新書推薦：
《
大唐名城：长安风华冠天下
》
售價：NT$
398.0
《
情绪传染（当代西方社会心理学名著译丛）
》
售價：NT$
403.0
《
中国年画 1950-1990 THE NEW CHINA: NEW YEAR PICTURE 英文版
》
售價：NT$
1100.0
《
革命与反革命：社会文化视野下的民国政治（近世中国丛书）
》
售價：NT$
435.0
《
画楼：《北洋画报》忆旧（年轮丛书）
》
售價：NT$
1573.0
《
大国脊梁：漫画版
》
售價：NT$
374.0
《
跟着渤海小吏读历史：大唐气象（全三册）
》
售價：NT$
989.0
《
心智的构建：大脑如何创造我们的精神世界
》
售價：NT$
352.0
|
| 編輯推薦： |
1．教材第1版入选普通高等教育十一五*规划教材，第2版入选普通高等教育十二五*规划教材，被多所985、211高校采用。
2.作者硕士博士先后师从南京大学莫绍揆先生、国防科技大学陈火旺先生，打下了扎实的理论基础。目前，担任军队人工智能专业组专家。多年从事人工智能科研和教学工作，并借鉴了国内外优秀人工智能教材的习题及案例。
3．教材以基本理论与方法为主体，反映人工智能技术发展现状，以方便学生理解和培养学生具备继续学习能力为目标；教材定位力求扩大适应面。
4．用比较多的篇幅论述人工智能的应用，除包括问题状态与搜索、知识表示、知识库系统、机器学习、自然语言技术处理、机器人学等内容外，还增加了智能体、语音处理、神经网络、自然启发式优化算法、互联网智能等内容。
5．注重实践。附录I介绍了人工智能程序设计语言Prolog；附录II给出了28个人工智能课程大作业。
6.为使用本教材的老师提供了习题答案（通过清华大学出版社网站下载）。
|
| 內容簡介： |
|
本书内容丰富，观点新颖，理论联系实际。不仅可用作高等学校计算机专业本科生和研究生学习计算机算法设计的教材，而且也适合广大工程技术人员和自学读者学习参考。
|
| 關於作者： |
贲可荣，海军工程大学教授、博士生导师，中国计算机学会理论计算机科学专委副主任、软件工程专委委员，担任军队人工智能专业组专家，获军队院校育才奖金奖。硕士、博士先后师从南京大学莫绍揆先生、国防科技大学陈火旺先生，打下了扎实的理论基础。
张彦铎，武汉工程大学党委常委、副校长、教授，湖北省有突出贡献的中青年专家，中国人工智能学会智能机器人专业委员会委员、机器人足球技术专业委员会委员，国际机器人足球联盟中国分会华中地区召集人。
|
| 目錄：
|
目录
第1章绪论1
1.1人工智能的定义与概况1
1.2人类智能与人工智能5
1.2.1智能信息处理系统的假设6
1.2.2人类智能的计算机模拟7
1.2.3弱人工智能和强人工智能10
1.3人工智能各学派的认知观10
1.4人工智能的研究与应用领域12
1.4.1智能感知13
1.4.2智能推理15
1.4.3智能学习19
1.4.4智能行动24
1.5人工智能发展展望29
1.5.1新一轮人工智能的发展特征29
1.5.2未来40年的人工智能问题31
1.5.3人工智能鲁棒性和伦理34
1.5.4新一代人工智能发展规划35
习题37
第2章知识表示和推理39
2.1概述39
2.1.1知识和知识表示39
2.1.2知识策略智能41
2.1.3人工智能对知识表示方法的要求42
2.1.4知识的分类42
2.1.5知识表示语言问题43
2.1.6现代逻辑学的基本研究方法44人工智能（第3版）目录2.2命题逻辑46
2.2.1语法47
2.2.2语义47
2.2.3命题演算形式系统PC49
2.3谓词逻辑50
2.3.1语法51
2.3.2语义52
2.3.3谓词逻辑形式系统FC55
2.3.4一阶谓词逻辑的应用57
2.4归结推理58
2.4.1命题演算中的归结推理58
2.4.2谓词演算中的归结推理61
2.4.3谓词演算归结反演的合理性和完备性70
2.4.4案例： 一个基于逻辑的财务顾问74
2.5产生式系统76
2.5.1产生式系统的表示77
2.5.2案例： 九宫图游戏78
2.5.3案例： 传教士和野人问题79
2.5.4产生式系统的控制策略82
2.6语义网络84
2.6.1基本命题的语义网络表示84
2.6.2连接词在语义网络中的表示86
2.6.3语义网络的推理88
2.6.4语义网络表示的特点90
2.7框架90
2.7.1框架的构成90
2.7.2框架系统的推理92
2.7.3框架表示的特点93
2.8脚本93
2.8.1脚本概念94
2.8.2案例： 饭店脚本94
2.9知识图谱96
2.9.1知识图谱及其表示97
2.9.2百度知识图谱技术方案98
2.9.3案例： 知识图谱在互联网金融行业中的应用101
2.10基于知识的系统103
2.10.1知识获取103
2.10.2知识组织105
2.10.3知识应用106
2.10.4常识知识和大规模知识处理108
2.10.5常识推理108
2.10.6案例： 知识图谱应用110
2.11小结112
习题112
第3章搜索技术123
3.1概述123
3.2盲目搜索方法128
3.3启发式搜索129
3.3.1启发性信息和评估函数130
3.3.2最好优先搜索算法131
3.3.3贪婪最好优先搜索算法132
3.3.4A算法和A算法132
3.3.5迭代加深A算法136
3.4问题归约和ANDOR图启发式搜索136
3.4.1问题归约的描述137
3.4.2问题的ANDOR图表示138
3.4.3AO算法139
3.5博弈143
3.5.1极大极小过程144
3.5.2-过程146
3.5.3效用值估计方法149
3.6案例分析149
3.6.1八皇后问题149
3.6.2洞穴探宝151
3.6.3五子棋153
习题158
第4章高级搜索161
4.1爬山法搜索161
4.2模拟退火搜索164
4.2.1模拟退火搜索的基本思想164
4.2.2模拟退火算法165
4.2.3模拟退火算法关键参数和操作的设计167
4.3遗传算法168
4.3.1遗传算法的基本思想169
4.3.2遗传算法的基本操作170
4.4案例分析175
4.4.1爬山算法求解旅行商问题175
4.4.2模拟退火算法求解旅行商问题176
4.4.3遗传算法求解旅行商问题177
习题178
第5章不确定知识表示和推理180
5.1概述180
5.1.1什么是不确定推理181
5.1.2不确定推理要解决的基本问题181
5.1.3不确定性推理方法分类183
5.2非单调逻辑184
5.2.1非单调逻辑的产生185
5.2.2缺省推理逻辑186
5.2.3非单调逻辑系统188
5.2.4非单调规则190
5.2.5案例： 有经纪人的交易191
5.3主观Bayes方法194
5.3.1全概率公式和Bayes公式194
5.3.2主观 Bayes方法196
5.4确定性理论201
5.4.1建造医学专家系统时的问题201
5.4.2CF模型202
5.4.3案例： 帆船分类专家系统207
5.5证据理论212
5.5.1假设的不确定性212
5.5.2证据的不确定性与证据组合215
5.5.3规则的不确定性216
5.5.4不确定性的传递与组合216
5.5.5证据理论案例217
5.6模糊逻辑和模糊推理219
5.6.1模糊集合及其运算219
5.6.2模糊关系220
5.6.3语言变量221
5.6.4模糊逻辑和模糊推理222
5.6.5案例： 抵押申请评估决策支持系统226
5.7小结232
习题233
第6章Agent238
6.1概述238
6.2Agent及其结构240
6.2.1Agent的定义240
6.2.2Agent要素及特性241
6.2.3Agent的结构特点243
6.2.4Agent的结构分类244
6.3Agent应用案例246
6.4Agent通信250
6.4.1通信方式250
6.4.2Agent通信语言ACL251
6.5协调与协作256
6.5.1引言256
6.5.2合同网258
6.5.3协作规划260
6.6移动Agent263
6.6.1移动Agent产生的背景264
6.6.2定义和系统组成266
6.6.3实现技术267
6.6.4移动Agent系统275
6.6.5移动Agent技术的应用场景276
6.7多Agent系统开发框架JADE278
6.7.1程序模型280
6.7.2可重用开发包281
6.7.3开发和运行的支持工具283
6.8案例： 火星探矿机器人284
6.8.1需求分析284
6.8.2设计与实现286
6.9小结291
习题292
第7章机器学习299
7.1机器学习概述299
7.1.1学习中的元素300
7.1.2目标函数的表示301
7.1.3学习任务的类型303
7.1.4机器学习的定义和发展史304
7.1.5机器学习的主要策略306
7.1.6机器学习系统的基本结构307
7.2基于符号的机器学习308
7.2.1归纳学习308
7.2.2决策树学习312
7.2.3基于范例的学习318
7.2.4解释学习323
7.2.5案例： 通过EBG学习概念cup324
7.2.6强化学习325
7.3基于神经网络的机器学习327
7.3.1神经网络概述327
7.3.2基于反向传播网络的学习332
7.3.3案例： 基于反向传播网络拟合曲线341
7.3.4深度学习348
7.3.5案例： 深度学习在计算机视觉中的应用353
7.3.6竞争网络358
7.3.7案例： 学习向量量化解决分类问题368
7.4基于统计的机器学习369
7.4.1支持向量机369
7.4.2案例： XOR问题378
7.4.3统计关系学习380
7.5小结382
习题384
第8章自然语言处理技术393
8.1自然语言理解的一般问题393
8.1.1自然语言理解的概念及意义393
8.1.2自然语言理解研究的发展395
8.1.3自然语言理解的层次396
8.2词法分析399
8.3句法分析402
8.3.1短语结构文法和Chomsky文法体系402
8.3.2句法分析树404
8.3.3转移网络405
8.4语义分析406
8.4.1语义文法406
8.4.2格文法407
8.5大规模真实文本的处理408
8.5.1语料库语言学及其特点408
8.5.2统计学方法的应用及所面临的问题410
8.5.3汉语语料库加工的基本方法411
8.5.4语义资源建设414
8.6信息搜索416
8.6.1信息搜索概述416
8.6.2搜索引擎418
8.6.3智能搜索引擎423
8.6.4搜索引擎的发展趋势429
8.7机器翻译433
8.7.1机器翻译系统概述433
8.7.2机器翻译的基本模式和方法436
8.7.3统计机器翻译439
8.7.4利用深度学习改进统计机器翻译441
8.7.5端到端神经机器翻译442
8.7.6未来展望443
8.8语音识别444
8.8.1智能语音技术概述444
8.8.2组成单词读音的基本单元445
8.8.3信号处理446
8.8.4单个单词的识别449
8.8.5隐马尔可夫模型450
8.8.6深度学习在语音识别中的应用451
8.9机器阅读理解453
8.9.1机器阅读理解评测数据集453
8.9.2机器阅读理解的一般方法453
8.9.3机器阅读理解研究展望455
8.10机器写作456
8.10.1机器原创稿件457
8.10.2机器二次创作457
8.10.3机器写作展望459
8.11聊天机器人459
8.11.1聊天机器人应用场景460
8.11.2聊天机器人系统的组成结构及关键技术461
8.11.3聊天机器人研究存在的挑战465
8.12小结465
习题467
第9章智能规划470
9.1规划问题470
9.2状态空间搜索规划474
9.3偏序规划477
9.4命题逻辑规划481
9.5分层任务网络规划484
9.6非确定性规划486
9.7时态规划488
9.8多Agent规划491
9.9案例分析495
9.9.1规划问题的建模与规划系统的求解过程495
9.9.2Shakey世界497
9.10小结499
习题499
第10章机器人学502
10.1概述502
10.1.1机器人的分类503
10.1.2机器人的特性504
10.1.3机器人学的研究领域504
10.2机器人系统505
10.2.1机器人系统的组成505
10.2.2机器人的工作空间507
10.2.3机器人的性能指标509
10.3机器人的编程模式与语言510
10.4机器人的应用与展望511
10.4.1机器人应用512
10.4.2机器人发展展望515
10.5案例分析： 仿真机器人运动控制算法519
10.5.1仿真平台使用介绍519
10.5.2仿真平台与策略程序的关系522
10.5.3策略程序的结构522
10.5.4动作函数及说明526
10.5.5策略527
10.5.6各种定位球状态的判断方法530
10.5.7比赛规则531
10.6小结533
习题533
第11章互联网智能535
11.1概述535
11.2语义网与本体538
11.2.1语义网的层次模型538
11.2.2本体的基本概念540
11.2.3本体描述语言542
11.2.4本体知识管理框架542
11.2.5本体知识管理系统Protg543
11.2.6本体知识管理系统KAON544
11.3Web技术的演化545
11.3.1Web 1.0546
11.3.2Web 2.0547
11.3.3Web 3.0549
11.3.4互联的社会550
11.4Web挖掘551
11.4.1Web内容挖掘553
11.4.2Web结构挖掘554
11.4.3Web使用挖掘555
11.4.4互联网信息可信度问题556
11.4.5案例： 反恐作战数据挖掘556
11.4.6案例： 微博博主特征行为数据挖掘557
11.5集体智能559
11.5.1社群智能560
11.5.2集体智能系统561
11.5.3全球脑562
11.5.4互联网大脑（云脑）563
11.5.5智联网566
11.5.6案例： 智能网联汽车568
11.5.7案例： 城市计算569
11.6小结571
习题572
附录A人工智能编程语言Python577
A.1人工智能编程语言概述577
A.2Python语言优势580
A.3Python人工智能相关库580
A.4Python语法简介582
附录B手写体识别案例585
B.1MNIST数据集586
B.2Softmax回归模型587
B.3Softmax回归的程序实现589
B.4模型的训练590
B.5模型的评价591
B.6完整代码及运行结果592
参考文献594
|
| 內容試閱：
|
在当今社会，尤其是融合了社交内容的移动互联网的普及，如何更好地连接人与信息，已成为人类社会的一个重要基础命题。个性化的信息流已经成为一种新的连接方式，人与信息、万物互联。那么，在信息流产品平台与服务这个领域，如何高效地处理、分析、挖掘、理解和组织海量文字、图片（视频），更好地连接人与信息呢？如何根据对用户的深度理解，进行信息的智能推送呢？无疑，人工智能扮演着重要角色。
从内容创作、过滤、分发、消费以及互动的每个环节，都可以使用大规模机器学习，包括文本分析、自然语言理解、计算机视觉和数据挖掘等技术，向用户进行智能推送。同时，还可以基于信息流丰富多样的应用场景和用户，持续累积大量的训练样本和数据，让机器学习系统形成闭环，不断地改善和进化，在机器人辅助内容创作、自动视频分析与理解、个性化推荐和问答等方面发展人工智能核心技术。
移动互联网时代，很多信息都藏在应用里面，虽然不能利用搜索引擎将每个App里的信息轻松找出，但是在这股潮流中涌现出一些新的应用，让我们能够重新定义信息的源头。我们可以与很多信息供应商、内容提供商、媒体创作者一起构建新的内容平台和生态系统。
当前，有更多的公司开始大规模使用人工智能做个性化推荐。因为人们使用智能手机有了很多碎片化时间，产生了学习、娱乐等需求。这些需求也产生了各式各样的应用场景。在推荐引擎领域有了一个将人与信息相连接的新机会。搜索引擎里所有的排序算法、内容分析等技术，都可用于进一步的个性化精准推荐，从而变成信息流。信息流是一种新的、更智能的方式，让人能够随时随地在需要时得到所需要的信息。人工智能可以做个性化推荐，使人们不受地域限制享受服务用无所不在的超级机器智能帮助人类创作、发现、使用、分发信息，并进行社交场景的互动。
当你使用在线系统搜索网页、编辑文档、存储图片、听音乐、看视频、玩游戏，并享受着行云流水般的顺畅服务时，正有几十万到上百万台服务器坚守在大后方，为你提供着724小时的可靠服务。超大的规模和超高的复杂度给服务的可靠性、可用性和性能都带来了极大的挑战。可靠服务的背后是人们利用人工智能前沿技术解决大规模在线系统服务的运维问题，即利用大规模数据挖掘、机器学习等人工智能技术对纷繁复杂的运维大数据进行实时分析，为系统维护提供有效的决策方案。
随着技术的进一步发展，人工智能与人可以互相帮助，从而让彼此变得更聪明。人工智能需要很多标注数据和训练样本，在信息流的场景，人们有更多机会拿到更多标注数据以及更细颗粒度的标注，帮助人们做自然语言理解、自然语言生成、图像视频理解和图像视频生成。人将与人工智能进一步共同进化。
软件正在改变全世界，而软件产业本身正在被人工智能的发展所颠覆。越来越多的软件开发不再只是依靠软件工程师的想法、逻辑和认知，而这些软件的核心已变成非常大的模型，有上千亿的参数，有各式各样的大数据。通过训练各种各样的模型，包含统计模型、符号、逻辑、知识表达，软件产业已被人工智能化。
今天，视频、图像、文字都已经被数字化，下一个阶段就是语义化，如图像理解。在数字原始表达空间，计算机很难做语义理解，我们需要用深度学习模型来学习非线性的转化。今天人工智能的本质其实是软件产业的革命，借由大数据、大计算和机器学习训练大模型，编写越来越智能的软件。
人工智能（第3版）第3版序人工智能主要分三层。最底层是基础架构（infrastructure），包括云计算、芯片以及TensorFlow这样的框架。中间层主要是使能技术（enabling technology），如图像识别、语音识别、语义理解、机器翻译等。基础层和中间层是互联网巨头的必争之地，如芯片领域，英特尔、英伟达、高通公司都投入巨资，竞争极其激烈。同样，云计算、框架也都不是小公司能够涉足的领地。
创业公司的机会在最上层，就是拿着下两层的成果服务垂直行业，也就是所谓的AI 。这样的趋势在2017年展现了不少案例。数据 AI算法正在带来更多的想象。例如，英国正在用AI酿造啤酒，瑞典通过深度学习分析马匹行为，纽约通过AI定制千人千面的素食健康食品。随着AI算法和机器学习更加民主化，每一个行业都可能进一步得到AI 式的改变。
深入垂直行业的AI 又可细分为两类情况：AI 行业和行业 AI，它们之间有明显的区别。
AI 行业在AI技术成熟之前，这个行业、产品从未存在过。例如，自动驾驶、亚马逊的Echo智能音箱、苹果的Siri语音助手。在人工智能技术未突破前，不存在这样的产品。因为AI创造出了一条全新的产业链。
行业 AI就是行业本身，一直存在，产业链条成熟，只是以前完全靠人工，效率比较低，现在加入AI元素后，使得行业效率有了明显提高，如安防、医疗等领域。
AI 行业行业 AI通常因为大家起跑线一样，行业纵深会比较浅，而后者则有巨大的行业壁垒。未来行业壁垒才是人工智能创业最大的护城河，因为每个行业都有垂直纵深。以医疗 AI举例，什么最重要？大量准确的被医生标注过的数据最重要。没有数据，再天才的科学家也无用武之地。
贲可荣2012年8月智能（intelligence）是人类所特有的区别于一般生物的主要特征。智能解释为感知、学习、理解、知道的能力，思维的能力。智能通常被理解为人认识客观事物并运用知识解决实际问题的能力往往通过观察、记忆、想象、思维、判断等表现出来。
人工智能就是用计算机模拟人的智能，因此又叫作机器智能。研究人工智能的目的，一方面是要造出具有智能的机器，另一方面是要弄清人类智能的本质。通过研究和开发人工智能，可以辅助、部分代替，甚至拓宽人的智能，使计算机更好地造福于人类。
信息经抽象结晶为知识，知识构成智能的基础。因此，信息化到知识化再到智能化，必将成为人类社会发展的趋势。人工智能已经并正在广泛而深入地结合到科学技术的各门学科和社会的各个领域中，它的概念、方法和技术正在各行各业广泛渗透。智能已成为当今各种新产品、新装备的发展方向。
随着人工智能学科的发展，课程的内容也要不断更新。在美国，由IEEE Computer Society和ACM计算教程联合工作组共同制订了《计算教程2001》（Computing Curricula 2001，CC2001） ，它主要修订了CC1991，以反映计算机领域十余年来的发展。从CC2001可以看出，人工智能课程除包括人工智能概论、问题状态与搜索、知识表示、机器人学等传统部分外，还增加了机器学习、智能体、自然语言处理、语音处理、知识库系统、神经网络、遗传算法等内容。这充分反映了CC2001对人工智能课程的重视。在我国，从20世纪70年代末开始，随着改革开放政策的实施，人工智能的教学和科研逐步展开。
本书介绍人工智能的理论、方法和技术及其应用，除了讨论那些仍然有用的和有效的基本原理和方法外，着重阐述一些新的和正在研究的人工智能方法与技术，特别是近期发展起来的方法和技术。此外，用比较多的篇幅论述人工智能的应用，包括人工智能新的应用研究。具体包括下列内容。
（1） 简述人工智能的起源与发展，讨论人工智能的定义、人工智能与计算机的关系以及人工智能的研究和应用领域。（2） 论述知识表示、推理和不确定推理的主要方法，包括谓词逻辑、产生式系统、语义网络、框架、面向对象、归结推理、非单调推理、主观Bayes方法、确定性理论、证据理论、模糊逻辑和模糊推理等。
（3） 讨论常用搜索原理，如盲目搜索、启发式搜索、minimax搜索、剪枝和约束满足等，并研究一些比较高级的搜索技术，如贪婪局部搜索、局部剪枝搜索、模拟退火算法、遗传算法等。
（4） 介绍近期发展起来的已成为当前研究热点的人工智能技术和方法，即分布式人工智能与Agent、计算智能、机器学习、反向传播神经网络、Hopfield神经网络、知识发现等。
（5） 比较详细地分析人工智能的主要应用领域，涉及自动规划系统、自然语言处理、信息检索、语言翻译、语音识别、机器人等。
本书第3、4、9、10章由张彦铎撰写，其余各章由贲可荣撰写。全书由贲可荣统稿。吴荣华撰写了附录初稿。陈志刚教授对全书进行了认真审校，特此致谢。
在本书编写过程中，参考和引用了许多专家、学者的著作和论文，正文中未一一注明。在此，作者谨向相关参考文献的作者表示衷心的感谢。
不当之处，恳请读者批评指正。
作者2006年1月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
