皇后問(wèn)題 129
課后練習(xí) 130

第10 章 經(jīng)典邏輯推理 132
10.1 推理 132
10.2 命題和謂詞 133
10.2.1 命題和命題邏輯 133
10.2.2 謂詞與謂詞邏輯 134
10.3 自然演繹推理 135
10.4 歸結(jié)演繹推理 136
10.4.1 謂詞公式化為子句集 136
10.4.2 等價(jià)式 138
10.4.3 永真蘊(yùn)含式 139
10.4.4 置換和合一 139
10.4.5 歸結(jié)原理（定理證明） 140
10.4.6 歸結(jié)反演（問(wèn)題求解） 141
10.5 與或型演繹推理 141
10.6 產(chǎn)生式系統(tǒng) 141
10.7 編程實(shí)踐 142
10.7.1 自然演繹推理實(shí)例 142
10.7.2 動(dòng)物識(shí)別系統(tǒng) 143
課后練習(xí) 148

第四部分 領(lǐng)域應(yīng)用149
第11 章 專家系統(tǒng) 150
11.1 專家系統(tǒng) 150
11.2 專家系統(tǒng)的結(jié)構(gòu)和建造步驟 152
11.2.1 專家系統(tǒng)的簡(jiǎn)化結(jié)構(gòu) 152
11.2.2 專家系統(tǒng)的開發(fā) 153
11.3 基于規(guī)則的專家系統(tǒng) 154
11.4 編程實(shí)例 155
11.4.1 基于決策樹的專家系統(tǒng)規(guī)則提取 155
11.4.2 Boston 數(shù)據(jù)集上的專家規(guī)則提取 156
課后練習(xí) 158

第12 章 人臉識(shí)別 159
12.1 人臉識(shí)別 159
12.1.1 Haar 特征 160
12.1.2 AdaBoost 160
12.2 編程實(shí)例 161
12.2.1 人臉檢測(cè) 161
12.2.2 人臉識(shí)別 162

第13 章 自然語(yǔ)言處理 164
13.1 自然語(yǔ)言處理 164
13.1.1 自然語(yǔ)言處理的發(fā)展歷程 165
13.1.2 自然語(yǔ)言處理的基本技術(shù) 166
13.2 編程實(shí)踐 170
13.2.1 基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的文本分類 170
13.2.2 基于深度學(xué)習(xí)的文本分類 172

參考文獻(xiàn) 175