人工智能基础

前言
第1章绪论
1.1人工智能的基本概念
1.1.1人工智能的概念
1.1.2研究领域
1.1.3存在意义
1.2人工智能的历史进程
1.2.1人工智能的起源
1.2.2人工智能的发展与困难
1.2.3人工智能的崛起与低谷
1.2.4人工智能的爆发
1.3“智能+”新时代
1.3.1“智能+”新时代的到来
1.3.2发展人工智能教育
1.4本章小结
思考题与习题
参考文献
第2章脑与认知
2.1神经系统的结构与功能
2.2感觉与知觉
2.2.1物理感觉
2.2.2化学感觉
2.2.3知觉
2.3学习与记忆
2.4本章小结
思考题与习题
参考文献
第3章机器感知
3.1传感器基本特性与分类
3.1.1传感器的静态特性
3.1.2传感器的动态特性
3.1.3传感器的分类
3.2特征工程
3.2.1数据预处理
3.2.2特征缩放
3.2.3特征编码
3.2.4特征选择
3.2.5特征提取
3.3多源信息融合技术
3.3.1多源信息融合概述
3.3.2信息融合模型
3.3.3多源信息融合算法
3.3.4多源信息融合的应用
3.4无线传感器网络
3.4.1无线传感器网络基础
3.4.2无线传感器网络的关键技术
3.4.3无线传感器网络的应用
3.4.4物联网与无线传感器网络
3.5本章小结
思考题与习题
参考文献
第4章知识表示与推理
4.1确定性知识表示
4.1.1命题与谓词
4.1.2知识的产生式表示
4.1.3知识的结构化表示
4.1.4状态空间表示法
4.2确定性推理方法
4.2.1一般演绎推理
4.2.2归结演绎推理
4.3不确定性知识表示方法与推理
4.3.1概率表示及推理方法
4.3.2证据理论
4.4问题求解
4.4.1一般图搜索
4.4.2盲目搜索
4.4.3启发式搜索
4.4.4对抗搜索
4.5本章小结
思考题与习题
参考文献
第5章计算智能
5.1模糊理论
5.1.1模糊集合及其运算
5.1.2模糊推理
5.1.3模糊控制
5.2神经网络
5.2.1神经网络的结构
5.2.2神经网络的学习机制
5.2.3感知器
5.2.4BP神经网络
5.2.5径向基函数神经网络
5.2.6反馈式神经网络
5.2.7自组织竞争神经网络
5.2.8CMAC网络
5.3遗传算法
5.3.1遗传算法原理
5.3.2遗传算法应用框架
5.4群体智能
5.4.1蚁群算法
5.4.2粒子群算法
5.5本章小结
思考题与习题
参考文献
第6章模式识别与机器学习
6.1基本概念
6.1.1研究分类
6.1.2研究模型
6.1.3研究内容
6.2分类算法
6.2.1二分类
6.2.2多类别分类
6.2.3贝叶斯分类
6.2.4决策树学习
6.3聚类算法
6.3.1聚类算法的原理
6.3.2k-均值算法原理
6.3.3GMM算法
6.3.4DBSCAN算法
6.4回归算法
6.4.1回归算法原理
6.4.2最小二乘法
6.4.3逻辑回归
6.5支持向量机
6.5.1支持向量机原理
6.5.2点到超平面的距离公式
6.5.3最大间隔的优化模型
6.5.4松弛变量
6.5.5支持向量机的优化
6.6深度学习
6.6.1基本思路与训练过程
6.6.2卷积神经网络原理
6.6.3LeNet网络原理
6.6.4卷积神经网络的训练
6.7降维
6.7.1数据降维
6.7.2主成分分析（PCA）原理
6.8本章小结
思考题与习题
参考文献
第7章人工智能系统的硬件基础
7.1人工智能基础设施
7.1.1云计算
7.1.2边缘计算
7.2嵌入式系统概述
7.2.1嵌入式系统原理
7.2.2嵌入式系统开发方法
7.2.3嵌入式系统开放资源
7.3FPGA概述
7.3.1FPGA基本原理
7.3.2FPGA开发方法
7.3.3FPGA开放资源
7.4本章小结
思考题与习题
参考文献
第8章人工智能系统的应用
8.1机器视觉典型应用
8.1.1Python实现
8.1.2嵌入式系统实现
8.1.3FPGA实现
8.2无人驾驶系统典型应用
8.2.1Python实现
8.2.2嵌入式系统实现
8.2.3FPGA实现
8.3本章小结
思考题与习题
参考文献