第1章 绪论 2__eol__1.1　人工智能概述 2__eol__1.1.1 智能的定义 2__eol__1.1.2 人工智能的定义 3__eol__1.1.3 人工智能的起源、现状及发展 3__eol__1.2　人工智能研究的主要内容 7__eol__1.2.1 模式识别 7__eol__1.2.2 专家系统 7__eol__1.2.3 知识库系统 8__eol__1.2.4 自然语言理解 8__eol__1.2.5 自动定理证明 9__eol__1.2.6 计算机视觉 9__eol__1.2.7 自动程序设计 10__eol__1.2.8 自然语言生成 10__eol__1.2.9 机器人学 10__eol__1.2.10 分布式人工智能 11__eol__1.2.11 计算机博弈 11__eol__1.2.12 智能控制 12__eol__1.2.13 软计算 12__eol__1.2.14 智能规划 12__eol__1.3　人工智能的主要技术 13__eol__1.3.1 逻辑推理与定理证明 13__eol__1.3.2 自然语言处理 13__eol__1.3.3 智能机器人 13__eol__1.3.4 最优解算法 13__eol__1.3.5 智能信息检索技术 14__eol__1.3.6 专家系统 14__eol__1.3.7 智能控制技术 14__eol__1.3.8 机器学习 15__eol__1.3.9 生物特征识别 15__eol__1.3.10 人工神经网络 15__eol__1.3.11 虚拟现实技术与增强现实技术 16__eol__1.3.12 知识图谱 16__eol__1.3.13 数据挖掘与知识发现 16__eol__1.3.14 人机交互技术 16__eol__1.4　人工智能的应用领域 17__eol__1.4.1 机器视觉 17__eol__1.4.2 语音识别 19__eol__1.4.3 智能机器人 20__eol__1.5　人工智能的发展趋势与应用前景 21__eol__1.5.1 人工智能的发展趋势 21__eol__1.5.2 人工智能的应用前景 24__eol__本章小结 26__eol__习题 26__eol__第2章 知识图谱与专家系统 28__eol__2.1　知识概述 28__eol__2.1.1 知识 28__eol__2.1.2 数据、信息、知识和智能 28__eol__2.1.3 知识的特征 29__eol__2.1.4 知识的分类 30__eol__2.2　知识表示方法 30__eol__2.2.1 逻辑表示法 30__eol__2.2.2 产生式表示法 33__eol__2.2.3 语义网络表示法 38__eol__2.2.4 框架表示法 43__eol__2.3　知识获取与管理 46__eol__2.3.1 知识获取的概述 46__eol__2.3.2 知识获取的任务 47__eol__2.3.3 知识获取的方式 48__eol__2.3.4 知识管理 50__eol__2.4　知识图谱 52__eol__2.4.1 知识图谱的概述 52__eol__2.4.2 知识图谱的表示 53__eol__2.4.3 知识图谱的推理 53__eol__2.4.4 知识图谱的构建 54__eol__2.4.5 知识图谱的分类 55__eol__2.4.6 知识图谱的特点 56__eol__2.5　专家系统 56__eol__2.5.1 专家系统概述 56__eol__2.5.2 专家系统的结构及构建步骤 57__eol__2.5.3 专家系统的工作原理 59__eol__2.5.4 专家系统的优点 60__eol__2.6　知识图谱与专家系统应用及案例 60__eol__2.6.1 知识图谱的应用及案例 60__eol__2.6.2 专家系统的应用及案例 61__eol__本章小结 66__eol__习题 67__eol__第3章 智能搜索策略 70__eol__3.1　搜索概述 70__eol__3.2　状态空间搜索 71__eol__3.2.1 状态空间表示 71__eol__3.2.2 启发式信息与估价函数 74__eol__3.2.3 A算法 75__eol__3.2.4 A*算法 77__eol__3.3　与或树搜索 79__eol__3.3.1 与或树表示 79__eol__3.3.2 解树的代价 82__eol__3.3.3 与或树的有序搜索 83__eol__3.4　博弈 86__eol__3.4.1 博弈树 86__eol__3.4.2 极大极小过程 88__eol__3.4.3 α-β过程 90__eol__3.5　遗传算法 93__eol__3.5.1 基本过程 93__eol__3.5.2 遗传编码 95__eol__3.5.3 适应度函数 97__eol__3.5.4 遗传操作 99__eol__3.6　智能搜索应用案例 108__eol__本章小结 111__eol__习题 111__eol__第4章 机器学习 114__eol__4.1　机器学习概述 114__eol__4.1.1 什么是机器学习 114__eol__4.1.2 机器学习的发展历程 115__eol__4.1.3 机器学习方法分类 116__eol__4.2　k最近邻域 117__eol__4.3　决策树 119__eol__4.3.1 决策树结构 120__eol__4.3.2 构造决策树 121__eol__4.3.3 随机森林 129__eol__4.4　贝叶斯学习 130__eol__4.4.1 贝叶斯法则 130__eol__4.4.2 贝叶斯网络 131__eol__4.4.3 朴素贝叶斯方法 132__eol__4.5　支持向量机 135__eol__4.5.1 线性可分数据二元分类问题 135__eol__4.5.2 线性不可分数据二元分类问题 140__eol__4.5.3 非线性可分数据二元分类问题 142__eol__4.6　聚类分析 144__eol__4.6.1 聚类分析概述 144__eol__4.6.2 k均值聚类 146__eol__4.6.3 k中心点聚类 147__eol__4.7　基于k均值聚类算法实现鸢尾花聚类 149__eol__本章小结 151__eol__习题 152__eol__第5章 特征选择与提取 155__eol__5.1　特征选择与提取概述 155__eol__5.2　降维 155__eol__5.3　特征提取 157__eol__5.3.1 主成分分析 157__eol__5.3.2 线性判别分析 162__eol__5.4　特征选择 164__eol__5.4.1 过滤法 165__eol__5.4.2 包装法 167__eol__5.4.3 嵌入法 167__eol__5.5　特征选择与提取应用及案例 168__eol__本章小结 169__eol__习题 170__eol__第6章 人工神经网络 172__eol__6.1　产生和发展 172__eol__6.1.1 人工神经元 172__eol__6.1.2 感知机 175__eol__6.2　BP神经网络 179__eol__6.2.1 BP神经网络的基本概述 180__eol__6.2.2 BP神经网络的结构 180__eol__6.2.3 BP神经网络算法 181__eol__6.2.4 BP多层前馈网络的主要能力 183__eol__本章小结 183__eol__习题 184__eol__第7章 深度学习 186__eol__7.1　卷积神经网络 186__eol__7.1.1 CNN基本概述 186__eol__7.1.2 CNN结构 186__eol__7.2　深度学习的基本框架 191__eol__7.2.1 概述 191__eol__7.2.2 几种深度学习框架 192__eol__7.3　循环神经网络 194__eol__7.3.1 RNN概述 195__eol__7.3.2 RNN的基本结构 195__eol__7.4　长短时记忆网络 201__eol__7.4.1 LSTM网络概述 201__eol__7.4.2 LSTM网络的基本结构 202__eol__7.4.3 LSTM网络的变体 204__eol__7.5　生成对抗网络 205__eol__7.5.1 GAN概述 205__eol__7.5.2 GAN网络结构及训练 207__eol__7.5.3 GAN的变体 210__eol__7.6　迁移学习 213__eol__7.6.1 迁移学习的定义及研究目标 213__eol__7.6.2 迁移学习中的基本概念 214__eol__7.6.3 迁移学习的分类 215__eol__7.6.4 迁移学习的应用领域 217__eol__本章小结 219__eol__习题 219__eol__第8章 深度神经网络在图像处理中的应用 221__eol__8.1　计算机视觉基础 221__eol__8.1.1 计算机视觉概述 221__eol__8.1.2 图像与图像特征 224__eol__8.1.3 卷积