人工智能入門與實(shí)戰(zhàn)：使用Raspberry Pi和Python演練

第1章 人工智能簡介 1
1.1 AI的歷史起源 1
1.2 智能 6
1.3 強(qiáng)AI與弱AI，廣義AI與
狹義AI 7
1.4 推理 8
1.5 人工智能的分類 9
1.6 人工智能和大數(shù)據(jù) 11
1.7 小結(jié) 12
第2章 基礎(chǔ)AI概念 13
2.1 布爾代數(shù) 13
2.2 推論 15
2.3 專家系統(tǒng) 16
2.3.1 沖突解決 16
2.3.2 反向鏈 18
2.4 配置Raspberry Pi 18
2.5 SWI Prolog簡介 19
2.6 在Raspberry Pi上安裝
Prolog 19
2.7 Prolog初步演示 20
2.8 模糊邏輯簡介 22
2.8.1 FL的例子 23
2.8.2 去模糊化 24
2.9 問題解決 25
2.9.1 廣度優(yōu)先搜索 25
2.9.2 深度優(yōu)先搜索 25
2.9.3 深度有限搜索 26
2.9.4 雙向搜索 26
2.9.5 問題解決的其他例子 26
2.10 機(jī)器學(xué)習(xí) 27
2.10.1 預(yù)測 27
2.10.2 分類 28
2.10.3 進(jìn)一步分類 31
2.11 神經(jīng)網(wǎng)絡(luò) 32
2.12 淺層學(xué)習(xí)與深度學(xué)習(xí) 37
2.13 進(jìn)化計(jì)算 37
2.14 遺傳算法 38
2.15 小結(jié) 39
第3章 專家系統(tǒng)演示 41
3.1 例3-1：辦公室數(shù)據(jù)庫 42
3.2 例3-2：識(shí)別動(dòng)物 47
3.3 例3-3：井字游戲 51
3.4 例3-4：感冒還是
流感？ 56
3.5 例3-5：使用Raspberry Pi
GPIO控制輸出的專家
系統(tǒng) 58
3.5.1 安裝PySWIP庫 59
3.5.2 安裝硬件 60
3.5.3 配置Rpi.GPIO 61
3.5.4 帶LED控制的專家
系統(tǒng) 62
3.6 小結(jié) 64
第4章 游戲 65
4.1 例4-1：剪刀石頭布 66
4.1.1 帶開關(guān)和LED的剪刀
石頭布游戲 69
4.1.2 中斷 73
4.2 例4-2：Nim 75
4.2.1 帶LCD和開關(guān)的
Nim` 81
4.2.2 LCD顯示屏 84
4.2.3 加載Adafruit LCD庫 85
4.2.4 LCD測試 86
4.2.5 automated_nim.py 87
4.3 小結(jié) 93
第5章 模糊邏輯系統(tǒng) 95
5.1 部件清單 95
5.2 軟件安裝 96
5.3 基礎(chǔ)FLS 96
5.4 初始化：定義語言變量
和術(shù)語 97
5.5 例5-1：使用FL計(jì)算
小費(fèi) 97
5.6 初始化：構(gòu)建隸屬函數(shù) 98
5.7 初始化：構(gòu)建規(guī)則集 101
5.8 推理：根據(jù)規(guī)則集評(píng)價(jià)
模糊集 103
5.9 聚集：綜合每個(gè)規(guī)則的
評(píng)估結(jié)果 106
5.10 去模糊化：將模糊集
轉(zhuǎn)換為清晰的輸出值 106
5.11 例5-2：修改tipping.py
程序 113
5.12 例5-3：FLS加熱和制冷
系統(tǒng) 114
5.12.1 模糊化 116
5.12.2 推理 117
5.12.3 聚集 118
5.12.4 去模糊 119
5.12.5 測試控制程序 121
5.13 例5-4：修改HVAC
程序 122
5.14 小結(jié) 124
第6章 機(jī)器學(xué)習(xí) 125
6.1 部件清單 125
6.2 例6-1：顏色選擇 126
6.2.1 算法 126
6.2.2 輪盤賭算法 129
6.3 例6-2：自主機(jī)器人 131
6.3.1 自主算法 132
6.3.2 測試運(yùn)行 138
6.3.3 額外學(xué)習(xí) 138
6.4 例6-3：使用能源消耗
計(jì)算的自適應(yīng)學(xué)習(xí) 142
6.5 小結(jié) 147

第7章 機(jī)器學(xué)習(xí)：人工神經(jīng)
網(wǎng)絡(luò) 149
7.1 部件清單 149
7.2 Hopfield網(wǎng)絡(luò) 149
7.3 例7-1：數(shù)字圖像識(shí)別
示例 155
7.4 例7-2：使用ANN的
自主機(jī)器人小車 161
7.5 例7-3：用于避開障礙物的
機(jī)器人小車的Python控制
腳本 164
7.6 例7-4：尋光機(jī)器人 169
7.6.1 未知情況 172
7.6.2 大腦映射 172
7.6.3 光強(qiáng)傳感器 173
7.6.4 用于尋求目標(biāo)的機(jī)器人小
車的Python控制腳本 175
7.6.5 測試運(yùn)行 180
7.6.6 障礙物回避和尋光 181
7.7 小結(jié) 182
第8章 機(jī)器學(xué)習(xí)：深度學(xué)習(xí) 183
8.1 泛化的ANN 183
8.1.1 較大的ANN 188
8.1.2 三層ANN中的后向
傳播 191
8.1.3 更新加權(quán)矩陣 193
8.2 梯度下降在ANN中的
運(yùn)用 199
8.3 工作范例 203
8.3.1 ANN學(xué)習(xí)的一些
問題 204
8.3.2 初始權(quán)重的選擇 204

8.4 例8-1：ANN的Python
腳本 205
8.4.1 初始化 206
8.4.2 測試運(yùn)行 208
8.5 例8-2：訓(xùn)練ANN 209
8.6 小結(jié) 213
第9章 機(jī)器學(xué)習(xí)：實(shí)用的ANN
示例 215
9.1 部件清單 215
9.2 例9-1：MNIST數(shù)據(jù)集 216
9.2.1 圖像化一條MNIST
記錄 219
9.2.2 調(diào)整輸入和輸出數(shù)
據(jù)集 221
9.2.3 為手寫數(shù)字檢測配置
ANN 224
9.2.4 測試運(yùn)行 226
9.3 例9-2：使用Pi Camera
識(shí)別手寫數(shù)字 231
9.3.1 更改的trainANN.py
腳本 236
9.3.2 使用ANN自動(dòng)識(shí)別
數(shù)字 237
9.3.3 測試運(yùn)行 239
9.4 小結(jié) 240
第10章 進(jìn)化計(jì)算 241
10.1 alife 241
10.2 進(jìn)化編程 242
10.3 例10-1：手動(dòng)計(jì)算 243
10.4 例10-2：Conway的生命
游戲 251
10.4.1 Sense HAT硬件
安裝 253
10.4.2 Sense HAT軟件
安裝 253
10.4.3 生命游戲：Python
版本 254
10.4.4 測試運(yùn)行 262
10.4.5 單代生命游戲 264
10.5 小結(jié) 267
第11章 基于行為的機(jī)器人 269
11.1 部件清單 269
11.2 人類的大腦結(jié)構(gòu) 270
11.3 包容架構(gòu) 271
11.3.1 傳統(tǒng)方法 273
11.3.2 基于行為的機(jī)器人
方法 273
11.4 例11-1：Breve項(xiàng)目 276
11.5 例11-2：構(gòu)建使用包容架
構(gòu)的機(jī)器人小車 284
11.6 例11-3：Alfie機(jī)器人
小車 288
11.6.1 添加另一個(gè)行為 296
11.6.2 測試運(yùn)行 297
11.7 小結(jié) 298
附錄 Alfie機(jī)器人小車搭建
指南 299