人工智能基礎

前言
第1章緒論
1.1人工智能的基本概念
1.1.1人工智能的概念
1.1.2研究領域
1.1.3存在意義
1.2人工智能的歷史進程
1.2.1人工智能的起源
1.2.2人工智能的發(fā)展與困難
1.2.3人工智能的崛起與低谷
1.2.4人工智能的爆發(fā)
1.3“智能+”新時代
1.3.1“智能+”新時代的到來
1.3.2發(fā)展人工智能教育
1.4本章小結
思考題與習題
參考文獻
第2章腦與認知
2.1神經系統(tǒng)的結構與功能
2.2感覺與知覺
2.2.1物理感覺
2.2.2化學感覺
2.2.3知覺
2.3學習與記憶
2.4本章小結
思考題與習題
參考文獻
第3章機器感知
3.1傳感器基本特性與分類
3.1.1傳感器的靜態(tài)特性
3.1.2傳感器的動態(tài)特性
3.1.3傳感器的分類
3.2特征工程
3.2.1數(shù)據(jù)預處理
3.2.2特征縮放
3.2.3特征編碼
3.2.4特征選擇
3.2.5特征提取
3.3多源信息融合技術
3.3.1多源信息融合概述
3.3.2信息融合模型
3.3.3多源信息融合算法
3.3.4多源信息融合的應用
3.4無線傳感器網絡
3.4.1無線傳感器網絡基礎
3.4.2無線傳感器網絡的關鍵技術
3.4.3無線傳感器網絡的應用
3.4.4物聯(lián)網與無線傳感器網絡
3.5本章小結
思考題與習題
參考文獻
第4章知識表示與推理
4.1確定性知識表示
4.1.1命題與謂詞
4.1.2知識的產生式表示
4.1.3知識的結構化表示
4.1.4狀態(tài)空間表示法
4.2確定性推理方法
4.2.1一般演繹推理
4.2.2歸結演繹推理
4.3不確定性知識表示方法與推理
4.3.1概率表示及推理方法
4.3.2證據(jù)理論
4.4問題求解
4.4.1一般圖搜索
4.4.2盲目搜索
4.4.3啟發(fā)式搜索
4.4.4對抗搜索
4.5本章小結
思考題與習題
參考文獻
第5章計算智能
5.1模糊理論
5.1.1模糊集合及其運算
5.1.2模糊推理
5.1.3模糊控制
5.2神經網絡
5.2.1神經網絡的結構
5.2.2神經網絡的學習機制
5.2.3感知器
5.2.4BP神經網絡
5.2.5徑向基函數(shù)神經網絡
5.2.6反饋式神經網絡
5.2.7自組織競爭神經網絡
5.2.8CMAC網絡
5.3遺傳算法
5.3.1遺傳算法原理
5.3.2遺傳算法應用框架
5.4群體智能
5.4.1蟻群算法
5.4.2粒子群算法
5.5本章小結
思考題與習題
參考文獻
第6章模式識別與機器學習
6.1基本概念
6.1.1研究分類
6.1.2研究模型
6.1.3研究內容
6.2分類算法
6.2.1二分類
6.2.2多類別分類
6.2.3貝葉斯分類
6.2.4決策樹學習
6.3聚類算法
6.3.1聚類算法的原理
6.3.2k-均值算法原理
6.3.3GMM算法
6.3.4DBSCAN算法
6.4回歸算法
6.4.1回歸算法原理
6.4.2最小二乘法
6.4.3邏輯回歸
6.5支持向量機
6.5.1支持向量機原理
6.5.2點到超平面的距離公式
6.5.3最大間隔的優(yōu)化模型
6.5.4松弛變量
6.5.5支持向量機的優(yōu)化
6.6深度學習
6.6.1基本思路與訓練過程
6.6.2卷積神經網絡原理
6.6.3LeNet網絡原理
6.6.4卷積神經網絡的訓練
6.7降維
6.7.1數(shù)據(jù)降維
6.7.2主成分分析（PCA）原理
6.8本章小結
思考題與習題
參考文獻
第7章人工智能系統(tǒng)的硬件基礎
7.1人工智能基礎設施
7.1.1云計算
7.1.2邊緣計算
7.2嵌入式系統(tǒng)概述
7.2.1嵌入式系統(tǒng)原理
7.2.2嵌入式系統(tǒng)開發(fā)方法
7.2.3嵌入式系統(tǒng)開放資源
7.3FPGA概述
7.3.1FPGA基本原理
7.3.2FPGA開發(fā)方法
7.3.3FPGA開放資源
7.4本章小結
思考題與習題
參考文獻
第8章人工智能系統(tǒng)的應用
8.1機器視覺典型應用
8.1.1Python實現(xiàn)
8.1.2嵌入式系統(tǒng)實現(xiàn)
8.1.3FPGA實現(xiàn)
8.2無人駕駛系統(tǒng)典型應用
8.2.1Python實現(xiàn)
8.2.2嵌入式系統(tǒng)實現(xiàn)
8.2.3FPGA實現(xiàn)
8.3本章小結
思考題與習題
參考文獻