第1章 人工智能的發(fā)展歷程 1 1.1　第一階段——人工智能的孕育期 3 1.1.1　亞里士多德與三段論 3 1.1.2　萊布尼茨與形式邏輯符號化 4 1.1.3　布爾與布爾代數(shù) 5 1.1.4　圖靈與圖靈機 6 1.1.5　麥卡洛克和皮茲與MP神經(jīng)元模型 8 1.1.6　馮·諾依曼與馮·諾依曼架構(gòu) 8 1.1.7　香農(nóng)與機械鼠 9 1.1.8　維納與控制論 10 1.2　第二階段——人工智能基礎(chǔ)技術(shù)的形成 12 1.2.1　西蒙和紐厄爾與通用問題求解器 12 1.2.2　羅森布拉特與感知機模型 14 1.2.3　王浩與機器證明 14 1.2.4　麥卡錫和明斯基與人工智能 15 1.2.5　霍夫和威德羅與自適應(yīng)線性單元 16 1.2.6　費根鮑姆與專家系統(tǒng) 18 1.3　第三階段——人工智能的發(fā)展和實用化 19 1.3.1　診斷系統(tǒng)VAX 19 1.3.2　計算機配置專家系統(tǒng)XSEL和XCON 19 1.3.3　自然語言理解系統(tǒng)SHRDLU 19 1.3.4　符號數(shù)學專家系統(tǒng)MACSYMA 20 1.3.5　診斷內(nèi)科疾病的專家系統(tǒng)INTERNIST 20 1.3.6　腎臟病專家咨詢系統(tǒng)PIP 20 1.3.7　診斷和治療青光眼病的專家系統(tǒng)CASNET 21 1.3.8　醫(yī)學診斷專家系統(tǒng)MYCIN 21 1.3.9　自然語言理解系統(tǒng)LUNAR 21 1.3.10　邏輯編程語言 22 1.3.11　多層感知機 22 1.3.12　框架理論 23 1.3.13　遺傳算法 24 1.3.14　知識工程 24 1.3.15　Agent技術(shù) 25 1.3.16　知識表示語言 25 1.4　第四階段——知識工程與專家系統(tǒng) 26 1.4.1　霍普菲爾德與Hopfield神經(jīng)網(wǎng)絡(luò)模型 26 1.4.2　辛頓與玻爾茲曼機 29 1.4.3　麥克萊倫德和魯梅爾哈特與反向傳播算法 30 1.4.4　肖漢姆與Agent程序設(shè)計 31 1.4.5　瓦普尼克與支持向量機 32 1.4.6　麥昆與定理證明系統(tǒng) 33 1.4.7　當代人工智能領(lǐng)域的領(lǐng)軍人物 33 1.5　本章小結(jié) 36 習題 36 第2章 機器學習 38 2.1　機器學習概述 40 2.1.1　機器學習與人類學習 40 2.1.2　機器學習的發(fā)展歷程 40 2.1.3　機器學習的步驟 41 2.1.4　機器學習的典型應(yīng)用 42 2.1.5　機器學習的相關(guān)技術(shù) 43 2.2　時間序列分析與預(yù)測 44 2.2.1　時間序列的發(fā)展歷程 44 2.2.2　時間序列的簡介 45 2.2.3　時間序列的分類 45 2.2.4　時間序列的水平分析 46 2.2.5　時間序列的速度分析 46 2.2.6　時間序列分析的主要用途 47 2.3　結(jié)構(gòu)方程模型 48 2.3.1　結(jié)構(gòu)方程模型的發(fā)展歷程 48 2.3.2　結(jié)構(gòu)方程模型的介紹 48 2.3.3　結(jié)構(gòu)方程的建模過程及實例 50 2.3.4　結(jié)構(gòu)方程模型的應(yīng)用 52 2.4　因子分析法 55 2.4.1　因子分析法的發(fā)展 55 2.4.2　因子分析法的應(yīng)用 55 2.4.3　因子分析的核心問題及具體步驟 56 2.4.4　案例分析 56 2.5　信度與效度分析 58 2.5.1　信度和效度的概念 58 2.5.2　信度與效度的用途 59 2.5.3　信度分析方法 59 2.5.4　效度分析類型 61 2.6　K-means算法 62 2.6.1　K-means算法的起源 62 2.6.2　K-means算法的原理 62 2.6.3　K-means算法的應(yīng)用 64 2.7　回歸分析 65 2.7.1　回歸分析的起源 65 2.7.2　回歸分析的類型 66 2.7.3　回歸分析的實例 69 2.8　樸素貝葉斯 70 2.8.1　貝葉斯公式 70 2.8.2　樸素貝葉斯分類 71 2.8.3　樸素貝葉斯實例 71 2.9　馬爾可夫過程 73 2.10　數(shù)據(jù)缺失及其填補方法 79 2.10.1　數(shù)據(jù)缺失的原因以及產(chǎn)生機制 80 2.10.2　數(shù)據(jù)缺失模式 80 2.10.3　數(shù)據(jù)缺失的處理方法 81 2.11　混合線性模型 83 2.12　統(tǒng)計推斷 87 2.12.1　統(tǒng)計推斷的表述形式 88 2.12.2　統(tǒng)計推斷的可靠性 88 2.12.3　統(tǒng)計抽樣的方法 88 2.12.4　統(tǒng)計假設(shè)測驗 89 2.13　本章小結(jié) 91 習題 91 第3章 計算智能 93 3.1　遺傳算法 95 3.1.1　遺傳算法的起源 95 3.1.2　遺傳算法的原理 97 3.1.3　遺傳算法的實現(xiàn) 101 3.1.4　遺傳算法的應(yīng)用 102 3.1.5　遺傳算法拓展——分類器 105 3.2　粒子群算法 107 3.2.1　粒子群算法的起源 107 3.2.2　粒子群算法的特點 109 3.2.3　粒子群算法的原理 110 3.2.4　粒子群算法的步驟 111 3.2.5　粒子群算法的應(yīng)用 113 3.3　蟻群算法 116 3.3.1　蟻群算法的起源 116 3.3.2　蟻群算法的原理 118 3.3.3　蟻群算法的步驟 120 3.3.4　蟻群算法的應(yīng)用 123 3.4　人工魚群算法 127 3.4.1　人工魚群算法的起源 127 3.4.2　人工魚群算法的基本原理 127 3.4.3　人工魚的基本行為 129 3.4.4　人工魚群算法的實現(xiàn)和重要參數(shù) 130 3.4.5　人工魚群算法的應(yīng)用 131 3.5　本章小結(jié) 134 習題 135 第4章 深度學習 137 4.1 深度學習概述 138 4.2　深度學習的核心技術(shù) 141 4.2.1　神經(jīng)網(wǎng)絡(luò) 142 4.2.2　長短期記憶神經(jīng)網(wǎng)絡(luò) 144 4.2.3　卷積神經(jīng)網(wǎng)絡(luò) 145 4.2.4　深度森林模型 149 4.2.5　深度學習的數(shù)學基礎(chǔ) 151 4.3　深度學習的應(yīng)用 151 4.3.1　圖像識別 152 4.3.2　語音應(yīng)用 162 4.3.3　文本挖掘 166 4.4　深度學習開源框架 170 4.4.1　TensorFlow 170 4.4.2　PaddlePaddle 170 4.4.3　Keras 171 4.4.4　MXNet 171 4.4.5　PyTorch 171 4.4.6　開源框架對比 172 4.5　本章小結(jié) 173 習題 173 第5章 人工智能技術(shù)在各行各業(yè)的應(yīng)用 176 5.1　人工智能技術(shù)在搜索引擎領(lǐng)域的應(yīng)用 178 5.1.1　語音識別 178 5.1.2　圖像識別 181 5.2　人工智能技術(shù)在制造業(yè)的應(yīng)用 183 5.2.1　產(chǎn)品設(shè)計和研發(fā) 183 5.2.2　智能生產(chǎn)制造 184 5.2.3　智能供應(yīng)鏈 185 5.3　人工智能技術(shù)在安防業(yè)的應(yīng)用 186 5.3.1　公安安防 186 5.3.2　社區(qū)和民用安防 187 5.3.3　工廠園區(qū)安防 189 5.4　人工智能技術(shù)在交通業(yè)的應(yīng)用 189 5.4.1　智能車輛檢索 189 5.4.2　智能交通監(jiān)控 190 5.4.3　自動駕駛汽車 190 5.4.4　駕駛員健康狀態(tài)監(jiān)測 191 5.4.5　交警機器人 192 5.5　人工智能技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用 192 5.5.1　人工智能與影像輔助診斷 192 5.5.2　人工智能與藥物的研發(fā) 194 5.5.3　人工智能與醫(yī)用機器人 195 5.6　人工智能技術(shù)在電商領(lǐng)域的應(yīng)用 196 5.6.1　個性化推薦技術(shù) 196 5.6.2　生物認證技術(shù) 198 5.6.3　商務(wù)智能分析 199 5.7　人工智能技術(shù)在教育行業(yè)的應(yīng)用 201 5.7.1　自適應(yīng)學習 201 5.7.2　虛擬學習助手 201 5.7.3　教育商業(yè)智能化 202 5.8　人工智能技術(shù)在媒體業(yè)的應(yīng)用 204 5.8.1　新聞業(yè)的應(yīng)用 204 5.8.2　視頻領(lǐng)域的應(yīng)用 205 5.9　本章小結(jié) 207 習題 208 第6章 人工智能的發(fā)展趨勢和挑戰(zhàn) 210 6.1　人工智能的發(fā)展趨勢及新技術(shù)的應(yīng)用 211 6.2　人工智能對人類未來生活的影響 221 6.3　人工智能帶來的挑戰(zhàn)及可能的解決方案 223 6.3.1　人工智能帶來的挑戰(zhàn)及變革 223 6.3.2　可能的解決方案 229 6.4　本章小結(jié) 230 習題 231 參考答案 232 第1章　人工智能的發(fā)展歷程 232 第2章　機器學習 232 第3章　計算智能 235 第4章　深度學習 236 第5章　人工智能技術(shù)在各行各業(yè)的 應(yīng)用 237 第6章　人工智能的發(fā)展趨勢和挑戰(zhàn) 237 參考文獻 238