目录
1绪论
1.1人工智能
1.1.1智能的概念
1.1.2人工智能
1.2人工智能的发展历程
1.2.1推理期
1.2.2知识期
1.2.3学习期
1.3人工智能的研究方法
1.3.1符号主义
1.3.2联结主义
1.3.3行为主义
1.4人工智能算法
1.4.1神经网络及深度学习
1.4.2强化学习
1.4.3群智能算法
1.4.4搜索算法
1.4.5不确定性推理
1.4.6监督学习
1.4.7无监督学习
1.4.8半监督学习
1.5人工智能的研究领域
1.5.1专家系统
1.5.2机器学习
1.5.3模式识别
1.5.4自然语言处理
1.5.5自动定理证明
1.5.6自动程序设计
1.5.7机器人学
1.5.8博弈
1.5.9智能决策支持系统
习题
2神经网络
2.1神经元模型
2.2激活函数
2.2.1Sigmoid型函数
2.2.2ReLU函数
2.2.3Swish函数
2.2.4GELU函数
2.2.5Maxout单元
2.3网络结构
2.3.1前馈网络
2.3.2反馈网络
2.3.3图网络
2.4前馈神经网络
2.4.1非线性拟合与参数学习
2.4.2反向传播算法
2.4.3反向传播算法仿真实例
2.5卷积神经网络
2.5.1卷积神经网络层级结构
2.5.2卷积层
2.5.3池化层
2.5.4全连接层
2.5.5CNN经典网络
2.6循环神经网络
2.6.1具有记忆功能的网络
2.6.2简单循环网络
2.6.3应用模式
2.6.4循环神经网络参数学习
2.6.5基于门控的循环神经网络
2.6.6扩展到图结构
2.7卷积神经网络手写数字识别实例
2.7.1实验数据集
2.7.2实验代码
2.7.3实验结果
习题
3深度学习
3.1深度学习基础知识
3.1.1基本概念
3.1.2机器学习基本要素
3.1.3风险最小化准则
3.1.4优化算法
3.1.5评价指标
3.2深度学习常见模型
3.2.1受限玻尔兹曼机
3.2.2深度信念网络
3.2.3自编码器
3.3YOLO系列算法
3.3.1概述
3.3.2YOLOv1的基本思想
3.3.3YOLO后续版本及改进
3.4基于YOLOv7绝缘子故障识别实例
3.4.1绝缘子故障数据集
3.4.2实验环境设置
习题
4强化学习
4.1强化学习概述
4.1.1强化学习模型
4.1.2马尔可夫决策过程
4.1.3强化学习目标函数
4.1.4值函数
4.2基于值函数的学习方法
4.2.1优化思路
4.2.2动态规划算法
4.2.3蒙特卡罗强化学习方法
4.2.4时序差分学习算法
4.3基于策略的学习方法
4.3.1策略梯度
4.3.2REINFORCE算法
4.3.3带基准线的REINFORCE算法
4.3.4演员评论员算法
习题
5群智能算法
5.1群智能算法概述
5.2遗传算法（广义上的群智能算法）
5.2.1遗传算法概述
5.2.2遗传算法理论
5.2.3遗传算法分析
5.2.4遗传算法仿真实例
5.3粒子群优化算法
5.3.1粒子群优化算法概述
5.3.2粒子群优化算法理论
5.3.3粒子群优化算法分析
5.3.4粒子群优化算法仿真实例
5.4蚁群优化算法
5.4.1蚁群优化算法概述
5.4.2蚁群优化算法理论
5.4.3蚁群优化算法分析
5.4.4蚁群优化算法仿真实例
习题
6搜索算法
6.1搜索算法概述
6.1.1搜索算法的分类
6.1.2经典搜索问题的状态空间表示
6.1.3经典搜索算法基本流程
6.2无信息搜索算法
6.2.1广度优先搜索
6.2.2一致代价搜索
6.2.3深度优先搜索
6.3有信息搜索算法
6.3.1有信息搜索算法概述
6.3.2贪婪最佳优先搜索算法
6.3.3A算法和A-Star算法
6.3.4A-Star算法仿真实例
6.4禁忌搜索算法
6.4.1禁忌搜索算法概述
6.4.2禁忌搜索算法理论
6.4.3禁忌搜索算法分析
6.4.4禁忌搜索算法仿真实例
6.5模拟退火算法
6.5.1模拟退火算法概述
6.5.2模拟退火算法理论
6.5.3模拟退火算法分析
6.5.4模拟退火算法仿真实例
习题
7不确定性推理
7.1不确定性推理概述
7.1.1不确定性推理的含义
7.1.2不确定性推理的基本问题
7.2概率方法
7.2.1概率论基础
7.2.2经典概率方法
7.2.3逆概率方法
7.3主观贝叶斯方法
7.3.1知识的不确定性表示
7.3.2证据的不确定性表示
7.3.3组合证据不确定性的计算
7.3.4不确定性的传递算法
7.3.5结论不确定性的合成
7.4可信度方法
7.4.1知识的不确定性表示
7.4.2证据的不确定性表示
7.4.3组合证据不确定性的计算
7.4.4不确定性的传递算法
7.4.5结论不确定性的合成
7.5证据理论
7.5.1证据理论的形式描述
7.5.2特殊概率分配函数与类概率函数
7.5.3证据理论的不确定性推理模型
7.5.4证据理论推理实例
7.5.5证据理论仿真实例
7.6模糊推理
7.6.1模糊集合
7.6.2模糊关系
7.6.3模糊逻辑推理
7.6.4模糊推理算法仿真实例
习题
8监督学习
8.1监督学习概述
8.1.1监督学习的定义
8.1.2监督学习的基本概念
8.1.3机器学习的三要素
8.1.4模型评估策略
8.1.5监督学习的任务
8.2k近邻法
8.2.1k近邻法原理
8.2.2k近邻模型
8.2.3kd树
8.3朴素贝叶斯法
8.3.1贝叶斯决策理论
8.3.2朴素贝叶斯分类器
8.3.3朴素贝叶斯分类器参数估计
8.3.4朴素贝叶斯参数估计的修正
8.4决策树
8.4.1决策树的构建
8.4.2决策树的特征选择
8.4.3决策树的剪枝
8.4.4决策树生成算法
8.4.5决策树算法仿真实例
8.5线性回归与逻辑斯蒂回归
8.5.1线性回归
8.5.2多元线性回归算法实例
8.5.3逻辑斯蒂回归
8.5.4逻辑斯蒂回归算法仿真实例
习题
9无监督学习和半监督学习
9.1无监督学习概述
9.1.1无监督学习的定义
9.1.2无监督学习基本问题
9.1.3无监督学习的使用场景
9.1.4无监督学习的三要素
9.2聚类算法
9.2.1基本概念
9.2.2k均值聚类
9.3降维算法
9.3.1主成分分析
9.3.2奇异值分解
9.4半监督学习
9.4.1半监督学习概述
9.4.2生成式方法
9.4.3半监督支持向量机
9.4.4半监督聚类
习题
参考文献
