本书是一流本科课程“人工智能”的配套教材,是作者二十余年教学经验的结晶。考虑初学者的特点,遵循思维过程安排全书内容,同时通过案例学习深化理解。全书分两篇,共11章。基础篇(第1~6章)包括绪论、确定性推理、不确定性推理、搜索策略、机器学习和知识图谱。应用篇(第7~11章),包括人工神经网络与深度学习、卷积神经网络及其图像分类案例、推荐系统及其应用案例、决策树分类方法及案例实现和ChatGPT。除绪论外,每章内容均按照“基础理论+应用案例”的结构组织和撰写。第7章和第8章都以神经网络为基础,其他各章各成体系。本书适合作为高等院校计算机科学与技术、软件工程、智能科学与技术、人工智能等相关专业高年级本科生、研究生的教材,也可供对人工智能感兴趣的读者参考。
1.本书以超星学习通为学习平台,从人工智能基础开始讲解,逐步深入到人工智能新方法新技术的应用部分,内容由易到难,讲解由浅入深、循序渐进。2.以“懂原理,能应用,会应用”为目标,组织整合全书知识内容,力求逻辑结构紧密,内容通俗易懂。同时,配备相应的应用案例,加深理论讲解,加强应用实操性。3.配套资源丰富,包括人工智能基础理论的教学大纲、教学日历和教学课件等,读者可从清华大学出版社网站下载。扫描封底的刮刮卡注册后,即可扫描书中的二维码观看微课视频。4.本书可作为高等院校智能科学与技术、人工智能相关专业的教材、教辅资料,也可以作为零基础初学者的快速入门书籍,还可作为读者学习应用技术的参考书。5.本书提供配套电子课件,读者可登录清华大学出版社网站(http://www.tup.com.cn)下载。
前言
人工智能经过近70年的演进,已经成为这个时代最具变革的技术力量。过去10年,深度学习成为主流,人工智能进入了大数据、大计算、大模型的时代。从AlphaGo在围棋领域战胜人类,到现在我们正在经历的ChatGPT、DeepSeek现象,人工智能技术正在深层次地改变我们的世界。作为发展新质生产力的重要引擎,人工智能正在范围内引发深刻的变革。对于中国来说,抓住这一历史机遇,实现人工智能产业的快速发展,具有重要的战略意义。
从1998年起,我们开始人工智能的教学与研究。从最初单纯介绍知识表示、推理和搜索策略等经典理论,到后来增加了实践、项目作业等应用环节,再到当前“经典理论+新技术新方法”的教学设计,历经二十余年终获突破,我校“人工智能”课程于2016年建成辽宁省精品资源共享课程,2017年建成在线课程并在“高校邦”平台上线使用,2019年在超星平台完成重建,2020年获批省级一流线上线下混合课程。2023年获批线上线下混合式一流本科课程。本书是作者在多年教学基础上重新梳理整合教学内容,同时引入国内外的研究成果编撰而成的。经典内容力求逻辑结构紧密,新技术、新方法部分力求“新”与“应用”相结合,“新”与“基础”相适应。
全书分为基础篇和应用篇两部分,共11章。第1章介绍人工智能相关的基本内容;第2章由推理的基本概念引入,主要介绍确定性推理中的谓词逻辑推理、自然演绎推理和归结演绎推理的基本概念和方法;第3章讲述不确定性推理方法,包括产生式知识表示、可信度推理方法和主观贝叶斯推理方法;第4章先介绍状态空间表示,然后举例说明宽度优先搜索、深度优先搜索、代价树搜索、启发式搜索和博弈树搜索;第5章的主题是机器学习,内容包括机器学习的定义、分类、系统结构和应用;第6章重点讲述知识图谱,从表示与建模、抽取与挖掘、存储与融合、检索与推理到问答和对话;第7~11章属于本书应用篇的内容,分别介绍人工神经网络与深度学习、卷积神经网络、推荐系统、决策树、ChatGPT。
本书具有以下特点:
(1) 遵照教指委计算机科学与技术和软件工程专业及相关专业的培养目标和培养方案,结合应用型人才培养实际,以“懂理论,能应用,会应用”为目标进行内容组织安排。
(2) 由于人工智能的发展日新月异,任何人不可能学习和掌握所有的新技术、新方法。因此,组织内容时分为基础篇和应用篇。基础篇主要介绍人工智能的经典理论和方法;应用篇介绍新技术、新方法及相关的应用,读者可以根据需要进行取舍。
(3) 整合知识内容,逻辑结构紧密。基础篇融合知识表示与确定性推理、不确定性推理,使逻辑结构更加紧密,利于阅读学习。应用篇深入浅出展开讲解,举例说明每种方法,使读者有更直观的认识,便于掌握理解。
(4) 习题分为三种类型。分别是对知识和方法的理解及掌握情况的检验类习题;对所学内容应用于解决实际问题情况的验证类习题;需要学生去课外阅读、思考、理解的开放式思考题。
(5) 本书有对应的线上教学资源平台,包括课程视频(知识+案例)、习题、测验,翻转课堂教学实录等内容,可以在清华大学出版社本书配套资源页面获取。本书也提供配套的课件、案例的源码等相关资源,可扫描封底刮刮卡注册后再扫描书中二维码观看。
本书由周军、梅红岩、薛笑荣、伊华伟、杜颖、张巍(锦州开放大学)共同编写而成。其中,周军编写第1、7章并统稿,梅红岩编写第3、4、10章,薛笑荣编写第6、8章,伊华伟编写第9章,杜颖编写第5、11章,张巍编写第2章。黄印博士、马骏龙、张大俊、曲晨曦、李雪、李洋洋、刘哲宇和曲光娜同学负责完成相关实验和绘制部分图表。在编写本书的过程中,作者参阅了王万良教授和马少平教授等多部与人工智能相关的书籍和论文,也吸取了国内外其他作者教材的精髓,在此,对这些作者表示由衷的感谢。本书在出版过程中,得到了辽宁工业大学的支持,还得到了清华大学出版社的大力支持与帮助,在此一并表示诚挚的谢意。
由于作者水平有限,书中难免存在不妥和疏漏之处,敬请读者批评指正。
作者
2025年2月于辽宁锦州
目录
第1部分基础篇
第1章绪论3
1.1人工智能及其衡量智能机器的准则3
1.1.1人工智能的定义3
1.1.2衡量智能机器的准则4
1.2人工智能的发展历史和研究途径5
1.2.1人工智能的发展历史5
1.2.2人工智能的研究途径7
1.3人工智能的研究内容和研究领域8
1.3.1人工智能的研究内容8
1.3.2人工智能的研究领域10
1.4人工智能的应用及未来展望11
1.4.1人工智能的应用11
1.4.2人工智能的未来12
1.4.3人工智能面临的挑战14
1.4.4人工智能发展的机遇14
1.5本章小结15
习题115
第2章确定性推理16
2.1确定性推理与不确定性推理16
2.1.1推理的基本概念16
2.1.2确定性推理与不确定性推理17
2.1.3确定性推理的一般过程17
2.2谓词逻辑推理方法18
2.2.1谓词逻辑的知识表示18
2.2.2谓词公式的解释20
2.2.3谓词公式的永真性、可满足性、不可满足性22
2.2.4谓词逻辑应用案例22
2.2.5谓词逻辑知识表示的特点242.3自然演绎推理方法25
2.3.1自然演绎推理的推理规则26
2.3.2自然演绎推理的推理方法28
2.3.3自然演绎推理应用案例28
2.3.4自然演绎推理的特点29
2.4归结演绎推理方法29
2.4.1子句和子句集30
2.4.2谓词公式的Skolem标准型31
2.4.3谓词公式化为子句集的方法32
2.4.4归结原理32
2.4.5归结原理的应用案例35
2.5本章小结39
习题239
第3章不确定性推理42
3.1产生式知识表示与推理42
3.1.1产生式知识表示法42
3.1.2产生式系统与推理过程43
3.1.3产生式推理应用案例44
3.2可信度推理方法46
3.2.1可信度推理的不确定性度量与表示46
3.2.2可信度推理的不确定性计算47
3.2.3可信度推理应用案例49
3.3主观贝叶斯推理方法50
3.3.1主观贝叶斯推理的不确定度量与表示50
3.3.2主观贝叶斯推理的不确定计算51
3.3.3主观贝叶斯推理应用案例55
3.4本章小结56
习题356
第4章搜索策略58
4.1状态空间表示法与搜索59
4.1.1状态空间表示法59
4.1.2状态空间表示法的问题求解案例60
4.1.3状态空间表示法搜索的一般过程61
4.2宽度优先搜索63
4.2.1宽度优先搜索的基本思想与搜索过程63
4.2.2宽度优先搜索应用案例66
4.3深度优先搜索68
4.3.1深度优先搜索的基本思想与搜索过程68
4.3.2深度优先搜索应用案例69
4.4有界深度优先搜索71
4.4.1有界深度优先搜索的基本思想与搜索过程71
4.4.2有界深度优先搜索应用案例73
4.5代价树搜索74
4.5.1代价树搜索的基本思想与搜索过程74
4.5.2代价树搜索应用案例77
4.6启发式搜索79
4.6.1启发式搜索的基本思想与搜索过程79
4.6.2启发式搜索应用案例82
4.7博弈树搜索83
4.7.1博弈类游戏83
4.7.2博弈树的构建及应用84
4.7.3极大极小分析法86
4.7.4αβ剪枝技术87
4.8本章小结88
习题488
第5章机器学习89
5.1机器学习的定义和发展历史89
5.1.1机器学习的定义89
5.1.2机器学习的发展历史90
5.2机器学习的分类91
5.3机器学习系统的基本结构93
5.4机器学习方法应用举例94
5.4.1线性模型方法95
5.4.2聚类101
5.5本章小结117
习题5118
第6章知识图谱120
6.1知识图谱概述120
6.1.1什么是知识图谱120
6.1.2知识图谱的发展历程121
6.1.3知识图谱的价值121
6.2知识图谱的表示与建模122
6.2.1知识图谱的表示方法122
6.2.2知识建模124
6.3知识图谱的抽取与挖掘127
6.3.1知识抽取127
6.3.2知识挖掘128
6.4知识图谱的存储与融合130
6.4.1知识存储130
6.4.2知识融合133
6.5知识图谱的检索与推理135
6.5.1知识检索135
6.5.2知识推理141
6.6知识图谱的问答与对话142
6.6.1知识问答142
6.6.2知识对话143
6.7代表性的知识图谱144
6.7.1经典的通用知识图谱144
6.7.2经典的行业知识图谱145
6.7.3基于互联网搜索的知识图谱145
6.7.4中文开放知识图谱联盟146
6.8知识图谱的发展趋势与挑战146
6.8.1知识图谱的发展趋势146
6.8.2知识图谱面临的挑战147
6.9本章小结147
习题6147
第2部分应用篇
第7章人工神经网络与深度学习151
7.1人工神经元与人工神经网络151
7.1.1神经元151
7.1.2神经网络159
7.2BP神经网络及其学习算法160
7.2.1BP神经网络结构160
7.2.2BP神经网络的学习算法162
7.2.3BP神经网络学习的例子169
7.3深度学习172
7.4生成对抗网络及在图像生成中的应用173
7.4.1生成对抗网络173
7.4.2基于生成对抗网络的图像生成方法176
7.5本章小结177
习题7178
第8章卷积神经网络及其图像分类案例179
8.1卷积神经网络的定义及其结构179
8.1.1卷积神经网络的定义179
8.1.2卷积神经网络的总体架构180
8.1.3卷积层181
8.1.4池化层184
8.1.5激活函数187
8.1.6全连接层188
8.1.7学习率和优化器190
8.2卷积神经网络的特点与发展历程192
8.2.1卷积神经网络的特点192
8.2.2卷积神经网络的发展历程192
8.3基于PyTorch框架的Mnist数据集分类案例196
8.3.1图像分类196
8.3.2PyTorch介绍197
8.3.3PyTorch常用库介绍199
8.3.4Mnist数据集介绍200
8.3.5神经网络训练过程201
8.3.6案例分析201
8.4本章小结209
习题8209
第9章推荐系统及其应用案例210
9.1什么是推荐系统210
9.2推荐系统的发展历程、面临挑战与未来趋势211
9.2.1推荐系统的发展历程211
9.2.2推荐系统面临的挑战213
9.2.3推荐系统的发展趋势214
9.3推荐系统的基本结构215
9.4基于协同过滤的推荐方法218
9.4.1基于内存的协同过滤218
9.4.2基于矩阵分解的协同过滤221
9.4.3评价指标222
9.5推荐系统应用案例223
9.6本章小结228
习题9228
第10章决策树分类方法及案例实现230
10.1决策树的基本概念230
10.2信息熵与信息增益233
10.2.1信息熵233
10.2.2信息增益235
10.3决策树分类方法236
10.3.1ID3算法236
10.3.2C4.5算法239
10.4决策树分类案例240
10.5本章小结245
习题10245
第11章ChatGPT246
11.1ChatGPT概述246
11.1.1ChatGPT的定义246
11.1.2ChatGPT的功能247
11.1.3ChatGPT的发展历程247
11.1.4ChatGPT的优势和挑战248
11.1.5ChatGPT对人类社会的影响250
11.1.6ChatGPT的伦理和法律问题251
11.1.7ChatGPT的发展前景252
11.2ChatGPT的主体架构及支撑技术253
11.2.1ChatGPT的架构253
11.2.2Transformer模型254
11.2.3自然语言处理255
11.2.4深度学习技术255
11.2.5ChatGPT与其他AI技术的比较和融合256
11.3ChatGPT的应用258
11.3.1ChatGPT在教育领域的应用258
11.3.2ChatGPT在医疗领域的应用259
11.3.3ChatGPT在智能家居领域的应用259
11.3.4ChatGPT在线客服中的应用260
11.3.5ChatGPT在智能问答系统中的应用261
11.3.6ChatGPT在机器翻译领域中的应用262
11.4ChatGPT实践案例262
11.5本章小结269
习题11269
参考文献270