第1章人工智能概述1
1.1人工智能的萌芽與誕生2
1.1.1人工智能的萌芽2
1.1.2圖靈測試與中文屋實驗2
1.1.3人工智能的誕生 3
1.2人工智能的定義 4
1.3人工智能發展簡史5
1.3.1人工智能的黃金期（20世紀50年代中期—60年代中期）5
1.3.2人工智能的**個寒冬期（20世紀60年代后期—70年代初）7
1.3.3人工智能的繁榮期（20世紀70年代中期—80年代后期）8
1.3.4人工智能的第二個寒冬期（20世紀80年代末—90年代中期）9
1.3.5人工智能的復蘇期（1997年—2011年）11
1.3.6人工智能的蓬勃發展期 （2012年至今）12
1.4人工智能的研究流派13
1.5人工智能研究的基本內容15
1.6人工智能的主要研究領域16
1.7本章小結19
習題 119
第2章知識表示與知識圖譜21
2.1知識的基本概念21
2.1.1知識的定義21
2.1.2知識的特性22
2.1.3知識的分類22
2.2知識表示的方法23
2.3產生式規則表示法24
2.3.1產生式25
2.3.2產生式系統27
2.3.3產生式表示法的特點28
2.4狀態空間表示法29
2.5知識圖譜33
2.5.1知識圖譜的定義33
2.5.2知識圖譜的表示34
2.5.3知識圖譜的發展簡史35
2.5.4典型的知識圖譜39
2.5.5知識圖譜的應用43
2.6本章小結44
習題245
第3章搜索策略46
3.1圖搜索策略46
3.2盲目的圖搜索策略48
3.2.1深度優先搜索48
3.2.2寬度優先搜索50
3.3啟發式圖搜索策略52
3.3.1A搜索53
3.3.2A搜索54
3.4局部搜索算法57
3.4.1爬山法58
3.4.2模擬退火法60
3.4.3遺傳算法62
3.5本章小結69
習題370
第4章機器學習72
4.1機器學習概述72
4.1.1機器學習的定義72
4.1.2機器學習的基本術語73
4.1.3機器學習的三個視角76
4.2監督學習78
4.2.1監督學習的步驟78
4.2.2監督學習的主要任務79
4.2.3監督學習的典型算法81
4.3無監督學習84
4.3.1無監督學習的基本原理84
4.3.2無監督學習的主要任務85
4.3.3無監督學習的典型算法88
4.4弱監督學習90
4.4.1不完全監督學習91
4.4.2不確切監督學習95
4.4.3不準確監督學習96
4.5本章小結97
習題 497
第5章人工神經網絡99
5.1人工神經網絡的發展歷程99
5.2感知機與神經網絡101
5.2.1生物神經元結構101
5.2.2神經元數學模型——MP模型102
5.2.3感知機103
5.2.4多層神經網絡結構104
5.3BP神經網絡及其學習算法106
5.3.1BP神經網絡的結構106
5.3.2BP學習算法107
5.4卷積神經網絡113
5.4.1卷積神經網絡的整體結構113
5.4.2卷積運算116
5.4.3激活函數121
5.4.4池化運算122
5.5本章小結123
習題 5124
第6章典型卷積神經網絡125
6.1LeNet125
6.1.1LeNet模型的發展歷程125
6.1.2LeNet5模型的結構126
6.2AlexNet128
6.2.1AlexNet模型的結構128
6.2.2AlexNet模型的創新性130
6.3VGGNet132
6.3.1VGGNet模型的結構132
6.3.2VGGNet模型的優勢134
6.4GoogLeNet/Inception135
6.4.1GoogLeNet模型的研究思路135
6.4.2GoogLeNet模型結構的總體說明136
6.4.3GoogLeNet模型結構解析139
6.4.4GoogLeNet模型的特點141
6.5ResNet142
6.5.1ResNet模型的研究動機142
6.5.2ResNet模型的結構143
6.6DenseNet145
6.7本章小結149
習題 6150
第7章智能圖像處理151
7.1數字圖像處理概述151
7.1.1數字圖像處理的基本概念151
7.1.2數字圖像處理的主要任務153
7.2傳統的圖像處理技術157
7.2.1圖像分類158
7.2.2圖像目標檢測161
7.2.3圖像分割164
7.3基于深度學習的圖像處理技術166
7.3.1基于深度學習的圖像分類166
7.3.2基于深度學習的圖像目標檢測168
7.3.3基于深度學習的圖像分割173
7.4本章小結175
習題 7176
第8章機器學習開發框架177
8.1機器學習開發框架簡介177
8.2機器學習庫——Scikitlearn178
8.2.1Scikitlearn代碼設計179
8.2.2Scikitlearn數據表示及數據集構建180
8.2.3Scikitlearn模型訓練182
8.2.4Scikitlearn模型預測183
8.2.5Scikitlearn模型評估與超參數選擇184
8.3深度學習框架——PyTorch185
8.3.1深度學習框架中的自動求導185
8.3.2PyTorch框架結構 187
8.3.3PyTorch中的張量188
8.3.4PyTorch數據集構建190
8.3.5PyTorch模型訓練192
8.3.6PyTorch模型預測與評估198
8.3.7PyTorch模型超參數選擇199
8.3.8PyTorch中的自動求導機制203
8.4深度學習框架——飛槳207
8.4.1飛槳框架概述207
8.4.2飛槳的張量表示209
8.4.3飛槳的自動微分機制 210
8.4.4飛槳數據集構建212
8.4.5飛槳的模型開發213
8.5本章小結215
習題 8215
第9章機器學習項目剖析217
9.1機器學習應用項目的開發流程217
9.2波士頓房價預測——線性回歸模型218
9.2.1數據集構建218
9.2.2模型構建與設置219
9.2.3模型訓練與測試220
9.3鳶尾花分類——SVM模型220
9.3.1數據集構建220
9.3.2模型構建與設置222
9.3.3模型訓練與測試222
9.4手寫體數字識別——多層神經網絡模型223
9.4.1數據集構建223
9.4.2模型構建與設置224
9.4.3模型訓練與測試226
9.5動物圖像分類——VGG模型227
9.5.1數據集構建227
9.5.2模型構建與設置229
9.5.3模型訓練與測試232
9.6寵物圖像分割——UNet模型234
9.6.1數據集構建234
9.6.2模型構建與設置236
9.6.3模型訓練與測試240
9.7昆蟲目標檢測——YOLOv3模型242
9.7.1數據集構建242
9.7.2模型構建與設置243
9.7.3模型訓練與測試245
9.8本章小結246
習題 9246
參考文獻247