新書推薦：
《
甲骨文丛书·古代中国的军事文化
》
售價：NT$
454.0
《
中国王朝内争实录（套装全4册）：从未见过的王朝内争编著史
》
售價：NT$
1112.0
《
半导体纳米器件：物理、技术和应用
》
售價：NT$
806.0
《
创客精选项目设计与制作 第2版 刘笑笑 颜志勇 严国陶
》
售價：NT$
281.0
《
佛山华家班粤菜传承 华家班59位大厨 102道粤菜 图文并茂 菜式制作视频 粤菜故事技法 佛山传统文化 广东科技
》
售價：NT$
1010.0
《
武人琴音（十周年纪念版 逝去的武林系列收官之作 形意拳一门三代：尚云祥、韩伯言、韩瑜的人生故事 凸显百年武人命运）
》
售價：NT$
199.0
《
剑桥斯堪的纳维亚戏剧史（剑桥世界戏剧史译丛）
》
售價：NT$
704.0
《
禅心与箭术：过松弛而有力的生活（乔布斯精神导师、世界禅者——铃木大拙荐）
》
售價：NT$
301.0
|
| 編輯推薦： |
|
本书作为高等学校人工智能通识课教材，全面介绍了人工智能的基本技术，目标是用通俗易懂的方法帮助读者构建完整的人工智能知识体系，为后续的深入学习打下基础。本书适合高职高专和应用型本科，作为非人工智能专业的选修课和人工智能专业的导论课教材。也适合作为人工智能技术爱好者的入门书。
|
| 內容簡介： |
|
本书全面介绍了人工智能的基本技术，目标是用通俗易懂的方法帮助读者构建完整的人工智能知识体系，为后续的深入学习打下基础。本书共分为10章，内容包括人工智能概述、知识表示、搜索技术、机器学习、深度学习、自然语言处理、机器人及智能控制等。 本书适合高职高专和应用型本科，作为非人工智能专业的选修课和人工智能专业的导论课教材。也适合作为人工智能技术爱好者的入门书。
|
| 關於作者： |
刘鹏，教授，清华大学博士毕业，现任南京云创大数据科技股份有限公司总裁，兼任中国大数据应用联盟人工智能专家委员会主任、中国信息协会教育分会人工智能教育专家委员会主任、2019年全国大学生数学建模竞赛命题人、第45届世界技能大赛中国云计算专家指导组组长。
程显毅，教授，博士，现任中国人工智能学会知识工程专家委员会委员、江苏省微电脑学会人工智能专家委员会副主任委员、江苏省人工智能学会监事、江苏省大数据专家委员会委员、江苏省云计算论坛专家委员会委员。
李纪聪，广东工业大学华立学院副教授、高级工程师，教育部高职高专汽车类汽车制造与装配技术专业教学指导委员会委员，新宝车业有限公司（4S店）执行董事长兼CEO。
研究领域为新能源汽车、智能（无人）驾驶、工业机器人、智能建筑、现代企业管理等。在公开刊物上发表学术论文10余篇，承担省部级以及企业横向科研课题10多项，获得新型技术专利10多项，学术成果曾获得省部级奖励。
|
| 目錄：
|
目 录
第1章 AI时代的起航
1.1 一波三折的AI 1
1.1.1 发展历程概览 1
1.1.2 大数据时代的人工智能 8
1.2 AI如影随形 10
1.2.1 手机美颜 10
1.2.2 聊天机器人 10
1.2.3 新闻推荐 11
1.2.4 在线翻译 12
1.2.5 虚拟现实 12
1.3 AI学派 13
1.3.1 符号主义 13
1.3.2 连接主义 14
1.3.3 行为主义 15
1.3.4 学派比较 16
1.4 人工智能定义 16
1.4.1 概念解析 16
1.4.2 共识概念 17
1.5 AI面临的机遇和挑战 18
1.5.1 认知误区 18
1.5.2 面临的机遇 19
1.5.3 存在的挑战 20
1.5.4 AI将成为公司的生命线 21
1.5.5 AI如何重新定义工作 22
1.6 应具有的AI能力 23
1.6.1 懂工具 23
1.6.2 懂编程 25
1.6.3 懂模型 25
1.6.4 懂业务 27
习题 28
参考文献 29
第2章 感受AI
2.1 析音赏乐 31
2.1.1 语音助手 32
2.1.2 语音识别 32
2.1.3 典型应用场景 33
2.2 别具慧眼 33
2.2.1 人脸识别 33
2.2.2 行人识别 35
2.2.3 图像分类 36
2.2.4 典型应用场景 36
2.3 识文断字 39
2.3.1 手写数据识别 39
2.3.2 问答系统 39
2.3.3 情感分析 40
2.3.4 典型应用场景 40
2.4 神来之笔 41
2.4.1 图像生成 41
2.4.2 图像艺术 42
2.4.3 典型应用场景 42
2.5 运筹帷幄 44
2.5.1 智能家居 44
2.5.2 环境监控 45
2.5.3 典型应用场景 46
习题 49
参考文献 49
第3章 知识表示与推理
3.1 从AI符号主义说起 50
3.1.1 命题逻辑 51
3.1.2 一阶谓词逻辑 53
3.1.3 产生式系统 55
3.1.4 基于符号主义的知识表示瓶颈 56
3.2 基于知识的表示方法 56
3.2.1 人工智能的3个层次 56
3.2.2 知识 57
3.2.3 知识工程的诞生 59
3.2.4 框架 60
3.2.5 语义网络 61
3.2.6 语义Web 62
3.3 知识图谱与知识库 63
3.3.1 问题的提出 63
3.3.2 基本思想 64
3.3.3 基本原理 65
3.3.4 知识图谱的分类 66
3.3.5 知识图谱应用场景 67
3.4 实验：构建基于知识图谱的问答程序 68
习题 71
参考文献 75
第4章 搜索技术
4.1 搜索 76
4.1.1 什么是搜索 76
4.1.2 状态空间表示法 77
4.1.3 状态空间的搜索策略 79
4.2 广度优先 81
4.2.1 广度优先搜索的基本思想 81
4.2.2 广度优先搜索的过程 81
4.3 深度优先 82
4.3.1 深度优先搜索的基本思想 82
4.3.2 深度优先搜索过程 82
4.4 启发式搜索 83
4.4.1 启发性信息与估价函数 84
4.4.2 局部寻优搜索 86
4.4.3 全局寻优搜索 87
4.5 遗传算法 89
4.5.1 遗传算法的发展史 90
4.5.2 遗传算法的基本原理 90
4.5.3 遗传算法的求解步骤 92
4.6 微粒群算法 93
4.6.1 微粒群算法的基本概念及进化方程 93
4.6.2 标准微粒群算法流程 94
4.6.3 微粒群算法的研究现状 95
4.7 实验：粒子群优化算法 96
习题 98
参考文献 100
第5章 机器学习
5.1 机器学习模型 101
5.2 数据准备 103
5.2.1 数据集划分 103
5.2.2 数据标注 104
5.3 学习方式 105
5.3.1 有监督学习 105
5.3.2 无监督学习 109
5.3.3 概率图模型 113
5.3.4 集成学习 117
5.4 模型评估 120
5.4.1 泛化能力 120
5.4.2 交叉验证 121
5.4.3 混淆矩阵 121
5.5 实验：房价预测 122
习题 124
第6章 深度学习
6.1 深度学习概况 129
6.1.1 深度学习是什么 129
6.1.2 深度学习的前世今生 130
6.1.3 深度学习分类 132
6.1.4 深度学习的入门建议 132
6.2 神经网络基础 133
6.2.1 人工神经网络模型 133
6.2.2 感知机学习算法 135
6.2.3 多层前馈神经网络 137
6.2.4 BP算法背后的数学 139
6.2.5 误差反向传播法 142
6.2.6 可视化MLP网络训练 143
6.3 深度学习框架 145
6.3.1 Matlab深度学习工具包 146
6.3.2 TensorFlow深度学习框架 146
6.3.3 PyTorch深度学习框架 147
6.3.4 其他构建方式 148
6.3.5 体验手写数字识别 149
6.4 卷积神经网络及其应用 152
6.4.1 卷积神经网络的功能组件 153
6.4.2 卷积神经网络的架构 158
6.4.3 卷积神经网络识别CIFAR图像集 162
6.5 强化学习 166
6.5.1 一个迷宫问题 167
6.5.2 强化学习问题的框架MDP 169
6.5.3 求解贝尔曼方程 172
6.5.4 强化学习仿真环境 173
6.5.5 深度学习前景展望 177
6.6 实验：利用卷积神经网络识别图像 179
习题 183
参考文献 188
第7章 自然语言处理
7.1 词法分析 189
7.1.1 词法分析概述 189
7.1.2 基本分词方法 190
7.1.3 词性标注 194
7.1.4 实体识别 197
7.2 句法分析 198
7.2.1 句法分析概述 198
7.2.2 自顶向下的句法分析 199
7.2.3 自底向上的句法分析 200
7.2.4 概率上下文无关文法 202
7.3 语义分析 204
7.3.1 语义分析概述 204
7.3.2 词义消歧 204
7.3.3 语义角色标注 209
7.4 实验：Python中文文本分析与可视化 211
习题 213
参考文献 214
第8章 智能控制技术
8.1 自动控制系统 215
8.1.1 概述 215
8.1.2 组成与工作原理 215
8.1.3 分类 216
8.2 模糊控制 217
8.2.1 模糊推理方法 217
8.2.2 模糊控制原理 217
8.2.3 模糊控制系统的设计 218
8.2.4 自适应模糊控制 219
8.3 专家控制 220
8.3.1 原理 220
8.3.2 典型结构 221
8.3.3 实现方法 223
8.4 神经网络控制 224
8.4.1 类型 224
8.4.2 结构 224
8.4.3 模型 225
8.4.4 应用 226
8.4.5 发展趋势 229
8.5 实验：利用智能音箱语音控制计算机的开关机 230
习题 234
参考文献 235
第9章 工业机器人技术
9.1 人工智能与工业4.0 236
9.1.1 智能制造生态系统 237
9.1.2 工业机器人 237
9.1.3 智慧工厂 242
9.1.4 工业智能化趋势 243
9.2 工业机器人核心技术 245
9.2.1 传感技术 246
9.2.2 芯片技术 246
9.2.3 智能控制技术 248
9.2.4 多智能体调控技术 249
9.3 工业软件编程 249
9.3.1 工业互联网架构 249
9.3.2 神经网络 251
9.3.3 可视化学习 251
9.4 工业机器人产业链 253
9.4.1 工业机器人研发设计 254
9.4.2 智能制造客户交互 256
9.4.3 工业机器人核心部件 257
9.4.4 工业机器人供应链 259
9.5 工业机器人操作与维护 260
9.5.1 工业机器人操作 260
9.5.2 工业机器人维护 261
9.6 实验：工业机器人软件技术运维 264
习题 277
参考文献 279
第10章 建筑智能化技术
10.1 智能建筑集成系统 280
10.1.1 智能建筑云架构 281
10.1.2 智慧工地 282
10.1.3 智能建筑 289
10.1.4 智慧城市 289
10.2 建筑设备装置智能化 290
10.2.1 建筑装备智能化 290
10.2.2 工程机械智能化 291
10.2.3 智能建筑3D打印 291
10.3 建筑智能化应用系统 293
10.3.1 智能化集成系统 293
10.3.2 信息设施系统 293
10.3.3 信息化应用系统 294
10.3.4 建筑设备管理系统 294
10.3.5 公共安全系统 294
10.3.6 机房工程 295
10.4 建筑智能化系统运维 295
10.4.1 智能建筑的运维技术要求 295
10.4.2 Honeywell楼宇智控系统简介 297
10.4.3 建筑智能化的未来 298
10.5 实验：楼宇智控系统EBI的安装配置调试 300
习题 308
参考文献 309
附录A AIRack人工智能实验平台
附录B AICloud人工智能云平台
附录C 云创学习工场—专注大数据、人工智能培训与认证
|
| 內容試閱：
|
人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但它能像人那样思考，也可能超过人的智能。人工智能是计算机学科的一个分支，20世纪70年代以来被称为世界三大尖端技术（空间技术、能源技术、人工智能）之一。也被认为是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近30年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，在理论和实践上都已自成系统。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能在计算机领域内，得到了更为广泛的重视，并在机器人、经济政治决策、控制系统、仿真系统中得到应用。
本书系统讨论了人工智能的技术基础，几乎涵盖了人工智能领域的大多数热点和前沿问题。希望通过本书能够增进人工智能领域跨学科的思考、交流和探讨。本书以朴素的语言和浅显的例子，以图文并茂的形式，向读者生动展示了新一代人工智能的专业知识。本书特点如下。
（1）趣味性。把抽象的概念形象化，让学生有体验感，有吸引力。
（2）先进性。科技进步瞬息万变，通过辅助材料让学生实时了解世界、企业技术动态和人才需求动态，对于经典的人工智能技术没有过多介绍。
（3）针对性。因为本书是面向全专业学生的，所以知识点根据不同专业进行了有针对性地解释。
（4）系统性。教材内容按人工智能知识体系安排：问题求解、知识与推理、学习与发现、感知与理解、系统与建造。
每章提供了习题和实验，用于检查学生对知识的掌握程度。
本书可作为人工智能相关专业的基础平台课或通识课程教材。由于笔者专业领域和视野有限，本书很难做到面面俱到，也不免有错漏或不当之处，敬请读者批评指正。
第5章 机器学习
机器学习（Machine Learning）是研究计算机怎样模拟或实现人类的学习行为以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身性能的技术。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，主要使用归纳、综合而不是演绎的方法。在过去的10年中，机器学习帮助我们自动驾驶汽车，进行语音识别和网络语义搜索。SIGAI将机器学习的方式分为5种：有监督学习、无监督学习、概率图模型、深度学习和强化学习。本章只介绍前4种，强化学习放在第6章介绍。
5.1 机器学习模型
图5-1展示了机器学习的简化过程。
图5-1 机器学习一般过程
f(x)称为学习模型，泛化能力是指机器学习算法对新鲜样本的适应能力。通常期望学习模型具有较强的泛化能力。
1．机器学习与人类学习对比
机器学习属于人工智能的一个分支。所以，学习是一种智能，图5-2给出了机器学习在人工智能学科中的地位。图5-3给出了机器学习与人类学习的对比。
图5-2 机器学习的地位
图5-3 机器学习与人类学习的对比
|
|
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
