新书推荐｜人工智能基础及应用（微课版）
紧密结合教学需求，思政融入
教授博导编写，理论+算法案例详解
配套微视频、习题答案、电子课件、教学大纲
扫码优惠购书
内容简介
本书是作者讲授多年人工智能基础及研究人工智能算法后，针对当前的教学实际需要而编写的。全书系统阐述了人工智能发展概况及前沿应用，较详细地介绍了知识表示、搜索和推理技术，给出了人工智能优化方法，还介绍了神经网络、专家系统与机器学习相关的方法，并列举了与人工智能算法相关的应用案例，从而方便大学生掌握人工智能理论的应用方法。全书内容力求简明扼要，具体实用，并有研究实例，便于自学。同时，本书配套数字教学资源包括微视频、习题答案，教师另赠送电子课件、教学大纲等。
本书适合作为人工智能基础课程的教材，是高等院校师生掌握人工智能理论与应用方法的速成参考书，也是学习人工智能基础知识的必修教材。
作者简介
孙平，博士，教授，博士生导师，辽宁省高等学校优秀人才。2006年于东北大学获工学博士学位，同年到沈阳工业大学从事教学和科研工作。主要研究方向为康复机器人及控制、人工智能算法，主持并参与多项省级课题研究。在国际期刊、国内重要期刊和国际会议上发表论文60余篇，出版专著1部，主编教材2部，授权发明专利10项，正在审查的发明专利12项。2007年被评为沈阳工业大学青年学术骨干教师，讲授《智能机器人》《人工智能基础》本科生课程，将科研成果融入课堂教学，教学效果良好。
本书特色
(1)实用性。本书结合有关二十大精神要求，在教材中充分体现创新实践，紧密把握人工智能领域的发展前沿及实际应用，详细地讲解了人工智能基础理论知识，使学生能够更好地学习本课程。
(2)实践性。本书围绕大学生人工智能基础的能力培养要求，以大量实际案例加深对人工智能方法的理解，提升学生的创新实践能力。
(3)丰富性。本书融入了编者的科研成果，有利于学生掌握人工智能发展前沿；给出了微课设计，丰富了教学内容；挖掘了课程思政，有利于人才培养。
目录
向上滑动阅览
第1章 绪论 1
1.1 人工智能的发展史 2
1.1.1 人工智能国外发展史 2
1.1.2 人工智能国内发展史 3
1.1.3 人工智能的三次浪潮 5
1.2 人工智能的基本概念 8
1.2.1 人工智能的定义 8
1.2.2 人工智能的内涵与外延 9
1.3 人工智能的主流学派 11
1.3.1 符号主义学派 11
1.3.2 联结主义学派 12
1.3.3 行为主义学派 14
1.3.4 三大学派的比较 15
1.4 人工智能的研究目标 15
1.5 人工智能的研究领域 16
习题 17
第2章 知识表示 19
2.1 知识和知识表示的基本概念 20
2.2 状态空间表示法 23
2.2.1 问题状态描述 23
2.2.2 状态图示法 25
2.3 问题归约法 26
2.3.1 问题归约描述 26
2.3.2 与或图表示 28
2.4 一阶谓词逻辑表示法 30
2.4.1 谓词 31
2.4.2 谓词公式 32
2.4.3 一阶谓词逻辑知识表示方法 37
2.5 产生式表示法 39
2.5.1 产生式 39
2.5.2 产生式系统 40
2.5.3 产生式系统的推理 41
2.5.4 产生式系统应用举例 43
2.6 语义网络表示法 44
2.6.1 语义网络的概念及结构 45
2.6.2 语义网络的基本语义联系 46
2.6.3 语义网络的知识表示方法 48
2.6.4 语义网络的知识表示举例 53
2.6.5 语义网络的推理过程 54
2.7 框架表示法 55
2.7.1 框架的一般结构 55
2.7.2 框架知识表示举例 56
习题 58
第3章 搜索及推理技术 61
3.1 图搜索策略 62
3.2 盲目搜索 64
3.2.1 宽度优先搜索 64
3.2.2 等代价搜索 66
3.2.3 深度优先搜索 68
3.3 启发式搜索 70
3.3.1 启发式搜索策略和估价函数 70
3.3.2 有序搜索 71
3.3.3 A*搜索算法 74
3.4 推理的基本概念 77
3.4.1 推理的定义 77
3.4.2 推理方式及其分类 77
3.4.3 冲突消解策略 80
3.5 自然演绎推理 81
3.6 归结演绎推理 82
3.6.1 子句集及其化简 83
3.6.2 鲁滨逊归结原理 86
3.6.3 用归结原理求解问题 89
3.7 不确定推理 91
3.8 概率推理 94
3.9 主观贝叶斯表示方法 96
3.9.1 知识的不确定性的表示 96
3.9.2 证据的不确定性的表示 97
3.9.3 不确定性的传递算法 98
3.9.4 结论不确定性的合成 101
3.9.5 主观贝叶斯方法的特点 103
3.10 可信度方法 103
3.10.1 基于可信度的不确定表示 103
3.10.2 可信度方法的推理算法 105
3.11 证据理论 108
3.11.1 证据理论的形式化描述 109
3.11.2 证据理论的不确定性推理模型 114
习题 121
第4章 智能优化计算 123
4.1 优化问题分类 124
4.2 优化算法分类 125
4.3 混沌优化 126
4.3.1 基本混沌优化算法 126
4.3.2 变尺寸混沌优化算法 127
4.3.3 双混沌优化搜索算法 127
4.3.4 幂函数载波的混沌优化算法 128
4.3.5 并行混沌优化算法 129
4.4 模拟退火算法 129
4.5 遗传算法 130
4.5.1 遗传算法的基础知识 130
4.5.2 遗传算法中的基本流程 138
4.5.3 遗传算法的改进 139
4.5.4 遗传算法案例 141
4.6 蚁群算法 142
4.6.1 蚁群算法简介 143
4.6.2 基本蚁群算法的工作原理 144
4.7 粒子群优化算法 146
4.7.1 基本粒子群优化算法 146
4.7.2 粒子群优化算法的拓扑结构 150
4.8 其他优化算法 152
习题 154
第5章 神经网络 155
5.1 神经网络概述 156
5.2 神经网络模型 157
5.2.1 生物神经元模型 157
5.2.2 人工神经元模型 158
5.2.3 人工神经网络的学习方式 161
5.3 BP神经网络 162
5.3.1 网络基本结构 163
5.3.2 学习算法 164
5.3.3 网络的改进算法 166
5.3.4 BP神经网络的特点 167
5.3.5 神经网络应用示例 168
5.4 RBF神经网络 171
5.4.1 径向基函数 172
5.4.2 径向基函数网络结构 173
5.4.3 网络学习算法 174
5.4.4 RBF网络与BP网络的对比 175
5.5 Hopfield神经网络 176
5.5.1 离散型Hopfield网络 176
5.5.2 连续型Hopfield网络 178
5.6 Elman神经网络 181
5.6.1 Elman神经网络的结构 181
5.6.2 Elman神经网络学习算法 182
5.7 CMAC神经网络 182
5.7.1 CMAC网络结构 182
5.7.2 网络学习算法 183
5.7.3 CMAC网络的特点 185
5.8 模糊神经网络 185
5.8.1 网络结构 186
5.8.2 学习过程 188
5.9 深度学习 189
5.9.1 常见模型 189
5.9.2 训练算法及优化策略 191
习题 193
第6章 专家系统 195
6.1 专家系统概述 196
6.1.1 专家系统的产生和发展 196
6.1.2 专家系统的定义、特点
及类型 197
6.1.3 专家系统的结构和建造步骤 200
6.2 基于规则的专家系统 203
6.2.1 基于规则的专家系统的工作模型和结构 203
6.2.2 基于规则的专家系统的特点 204
6.3 基于框架的专家系统 206
6.3.1 基于框架的专家系统的定义、结构和设计方法 206
6.3.2 基于框架的专家系统的继承、槽和方法 208
6.4 基于模型的专家系统 211
6.4.1 基于模型的专家系统的提出 211
6.4.2 基于神经网络的专家系统 212
6.5 新型专家系统 214
6.5.1 新型专家系统的特征 214
6.5.2 分布式专家系统 215
6.5.3 协同式专家系统 217
6.6 专家系统的实例 218
6.6.1 医学专家系统——MYCIN 218
6.6.2 地质勘探专家系统——PROSPECTOR 224
6.7 专家系统的设计过程 226
习题 231
第7章 机器学习 233
7.1 概述 234
7.1.1 机器学习的定义 234
7.1.2 机器学习的发展史 235
7.1.3 机器学习方法的分类 237
7.1.4 机器学习的基本问题 239
7.2 机器学习的主要策略及基本结构 240
7.2.1 机器学习的主要策略 240
7.2.2 机器学习的基本结构 240
7.3 归纳学习 242
7.3.1 归纳学习的模式及规则 243
7.3.2 归纳学习方法 244
7.4 类比学习 246
7.4.1 类比学习的推理及学习形式 246
7.4.2 类比的学习过程及分类 247
7.5 解释学习 248
7.5.1 解释学习的过程及算法 248
7.5.2 解释学习案例 249
7.6 贝叶斯学习 250
7.6.1 贝叶斯法则 251
7.6.2 朴素贝叶斯方法 254
7.6.3 贝叶斯网络 255
7.6.4 贝叶斯学习应用案例 256
7.7 决策树学习 258
7.7.1 决策树表示法 259
7.7.2 ID3算法 260
7.7.3 决策树学习的常见问题 262
7.7.4 决策树学习应用案例 265
7.8 其他学习算法 268
7.8.1 K近邻算法 268
7.8.2 K均值算法 269
7.8.3 强化学习 269
习题 272
第8章 人工智能应用案例 273
8.1 模糊技术在坐垫服务机器人中的应用 274
8.1.1 坐垫服务机器人 274
8.1.2 机器人的避障角度 274
8.1.3 模糊轨迹规划 276
8.2 随机配置网络在坐垫服务机器人中的应用 278
8.2.1 具有系统偏移量的动力学模型 278
8.2.2 系统偏移量SCN辨识模型 279
8.2.3 机器人限时迭代学习跟踪控制 280
8.3 强化学习在康复训练机器人中的应用 283
8.3.1 康复训练机器人动力学模型 283
8.3.2 机器人强化学习运动速度决策 284
8.3.3 人机运动速度协调跟踪控制 285
习题 286
第9章 人工智能的前沿 287
9.1 人工智能与智能助理 288
9.1.1 智能助理的基本逻辑 288
9.1.2 智能助理的未来 290
9.1.3 常见的几种智能助理 290
9.2 人工智能与量子计算 292
9.2.1 量子计算的概念 293
9.2.2 量子计算与人工智能的结合 294
9.3 人工智能与自动驾驶 295
9.3.1 感知系统 297
9.3.2 决策系统 298
9.3.3 控制系统 300
9.3.4 其他关键技术 300
9.4 人工智能与智慧教育 302
9.4.1 人工智能变革教育的潜力 302
9.4.2 人工智能与教育的结合 303
9.5 人工智能与智能家居 305
9.5.1 国内外智能家居的现状 305
9.5.2 智能家居的主要系统 307
9.5.3 人工智能在智能家居中的应用 308
9.6 机器学习的未来 310
9.6.1 深度学习的新型网络结构 310
9.6.2 强化学习 311
9.6.3 3D打印 312
9.6.4 VR和AR 314
习题 317
参考文献 318
课程性质与任务
人工智能基础是全校专业学生学习和掌握人工智能领域基本概念及基础理论的公共基础课，也是引导学生了解人工智能的发展、人工智能领域的研究、设计和应用的不同场景，理解其分析问题、探索问题求解策略的理论基础。本课程在教学内容方面着重人工智能基本概念描述和知识表达；通过解决人工智能相关领域问题思路的基本训练，使学生能够具有一定的利用人工智能的基本理论和方法对人工智能及其相关领域的工程问题进行分析的创新思维。
课程与其他课程的联系
人工智能基础课程是面向新一代人工智能及应用的前沿知识学习的基础，具有综合性和跨学科性质，是培养学生全面发展的一门课程。
课程教学目标
1．学习人工智能知识表示的基础知识和基本理论，理解常用问题的抽象表示方法，具备解决人工智能相关领域问题的基本思想，能够对相关问题抽象分析，拓展创新思维。
2．学习人工智能的基本推理及搜索技术，掌握领域问题的搜索推理过程，能够根据工程领域中不同问题提出其中人工智能相关部分的有效解决措施。
3．学习人工智能的神经网络、遗传算法、专家系统、机器学习等的高级智能知识方法，能够分析人工智能相关领域工程问题并提出设计方案的思路，具备将人工智能的智能思想和逻辑思维持续运用和研究的能力。
教学内容、基本要求与学时分配
课程思政元素案例解析：
1.“中国制造”的民族自豪感、文化自信
通过讨论中国人工智能化进程影响及改变的各领域，比如经济领域、民生领域、教育领域等，让学生了解科技对国家的重要性，比如“疫情防控”中疾控中心与AI科技公司联手建立智能语音呼叫平台，追访来自相关高风险地区的人员、乘坐公交、地铁等公共交通系统筛查发热乘客等多场景人员，提高筛查效率等，使学生感受到我国人工智能发展的进程，激发学生自主创新“中国制造”的民族自豪感、文化自信。
2.智能思维、探索未知
通过“AlphaGo为何能打败围棋职业高手”的讨论，了解算法所起到的关键性作用，更进一步地引导学生思考其背后“人”的关键作用，从而激发学生的学习热情，培养一种人工智能意识和思维方式，鼓励学生利用所学探索未知，适应不同学科交叉融合的面向人工智能的新时代需求。
3.人与自然的和谐发展
通过讨论某种智能优化算法，如遗传算法、蚁群算法、粒群算法、免疫计算等从大量的自然界中获取灵感数据而形成的过程，结合这次疫情可能发生的主要原因，强调实现人与自然共同生存发展的和谐发展，提高环保意识。