第1章 緒論 2
1.1　人工智能概述 2
1.1.1 智能的定義 2
1.1.2 人工智能的定義 3
1.1.3 人工智能的起源、現(xiàn)狀及發(fā)展 3
1.2　人工智能研究的主要內(nèi)容 7
1.2.1 模式識別 7
1.2.2 專家系統(tǒng) 7
1.2.3 知識庫系統(tǒng) 8
1.2.4 自然語言理解 8
1.2.5 自動定理證明 9
1.2.6 計算機視覺 9
1.2.7 自動程序設(shè)計 10
1.2.8 自然語言生成 10
1.2.9 機器人學(xué) 10
1.2.10 分布式人工智能 11
1.2.11 計算機博弈 11
1.2.12 智能控制 12
1.2.13 軟計算 12
1.2.14 智能規(guī)劃 12
1.3　人工智能的主要技術(shù) 13
1.3.1 邏輯推理與定理證明 13
1.3.2 自然語言處理 13
1.3.3 智能機器人 13
1.3.4 最優(yōu)解算法 13
1.3.5 智能信息檢索技術(shù) 14
1.3.6 專家系統(tǒng) 14
1.3.7 智能控制技術(shù) 14
1.3.8 機器學(xué)習(xí) 15
1.3.9 生物特征識別 15
1.3.10 人工神經(jīng)網(wǎng)絡(luò) 15
1.3.11 虛擬現(xiàn)實技術(shù)與增強現(xiàn)實技術(shù) 16
1.3.12 知識圖譜 16
1.3.13 數(shù)據(jù)挖掘與知識發(fā)現(xiàn) 16
1.3.14 人機交互技術(shù) 16
1.4　人工智能的應(yīng)用領(lǐng)域 17
1.4.1 機器視覺 17
1.4.2 語音識別 19
1.4.3 智能機器人 20
1.5　人工智能的發(fā)展趨勢與應(yīng)用前景 21
1.5.1 人工智能的發(fā)展趨勢 21
1.5.2 人工智能的應(yīng)用前景 24
本章小結(jié) 26
習(xí)題 26
第2章 知識圖譜與專家系統(tǒng) 28
2.1　知識概述 28
2.1.1 知識 28
2.1.2 數(shù)據(jù)、信息、知識和智能 28
2.1.3 知識的特征 29
2.1.4 知識的分類 30
2.2　知識表示方法 30
2.2.1 邏輯表示法 30
2.2.2 產(chǎn)生式表示法 33
2.2.3 語義網(wǎng)絡(luò)表示法 38
2.2.4 框架表示法 43
2.3　知識獲取與管理 46
2.3.1 知識獲取的概述 46
2.3.2 知識獲取的任務(wù) 47
2.3.3 知識獲取的方式 48
2.3.4 知識管理 50
2.4　知識圖譜 52
2.4.1 知識圖譜的概述 52
2.4.2 知識圖譜的表示 53
2.4.3 知識圖譜的推理 53
2.4.4 知識圖譜的構(gòu)建 54
2.4.5 知識圖譜的分類 55
2.4.6 知識圖譜的特點 56
2.5　專家系統(tǒng) 56
2.5.1 專家系統(tǒng)概述 56
2.5.2 專家系統(tǒng)的結(jié)構(gòu)及構(gòu)建步驟 57
2.5.3 專家系統(tǒng)的工作原理 59
2.5.4 專家系統(tǒng)的優(yōu)點 60
2.6　知識圖譜與專家系統(tǒng)應(yīng)用及案例 60
2.6.1 知識圖譜的應(yīng)用及案例 60
2.6.2 專家系統(tǒng)的應(yīng)用及案例 61
本章小結(jié) 66
習(xí)題 67
第3章 智能搜索策略 70
3.1　搜索概述 70
3.2　狀態(tài)空間搜索 71
3.2.1 狀態(tài)空間表示 71
3.2.2 啟發(fā)式信息與估價函數(shù) 74
3.2.3 A算法 75
3.2.4 A*算法 77
3.3　與或樹搜索 79
3.3.1 與或樹表示 79
3.3.2 解樹的代價 82
3.3.3 與或樹的有序搜索 83
3.4　博弈 86
3.4.1 博弈樹 86
3.4.2 極大極小過程 88
3.4.3 α-β過程 90
3.5　遺傳算法 93
3.5.1 基本過程 93
3.5.2 遺傳編碼 95
3.5.3 適應(yīng)度函數(shù) 97
3.5.4 遺傳操作 99
3.6　智能搜索應(yīng)用案例 108
本章小結(jié) 111
習(xí)題 111
第4章 機器學(xué)習(xí) 114
4.1　機器學(xué)習(xí)概述 114
4.1.1 什么是機器學(xué)習(xí) 114
4.1.2 機器學(xué)習(xí)的發(fā)展歷程 115
4.1.3 機器學(xué)習(xí)方法分類 116
4.2　k最近鄰域 117
4.3　決策樹 119
4.3.1 決策樹結(jié)構(gòu) 120
4.3.2 構(gòu)造決策樹 121
4.3.3 隨機森林 129
4.4　貝葉斯學(xué)習(xí) 130
4.4.1 貝葉斯法則 130
4.4.2 貝葉斯網(wǎng)絡(luò) 131
4.4.3 樸素貝葉斯方法 132
4.5　支持向量機 135
4.5.1 線性可分?jǐn)?shù)據(jù)二元分類問題 135
4.5.2 線性不可分?jǐn)?shù)據(jù)二元分類問題 140
4.5.3 非線性可分?jǐn)?shù)據(jù)二元分類問題 142
4.6　聚類分析 144
4.6.1 聚類分析概述 144
4.6.2 k均值聚類 146
4.6.3 k中心點聚類 147
4.7　基于k均值聚類算法實現(xiàn)鳶尾花聚類 149
本章小結(jié) 151
習(xí)題 152
第5章 特征選擇與提取 155
5.1　特征選擇與提取概述 155
5.2　降維 155
5.3　特征提取 157
5.3.1 主成分分析 157
5.3.2 線性判別分析 162
5.4　特征選擇 164
5.4.1 過濾法 165
5.4.2 包裝法 167
5.4.3 嵌入法 167
5.5　特征選擇與提取應(yīng)用及案例 168
本章小結(jié) 169
習(xí)題 170
第6章 人工神經(jīng)網(wǎng)絡(luò) 172
6.1　產(chǎn)生和發(fā)展 172
6.1.1 人工神經(jīng)元 172
6.1.2 感知機 175
6.2　BP神經(jīng)網(wǎng)絡(luò) 179
6.2.1 BP神經(jīng)網(wǎng)絡(luò)的基本概述 180
6.2.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 180
6.2.3 BP神經(jīng)網(wǎng)絡(luò)算法 181
6.2.4 BP多層前饋網(wǎng)絡(luò)的主要能力 183
本章小結(jié) 183
習(xí)題 184
第7章 深度學(xué)習(xí) 186
7.1　卷積神經(jīng)網(wǎng)絡(luò) 186
7.1.1 CNN基本概述 186
7.1.2 CNN結(jié)構(gòu) 186
7.2　深度學(xué)習(xí)的基本框架 191
7.2.1 概述 191
7.2.2 幾種深度學(xué)習(xí)框架 192
7.3　循環(huán)神經(jīng)網(wǎng)絡(luò) 194
7.3.1 RNN概述 195
7.3.2 RNN的基本結(jié)構(gòu) 195
7.4　長短時記憶網(wǎng)絡(luò) 201
7.4.1 LSTM網(wǎng)絡(luò)概述 201
7.4.2 LSTM網(wǎng)絡(luò)的基本結(jié)構(gòu) 202
7.4.3 LSTM網(wǎng)絡(luò)的變體 204
7.5　生成對抗網(wǎng)絡(luò) 205
7.5.1 GAN概述 205
7.5.2 GAN網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練 207
7.5.3 GAN的變體 210
7.6　遷移學(xué)習(xí) 213
7.6.1 遷移學(xué)習(xí)的定義及研究目標(biāo) 213
7.6.2 遷移學(xué)習(xí)中的基本概念 214
7.6.3 遷移學(xué)習(xí)的分類 215
7.6.4 遷移學(xué)習(xí)的應(yīng)用領(lǐng)域 217
本章小結(jié) 219
習(xí)題 219
第8章 深度神經(jīng)網(wǎng)絡(luò)在圖像處理中的應(yīng)用 221
8.1　計算機視覺基礎(chǔ) 221
8.1.1 計算機視覺概述 221
8.1.2 圖像與圖像特征 224
8.1.3 卷積神經(jīng)網(wǎng)絡(luò)與計算機視覺 228
8.2　基于YOLO的交通標(biāo)志檢測與識別 231
8.2.1 交通標(biāo)志識別 231
8.2.2 YOLO系列簡介 232
8.2.3 基于YOLOv5的交通標(biāo)志檢測與識別 237
8.3　基于卷積神經(jīng)網(wǎng)絡(luò)的車牌定位與識別 244
8.3.1 車牌特征 244
8.3.2 車牌定位與識別方案設(shè)計 245
8.3.3 基于YOLOv5和LPRNet的車牌定位與識別 259
本章小結(jié) 268
第9章 深度神經(jīng)網(wǎng)絡(luò)在語音信號處理中的應(yīng)用 270
9.1　語音信號的基礎(chǔ)知識 270
9.1.1 語言和語音 270
9.1.2 語音信號的產(chǎn)生機理 272
9.1.3 語音信號的感知 273
9.1.4 語音信號產(chǎn)生的模型 275
9.2　基本原理 276
9.2.1 語音識別的基本原理 276
9.2.2 語音增強的基本原理 277
9.2.3 語音分離的基本原理 280
9.3　語音增強技術(shù)及應(yīng)用 282
9.4　語音識別的前沿問題及應(yīng)用前景 285
本章小結(jié) 286
習(xí)題 286
附錄A Python 安裝及簡單函數(shù)的使用 288
A.1 Python 概述 288
A.1.1 Python 的基本概念 288
A.1.2 Python 的應(yīng)用領(lǐng)域 288
A.1.3 Python 開發(fā)環(huán)境的安裝與配置 289
A.1.4 Python 編程規(guī)范 293
A.1.5 擴展庫安裝方法 295
A.1.6 標(biāo)準(zhǔn)庫與擴展庫中對象的導(dǎo)入與使用 296
A.2 內(nèi)置對象、運算符、表達(dá)式 296
A.2.1 Python 中常用的內(nèi)置對象 296
A.2.2 Python 運算符與表達(dá)式 300