人工智能為解決復雜問題提供了有效的方案，相關應用涉及領域眾多。通過閱讀本書，讀者可以學習人工智能的基本原理，了解人工智能在不同行業(yè)的應用案例以及人工智能倫理與安全，為進一步研究與應用人工智能技術奠定基礎。
全書共12章，內(nèi)容包括緒論、知識表示與推理、確定性推理、不確定性推理、無信息的盲目搜索、基于經(jīng)驗的啟發(fā)式搜索、機器學習、人工神經(jīng)網(wǎng)絡與深度學習、多智能體系統(tǒng)、人機混合增強智能、人工智能應用、人工智能倫理與安全。本書配套資源包括電子教案、課后思考題與習題的簡要解答和實驗指導書。
本書可作為普通高等院校相關專業(yè)本科生或研究生學習人工智能基礎課程的教材或參考書，也可供希望了解人工智能技術的研究人員和工程技術人員學習參考。
本書配有電子課件等教學資源，歡迎選用本書作教材的教師登錄www.cmpedu.com注冊后下載，或發(fā)郵件至jinacmp@163.com索取。
本書遵循教指委相關指導文件和高等院校學生學習規(guī)律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結合。
前言
人工智能作為專業(yè)名詞誕生于1956年，這一時間也被公認為人工智能學科誕生的開端。人工智能的研究涉及內(nèi)容廣泛，而且一直在不斷發(fā)展。自誕生以來，人工智能的研究及其應用歷經(jīng)了幾次起落，時至今日，人工智能的應用遍及多個領域，并逐漸進入日常生活。
本書作為人工智能的入門性教材，在編寫過程中遵循理論與應用、技術與倫理兼顧的基本理念，主要介紹最基本的人工智能理論方法，同時介紹一些最新的人工智能應用案例，以及人工智能倫理與安全。本書的主要特色如下：（1）結構清晰，敘述簡明。本書圍繞人工智能研究的三個主要流派符號主義、連接主義和行為主義介紹人工智能理論方法，內(nèi)容描述盡量簡潔明了，文字流暢，有較強的可讀性。學習本書內(nèi)容可以為進一步學習特定的人工智能方法起到引領作用，為掌握更廣更深的理論方法奠定基礎。
�。�2）理論與實例結合。本書各章均設計了與理論方法密切相關的例題，以幫助讀者加深理解。針對課后思考題與習題，提供了詳細的習題解答供讀者參考。針對人工智能應用，本書單列一章介紹人工智能方法在不同領域面向不同問題的應用案例，并做了相關分析，為讀者理解理論與實際是如何相互聯(lián)系的提供參考素材。
�。�3）工程技術倫理探討。人工智能日益強大，人工智能應用日漸普及，由此引發(fā)的一系列倫理與安全問題已經(jīng)成為一個無法回避的議題，這也是人工智能理論研究人員和技術開發(fā)人員必須了解的基本內(nèi)容。本書單列一章介紹人工智能倫理規(guī)范的核心原則、可信人工智能、人工智能可解釋性以及人工智能安全等內(nèi)容。
全書共12章，第1章緒論，介紹人工智能以及適合采用人工智能方法解決的問題，人工智能研究的基本內(nèi)容和主要方法；第2章知識表示與推理，介紹基本知識表示方法以及推理的基本概念；第3章確定性推理，介紹基于一階謂詞邏輯的推理方法；第4章不確定性推理，介紹基于概率理論和模糊理論的不確定性推理方法；第5章無信息的盲目搜索，介紹基于簡單策略和高級策略的狀態(tài)空間搜索；第6章基于經(jīng)驗的啟發(fā)式搜索，介紹基于啟發(fā)信息的狀態(tài)空間圖搜索及與或圖搜索；第7章機器學習，介紹機器學習的基本結構、基本策略和一些常見的機器學習算法；第8章人工神經(jīng)網(wǎng)絡與深度學習，介紹人工神經(jīng)網(wǎng)絡的基本概念和結構、學習算法，以及常見的深度神經(jīng)網(wǎng)絡結構和注意力機制模型；第9章多智能體系統(tǒng)，介紹智能體以及多智能體系統(tǒng)的概念與體系結構，基于大語言模型的智能體構建；第10章人機混合增強智能，介紹人機混合增強智能的發(fā)展歷史、形式與分類以及典型案例；第11章人工智能應用，介紹人工智能在機器視覺感知、自主智能系統(tǒng)、智能制造、智慧城市、醫(yī)療健康、科學探索領域的應用及案例；第12章人工智能倫理與安全，介紹新一代人工智能倫理規(guī)范、可信人工智能的安全類型及構建可信人工智能的途徑、發(fā)展人工智能可解釋性的基本途徑、人工智能安全風險的類型以及應對策略。其中，第2～10章介紹具體的人工智能理論方法。
本書第1～4章由王立春、李爽、劉茜編寫，第5～8章由周彥、朱曉林、周高典、歐芳、王冬麗編寫，第9～12章由黃捷、劉尚坤、陳宇韜、周宇、張琳琳編寫，王冬麗、李爽、陳宇韜負責教材配套教學資源的策劃和建設統(tǒng)籌。
本書在寫作過程中，參考了大量國內(nèi)外優(yōu)秀教材和其他文獻資料，在此一并表示感謝。對于本書的缺點和出現(xiàn)的錯誤，歡迎讀者予以批評指正。
編著者
目錄
前言
第1章?緒論 1
1.1?人工智能概述 1
1.1.1?智能的定義 1
1.1.2?人工智能的定義 2
1.1.3?弱人工智能與強人工智能 5
1.1.4?適用于人工智能求解的問題 6
1.2?人工智能研究的基本內(nèi)容 7
1.3?人工智能研究的主要方法 8
1.3.1?符號主義學派 9
1.3.2?連接主義學派 9
1.3.3?行為主義學派 10
本章小結 11
思考題與習題 11
第2章?知識表示與推理 13
2.1?知識與知識表示 13
2.1.1?知識的概念 14
2.1.2?知識表示的概念 15
2.2?產(chǎn)生式及產(chǎn)生式系統(tǒng) 16
2.2.1?產(chǎn)生式 16
2.2.2?產(chǎn)生式系統(tǒng) 17
2.2.3?產(chǎn)生式表示法的特點 18
2.3?語義網(wǎng)絡 18
2.3.1?語義基元和常用語義關系 18
2.3.2?語義網(wǎng)絡表示 19
2.3.3?語義網(wǎng)絡表示法的特點 21
2.4?框架 21
2.4.1?框架結構 21
2.4.2?框架網(wǎng)絡 23
2.4.3?框架表示法的特點 23
2.5?知識圖譜 24
2.5.1?三元組表示 24
2.5.2?向量化表示 25
2.5.3?知識圖譜的特點 28
2.6?基于邏輯的知識表示 28
2.6.1?命題公式 28
2.6.2?謂詞公式 29
2.6.3?一階謂詞邏輯知識表示方法 30
2.6.4?一階謂詞邏輯知識表示方法的特點 30
2.7?推理的基本概念 31
2.7.1?推理的定義 31
2.7.2?推理的分類 31
本章小結 34
思考題與習題 34
第3章?確定性推理 35
3.1?一階謂詞邏輯語法和語義? 35
3.1.1?一階謂詞邏輯語法 35
3.1.2?世界及解釋 36
3.1.3?模型及相關概念 37
3.2?一階謂詞邏輯演算規(guī)則 37
3.2.1?等價式 38
3.2.2?推理規(guī)則 39
3.3?演繹推理 39
3.4?合式公式到子句集的轉化 40
3.4.1?標準型 40
3.4.2?子句集 42
3.5?謂詞演算中的歸結 43
3.5.1?命題公式的歸結 43
3.5.2?置換與合一 43
3.5.3?謂詞邏輯公式的歸結 45
3.6?歸結原理與歸結反演系統(tǒng) 46
3.6.1?歸結原理 46
3.6.2?歸結反演系統(tǒng) 46
3.7?Herbrand定理 50
3.7.1?Herbrand論域與Herbrand解釋 50
3.7.2?語義樹 52
3.7.3?Herbrand定理與歸結法的完備性 53
本章小結 55
思考題與習題 56
第4章?不確定性推理 57
4.1?不確定性的表示與量化 57
4.1.1?不確定性的表示 57
4.1.2?不確定性的量化 58
4.2?概率推理 61
4.2.1?概率理論基礎 61
4.2.2?貝葉斯網(wǎng)絡 63
4.2.3?基于貝葉斯網(wǎng)絡的概率推理 64
4.2.4?證據(jù)理論（D-S Theory） 66
4.3?模糊推理 70
4.3.1?模糊理論基礎 70
4.3.2?模糊假言推理 73
本章小結 74
思考題與習題 75
第5章?無信息的盲目搜索 76
5.1?問題表示與求解 76
5.1.1?問題的狀態(tài)空間表示 76
5.1.2?基于搜索的問題求解 78
5.1.3?搜索算法的評價指標 81
5.2?狀態(tài)空間的搜索 82
5.2.1?回溯搜索的實現(xiàn) 82
5.2.2?深度優(yōu)先搜索 83
5.2.3?寬度優(yōu)先搜索 85
5.3?高級搜索 86
5.3.1?局部搜索算法 87
5.3.2?模擬退火搜索 89
5.3.3?遺傳算法搜索 93
本章小結 98
思考題與習題 99
第6章?基于經(jīng)驗的啟發(fā)式搜索 100
6.1?啟發(fā)式搜索的基本思想 100
6.1.1?啟發(fā)信息與評價函數(shù) 100
6.1.2?啟發(fā)式搜索策略 101
6.2?狀態(tài)空間的啟發(fā)式搜索 102
6.2.1?最好優(yōu)先搜索算法 102
6.2.2?分支限界法 104
6.2.3?最佳圖搜索算法A* 106
6.3?與或圖的啟發(fā)式搜索 110
6.3.1?問題歸約表示 110
6.3.2?與或圖及解圖 111
6.3.3?AO*算法 112
6.4?博弈樹的搜索 116
6.4.1?博弈樹 117
6.4.2?極小-極大搜索過程 118
6.4.3?-搜索過程 120
本章小結 122
思考題與習題 123
第7章?機器學習 124
7.1?概述 124
7.1.1?機器學習的定義 125
7.1.2?機器學習的基本結構 125
7.1.3 機器學習的基本策略 126
7.2?歸納學習 127
7.2.1?歸納學習的模式和規(guī)則 127
7.2.2?歸納學習方法 129
7.2.3?ID3決策樹歸納算法 131
7.3?分析學習 133
7.3.1?類比推理和類比學習 133
7.3.2?基于解釋的學習 135
7.4?無監(jiān)督學習 137
7.4.1?聚類算法 137
7.4.2?主成分分析 139
7.5?強化學習 140
7.5.1?強化學習的一般模式 140
7.5.2?被動強化學習 141
7.5.3?主動強化學習 143
本章小結 145
思考題與習題 145
第8章?人工神經(jīng)網(wǎng)絡與深度學習 147
8.1?人工神經(jīng)網(wǎng)絡概述 147
8.1.1?生物神經(jīng)元的結構 147
8.1.2?神經(jīng)元數(shù)學模型 148
8.1.3?人工神經(jīng)網(wǎng)絡的結構 153
8.2?感知機學習 154
8.2.1?感知機的結構和原理 154
8.2.2?感知機學習算法 155
8.2.3?Delta規(guī)則 157
8.3?反傳學習 158
8.3.1?有隱含層的神經(jīng)網(wǎng)絡 158
8.3.2?誤差反向傳播算法 159
8.4?Hebbian一致性學習 164
8.4.1?無監(jiān)督Hebbian學習 164
8.4.2?有監(jiān)督Hebbian學習 167
8.5?深度神經(jīng)網(wǎng)絡 168
8.5.1?自編碼器 168
8.5.2?卷積神經(jīng)網(wǎng)絡 171
8.5.3?循環(huán)神經(jīng)網(wǎng)絡 177
8.5.4?生成對抗網(wǎng)絡 183
8.5.5?注意力機制 187
本章小結 191
思考題與習題 191
第9章 ?多智能體系統(tǒng) 192
9.1?概述 192
9.1.1?智能體的概念與體系結構 192
9.1.2?多智能體系統(tǒng)的概念與體系結構 196
9.1.3?智能體之間的通信 199
9.2?多智能體
書單推薦
