本书是新一代人工智能实践系列教材之一，是一本系统介绍人工智能基础知识和基本原理的入门书籍，从经典人工智能入手，介绍知识表示、确定性推理、不确定性推理、专家系统和演化算法等。同时，也介绍了典型机器学习和深度学习的学习框架和方法，如决策树、支持向量机、卷积神经网络、循环神经网络和生成对抗网络等。 另外，本书以PyTorch、sklearn等为基础通过实践项目巩固人工智能的基础知识，帮助读者从理论和实践中提高人工智能的知识水平。

本书适合作为高等学校人工智能专业及计算机类相关专业的本科生、研究生学习人工智能的教材，也可作为人工智能领域从业人员或对人工智能感兴趣的读者的参考书。

前辅文
第1章　绪论
  内容导读
  1.1　人工智能定义
  1.2　人工智能发展历程
  1.3　人工智能学派
   1.3.1　符号主义
   1.3.2　连接主义
   1.3.3　行为主义
  1.4　人工智能应用
  1.5　人工智能伦理
  1.6　人工智能展望
  习题
  参考文献
第2章　知识表示
  内容导读
  2.1　知识的基本概念
   2.1.1　知识的特性
   2.1.2　知识的分类
   2.1.3　知识的表示
  2.2　图表示
   2.2.1　邻接矩阵表示法
   2.2.2　邻接表表示法
   2.2.3　图嵌入
  2.3　谓词逻辑表示
   2.3.1　命题逻辑
   2.3.2　谓词逻辑
   2.3.3　命题函数与量词
   2.3.4　谓词逻辑表示法的特点
   2.3.5　谓词逻辑表示法的局限性
  2.4　产生式表示
   2.4.1　产生式系统
   2.4.2　产生式系统的工作过程
   2.4.3　产生式表示法的特点
   2.4.4　产生式表示法的局限性
  2.5　框架表示
   2.5.1　框架的组成结构
   2.5.2　框架系统问题求解
  2.6　语义网络表示
   2.6.1　语义网络
   2.6.2　语义联系
   2.6.3　语义网络求解过程
  2.7　脚本表示
  2.8　本体和知识图谱
   2.8.1　本体概念
   2.8.2　知识图谱概念
   2.8.3　本体和知识图谱的异同
  习题
  参考文献
第3章　确定性推理
  内容导读
  3.1　图搜索策略
  3.2　盲目搜索
   3.2.1　宽度优先搜索
   3.2.2　深度优先搜索
  3.3　启发式搜索
   3.3.1　启发式搜索策略与估价函数
   3.3.2　有序搜索
   3.3.3　A*算法
  3.4　归结演绎推理
   3.4.1　子句集
   3.4.2　归结原理
   3.4.3　基于归结的问题求解
  3.5　规则演绎推理
   3.5.1　规则正向演绎推理
   3.5.2　规则逆向演绎推理
  习题
  参考文献
第4章　不确定性推理
  内容导读
  4.1　不确定性推理概念
   4.1.1　不确定性推理的概念
   4.1.2　不确定性推理的基本问题
  4.2　概率方法
   4.2.1　概率论
   4.2.2　概率推理方法
  4.3　主观贝叶斯方法
   4.3.1　知识不确定性表示
   4.3.2　证据不确定性表示
   4.3.3　不确定性传递算法
  4.4　可信度方法
   4.4.1　可信度概念
   4.4.2　C-F模型
   4.4.3　带有阈值限度的不确定性推理
  4.5　证据理论
   4.5.1　知识的不确定性表示
   4.5.2　推理计算
  习题
  参考文献
第5章　专家系统
  内容导读
  5.1　专家系统概述
   5.1.1　专家系统的定义与特征
   5.1.2　专家系统的分类
  5.2　专家系统结构
   5.2.1　概念结构与理想结构
   5.2.2　实际结构
  5.3　专家系统的设计与实现
   5.3.1　专家系统的建造步骤
   5.3.2　常用开发工具
   5.3.3　专家系统实例
  5.4　新型专家系统
   5.4.1　新型专家系统的特点
   5.4.2　分布式专家系统
   5.4.3　协同式专家系统
  习题
  参考文献
第6章　演化算法
  内容导读
  6.1　遗传算法
   6.1.1　遗传的基本机理
   6.1.2　遗传算法的求解
  6.2　蚁群算法
   6.2.1　蚁群算法的基本原理
   6.2.2　蚁群算法模型
  6.3　粒子群优化
   6.3.1　理论背景
   6.3.2　基本的粒子群优化
   6.3.3　算法要素
   6.3.4　PSO优缺点总结
   6.3.5　粒子群优化变体
   6.3.6　总结
  6.4　实践
   6.4.1　遗传算法举例
   6.4.2　蚁群算法举例
   6.4.3　粒子群优化举例
  习题
  参考文献
第7章　机器学习
  内容导读
  7.1　机器学习概论
   7.1.1　什么是机器学习
   7.1.2　机器学习的分类
   7.1.3　机器学习的发展
  7.2　机器学习的基本要素
   7.2.1　模型
   7.2.2　策略
   7.2.3　优化算法
  7.3　模型评估与选择
  7.4　评价指标
   7.4.1　分类常用性能度量
   7.4.2　回归常用性能度量
  7.5　小结
  习题
  参考文献
第8章　监督学习
  内容导读
  8.1　线性模型
   8.1.1　线性回归
   8.1.2　逻辑回归
   8.1.3　实践
  8.2　决策树
  8.3　支持向量机
   8.3.1　线性可分支持向量机
   8.3.2　线性支持向量机
   8.3.3　非线性支持向量机与核函数
   8.3.4　实践
  8.4　贝叶斯分类模型
   8.4.1　贝叶斯决策
   8.4.2　朴素贝叶斯
   8.4.3　EM 算法
  8.5　集成学习
   8.5.1　AdaBoost
   8.5.2　随机森林
   8.5.3　XGBoost
   8.5.4　实践
  习题
  参考文献
第9章　无监督学习
  内容导读
  9.1　聚类分析
   9.1.1　K-均值聚类
   9.1.2　高斯混合模型
   9.1.3　实践
  9.2　高维数据降维
   9.2.1　PCA
   9.2.2　LLE
   9.2.3　实践
  习题
  参考文献
第10章　神经网络基础
  内容导读
  10.1　神经元模型
  10.2　感知机与多层网络
  10.3　误差反向传播算法
   10.3.1　梯度下降法
   10.3.2　神经网络中参数的更新
   10.3.3　实践
  习题
  参考文献
第11章　深度神经网络
  内容导读
  11.1　深度置信网络
   11.1.1　玻尔兹曼机
   11.1.2　受限玻尔兹曼机
   11.1.3　深度置信网络模型
   11.1.4　实践
  11.2　卷积神经网络
   11.2.1　卷积神经网络原理
   11.2.2　经典卷积神经网络架构
   11.2.3　实践
  11.3　循环神经网络
   11.3.1　循环神经网络原理
   11.3.2　经典循环神经网络架构
   11.3.3　实践
  11.4　生成对抗网络
   11.4.1　生成对抗网络原理
   11.4.2　生成对抗网络代表模型
  习题
  参考文献
附录
  附录1　机器学习的数学基础
   1.1　线性代数
   1.2　概率论
   1.3　优化算法
  附录2　机器学习开发平台
   2.1　AI开发平台ModelArts
   2.2　TensorFlow
   2.3　PyTorch
   2.4　MXNet
  附录3　MindSpore 深度学习平台
后记