人工智能导论

01 绪论\t1
1．0　学习导言　2
1．1　生命与智能　2
1．1．1　什么是智能　4
1．1．2　图灵测试与人工智能　5
1．1．3　人工智能图谱　9
1．2　人工智能的历史　11
1．2．1　第 一阶段：初创时期（1936年—1956年）　11
1．2．2　第二阶段：形成时期（1957年—1969年）　13
1．2．3　第三阶段：发展时期（1970年—1992年）　14
1．2．4　第四阶段：大突破时期（1993年至今）　16
1．3　人工智能学科交叉与融合　19
1．4　人工智能实现方法　20
1．4．1　传统实现方法　20
1．4．2　数据驱动方法　22
1．5　人工智能主要研究内容　24
1．5．1　计算智能　24
1．5．2　感知智能　25
1．5．3　认知智能　25
1．5．4　行为智能　26
1．5．5　群体智能　27
1．5．6　混合智能　27
1．5．7　情感智能　28
1．5．8　类脑智能　28
1．5．9　人工智能伦理与法律　29
1．6　人工智能发展趋势　29
1．7　本书主要学习内容　33
1．8　本章小结　34
1．9　习题　34
02　人工智能的哲学观　35
2．0　学习导言　36
2．1　从哲学角度理解人工智能　36
2．1．1　与人工智能有关的哲学概念　36
2．1．2　与人工智能有关的主要哲学分支　41
2．1．3　大历史观——智能进化　43
2．1．4　人工智能的本质　44
2．2　人工智能局限性的认识　45
2．2．1　弱人工智能与人类心智的差距　46
2．2．2　影响强人工智能实现的主要因素　48
2．3　科幻影视作品中的人工智能　50
2．3．1　早期科幻影视作品中的人工智能　50
2．3．2　现代科幻影视作品中的人工智能　51
2．4　本章小结　53
2．5　习题　53
03　脑科学基础　55
3．0　学习导言　56
3．1　大脑的初步认识　56
3．2　脑神经系统　57
3．2．1　脑神经组织　57
3．2．2　神经元与信息传递　59
3．2．3　大脑皮层　63
3．3　脑的视觉与信息处理机制　65
3．3．1　脑的视觉结构　65
3．3．2　视觉皮层区域　66
3．4　脑的记忆与信息处理机制　67
3．5　脑的学习机制　68
3．6　脑功能新发现　69
3．6．1　大脑导航功能　69
3．6．2　大脑孕周发育　71
3．7　本章小结　71
3．8　习题　71
04　人工神经网络　73
4．0　学习导言　74
4．1　如何构建人工神经网络　74
4．1．1　神经元模型　74
4．1．2　感知器模型　76
4．2　神经网络的训练—反向传播算法　80
4．3　生成深度神经网络　83
4．3．1　生成模型——受限玻尔兹曼机　83
4．3．2　深度生成模型—深度置信网络　85
4．4　卷积神经网络原理　86
4．4．1　稀疏连接与全连接　87
4．4．2　权值共享与特征提取　87
4．4．3　卷积层　88
4．4．4　池化层　89
4．4．5　全连接层　90
4．4．6　CNN算法　91
4．5　循环神经网络　93
4．6　长短时记忆网络　94
4．7　本章小结　95
4．8　习题　96
05　机器学习　97
5．0　学习导言　98
5．1　机器学习能否实现机器智能　98
5．2　机器学习的类型和应用　99
5．3　监督学习与无监督学习　101
5．3．1　支持向量机　101
5．3．2　k-最近邻分类　102
5．3．3　朴素贝叶斯分类器　103
5．3．4　集成分类——Bagging算法、随机森林算法与Boosting算法　104
5．3．5　k-均值聚类算法　107
5．4　深度学习　107
5．4．1　浅层学习与深度学习　107
5．4．2　深度学习框架　109
5．4．3　深度学习的应用——图像描述　110
5．5　强化学习　112
5．5．1　能够自适应学习的BRETT机器人　112
5．5．2　强化学习的应用　113
5．6　迁移学习　114
5．7　机器创造　116
5．8　本章小结　119
5．9　习题　119

06　感知智能　121
6．0　学习导言　122
6．1　数字图像处理技术　122
6．1．1　灰度直方图校正　123
6．1．2　图像的平滑处理　124
6．1．3　图像的边缘检测　124
6．1．4　图像的锐化　125
6．1．5　图像的分割　126
6．1．6　图像的特征提取与Haar算法　126
6．1．7　图像分析　127
6．2　计算机视觉与机器视觉　129
6．3　模式识别与图像分类　131
6．3．1　模式识别方法　131
6．3．2　模式识别过程　132
6．3．3　图像分类　133
6．4　人脸识别　133
6．4．1　人脸识别技术的发展　134
6．4．2　人脸识别系统及其实现方法　134
6．5　深度学习在目标检测与识别中的应用　137
6．6　无人驾驶汽车的环境感知　139
6．7　本章小结　142
6．8　习题　142
07　认知智能　143
7．0　学习导言　144
7．1　逻辑推理　144
7．1．1　命题与推理　144
7．1．2　推理的类型　145
7．1．3　模糊推理　148
7．2　知识表示　149
7．2．1　谓词逻辑表示法　149
7．2．2　语义网络表示法　152
7．3　搜索技术　154
7．3．1　盲目搜索　155
7．3．2　启发式搜索　155
7．3．3　蒙特卡罗树搜索算法　158
7．4　知识图谱　159
7．4．1　知识图谱与认知智能　160
7．4．2　知识图谱基本技术　161
7．4．3　知识图谱架构　163
7．5　认知计算　165
7．6　本章小结　167
7．7　习题　167

08　语言智能　169
8．0　学习导言　170
8．1　语言与认知　170
8．2　自然语言处理　171
8．2．1　自然语言理解的源起　171
8．2．2　自然语言处理的功能应用　172
8．2．3　自然语言处理技术　173
8．3　智能问答系统　177
8．4　聊天机器人　178
8．4．1　聊天机器人的分类　179
8．4．2　聊天机器人的自然语言理解　180
8．5　语音识别　181
8．5．1　语音识别系统　181
8．5．2　语音识别的过程　182
8．6　机器翻译　183
8．6．1　机器翻译原理与过程　184
8．6．2　通用翻译模型　186
8．7　本章小结　187
8．8　习题　187

09　机器人　189
9．0　学习导言　190
9．1　机器人与行为智能　190
9．1．1　行为主义载体——机器人　190
9．1．2　机器人的基本组成　192
9．1．3　智能机器人　194
9．2　工业机器人　195
9．3　移动机器人　198
9．4　无人飞行器　201
9．5　水下机器人　203
9．6　太空机器人　204
9．7　人形机器人　207
9．8　机器动物　208
9．9　软体机器人　212
9．10　微型机器人　213
9．11　群体机器人　215
9．12　认知发展机器人　217
9．13　本章小结　218
9．14　习题　218

10　混合智能　219
10．0　学习导言　220
10．1　混合智能的基本形态与实现　220
10．2　脑机接口　221
10．2．1　脑机接口工作原理　222
10．2．2　可探测识别的脑电波信号　223
10．2．3　侵入式脑机接口　225
10．2．4　非侵入式脑机接口　227
10．2．5　脑机接口应用　228
10．3　可穿戴混合智能　229
10．3．1　可穿戴传感器与电子文身　230
10．3．2　可穿戴神经刺激混合智能　231
10．4　可植入混合智能　232
10．4．1　电子识别芯片　232
10．4．2　人造感觉神经　233
10．5　外骨骼混合智能　234
10．6　动物混合智能　235
10．7　人体增强　237
10．8　本章小结　238
10．9　习题　238

11　类脑计算　239
11．0　学习导言　240
11．1　类脑计算基础　240
11．1．1　冯·诺依曼结构计算机的局限　241
11．1．2　类脑计算机　242
11．1．3　类脑计算研究内容与方法　242
11．2　类脑计算基础　243
11．2．1　神经形态计算　243
11．2．2　神经形态类脑芯片　244
11．2．3　神经形态类脑计算机　245
11．3　基于忆阻器的类脑计算　249
11．3．1　忆阻器原理　249
11．3．2　忆阻器芯片　250
11．4　人工大脑　251
11．4．1　人工大脑的基本单元　251
11．4．2　仿脑模型　253
11．4．3　虚拟大脑　254
11．4．4　深度学习脑功能模拟　256
11．5　非神经形态智能芯片　258
11．6　本章小结　260
11．7　习题　260

12　人工智能伦理与法律　261
12．0　学习导言　262
12．1　电车难题引发的人工智能道德困境　262
12．2　人工智能技术引发的社会问题　264
12．3　人工智能伦理的定义　266
12．4　弱人工智能伦理与强人工智能伦理　267
12．4．1　弱人工智能伦理问题　267
12．4．2　强人工智能伦理问题　270
12．5　机器人伦理问题与基本原则　272
12．5．1　机器人伦理问题　272
12．5．2　机器人伦理的基本原则　273
12．6　军事人工智能伦理问题　274
12．7　人工智能伦理规范　276
12．8　人工智能法律问题　278
12．8．1　人工智能引发的法律问题　278
12．8．2　人工智能的法律主体和法律人格问题　279
12．9　本章小结　281
12．10　习题　281
参考文献　283