本书介绍人工智能的基础理论、技术及应用。全书共9章,主要内容包括人工智能概述、知识表示与知识图谱、搜索策略、机器学习、人工神经网络、典型卷积神经网络、智能图像处理、机器学习开发框架、机器学习项目剖析。本书强调理论联系实际，既深入浅出地介绍了人工智能领域的基础知识和实用技术，又详细介绍了两个机器学习开发框架： PyTorch和百度公司研发的PaddlePaddle（飞桨），并带领读者逐步剖析在飞桨平台上实现的项目案例。案例的代码清晰，易于理解，读者可快速提高采用机器学习方法解决实际问题的实践能力。 本书可作为高等学校本科生学习人工智能基础课程或通识课程的入门教材，也可供对人工智能技术感兴趣的广大读者阅读。
（1） 讲解详细，通俗易懂，可读性强。
（2） 注重理论联系实践。
（3） 详细剖析6个典型卷积神经网络的结构。
（4）聚焦于图像处理领域的实践案例。
（5）配套资源齐全。
自从1956年人工智能(artificial intelligence，AI) 正式诞生以来，发展经历了三起两落，最终迎来了如今日新月异、高速发展的智能时期。人工智能已经成为计算机技术以及许多高新技术产品的核心技术, 几乎在所有领域都具有非常广泛的应用，并已逐渐融入我们生活的方方面面。人工智能作为新一轮科技革命和产业变革的核心力量，在智能交通、智能家居、智能医疗等民生领域产生了积极的影响。因此，企业对人工智能专业人才具有极大需求。我国于2017年发布了《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面部署，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动，使我国成为世界主要人工智能创新中心。为满足社会需求，响应政府号召，解决中国人工智能人才储备较弱的问题，中国高校纷纷开设了人工智能专业或课程方向，旨在培养中国人工智能产业的应用型人才，为推动传统产业升级换代建设人才蓄水池。
作为计算机科学的一个分支，人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。它研究人类智能活动的规律，研究如何应用计算机的软硬件制造出智能的机器或系统，使之具有智能的行为，来模拟人类的某些智能活动。人工智能是一门交叉学科，涉及学科包括认知科学、神经生理学、哲学、数学、心理学、控制论、计算机科学、信息论、仿生学与社会结构学等，内容十分广泛。
本书作者从2019年开始为软件工程专业的本科生开设人工智能基础课程。在教学实践中，深感需要编著一本包含基础内容、理论联系实践、适于讲授、可读性好、易于理解的人工智能入门级教材，因此，我们与百度公司的飞桨教材编写组联合编著了此教材。
本书共9章。第1章介绍人工智能的萌芽与诞生、定义、发展简史、研究流派、研究的基本内容以及主要研究领域；第2章介绍知识的基本概念、知识表示的方法、产生式规则表示法、状态空间表示法以及知识图谱；第3章介绍图搜索策略，包括盲目的图搜索策略、启发式图搜索策略和局部搜索算法；第4章介绍传统机器学习方法，包括机器学习概述以及监督学习、无监督学习与弱监督学习三种学习范式的基本概念和方法；第5章介绍人工神经网络，包括人工神经网络的发展历程、感知机与神经网络、BP神经网络及其学习算法、卷积神经网络；第 6章详细剖析了几种典型的卷积神经网络结构及原理；第7章介绍智能图像处理的基础知识和方法，包括用于完成图像分类、图像目标检测、图像分割任务的传统图像处理技术和基于深度学习的图像处理技术；第8章介绍机器学习开发框架，包括主流的PyTorch和百度公司自主研发的PaddlePaddle（飞桨）；第9章介绍百度的实践教学案例，分别剖析了波士顿房价预测、鸢尾花分类、手写体数字识别、动物图像分类、宠物图像分割、昆虫目标检测项目的实现代码。
本书为高等学校人工智能基础课程或通识课程而全新设计和编写，适用于32学时或48学时。教师使用本书教学时，可按照学习进度与需求适当取舍全书内容。
本书由王方石、李翔宇、杨煜清和百度公司飞桨教材编写组共同编写。第1～3章和第6章由王方石编写，第4章与第5章由王方石与李翔宇编写，第7章由杨煜清与王方石编写，第8章与第9章由杨煜清编写，百度公司飞桨教材编写组提供了第8章和第9章的案例资料，并进行了修改。全书由王方石统稿。在编写过程中，作者参阅了百度公司的教学科研成果，也吸取了国内外教材的精髓，对这些作者的贡献表示由衷的感谢。本书在出版过程中得到了清华大学出版社张玥编辑的大力支持，在此表示诚挚的感谢。
由于作者水平有限，书中难免有不妥和疏漏之处，恳请各位读者批评指正。
作者2023年5月于北京
第1章人工智能概述1
1.1人工智能的萌芽与诞生2
1.1.1人工智能的萌芽2
1.1.2图灵测试与中文屋实验2
1.1.3人工智能的诞生 3
1.2人工智能的定义 4
1.3人工智能发展简史5
1.3.1人工智能的黄金期（20世纪50年代中期60年代中期）5
1.3.2人工智能的第一个寒冬期（20世纪60年代后期70年代初）7
1.3.3人工智能的繁荣期（20世纪70年代中期80年代后期）8
1.3.4人工智能的第二个寒冬期（20世纪80年代末90年代中期）9
1.3.5人工智能的复苏期（1997年2011年）11
1.3.6人工智能的蓬勃发展期 （2012年至今）12
1.4人工智能的研究流派13
1.5人工智能研究的基本内容15
1.6人工智能的主要研究领域16
1.7本章小结19
习题 119
第2章知识表示与知识图谱21
2.1知识的基本概念21
2.1.1知识的定义21
2.1.2知识的特性22
2.1.3知识的分类22
2.2知识表示的方法23
2.3产生式规则表示法24
2.3.1产生式25
2.3.2产生式系统27
2.3.3产生式表示法的特点28
2.4状态空间表示法29
2.5知识图谱33
2.5.1知识图谱的定义33
2.5.2知识图谱的表示34
2.5.3知识图谱的发展简史35
2.5.4典型的知识图谱39
2.5.5知识图谱的应用43
2.6本章小结44
习题245
第3章搜索策略46
3.1图搜索策略46
3.2盲目的图搜索策略48
3.2.1深度优先搜索48
3.2.2宽度优先搜索50
3.3启发式图搜索策略52
3.3.1A搜索53
3.3.2A搜索54
3.4局部搜索算法57
3.4.1爬山法58
3.4.2模拟退火法60
3.4.3遗传算法62
3.5本章小结69
习题370
第4章机器学习72
4.1机器学习概述72
4.1.1机器学习的定义72
4.1.2机器学习的基本术语73
4.1.3机器学习的三个视角76
4.2监督学习78
4.2.1监督学习的步骤78
4.2.2监督学习的主要任务79
4.2.3监督学习的典型算法81
4.3无监督学习84
4.3.1无监督学习的基本原理84
4.3.2无监督学习的主要任务85
4.3.3无监督学习的典型算法88
4.4弱监督学习90
4.4.1不完全监督学习91
4.4.2不确切监督学习95
4.4.3不准确监督学习96
4.5本章小结97
习题 497
第5章人工神经网络99
5.1人工神经网络的发展历程99
5.2感知机与神经网络101
5.2.1生物神经元结构101
5.2.2神经元数学模型MP模型102
5.2.3感知机103
5.2.4多层神经网络结构104
5.3BP神经网络及其学习算法106
5.3.1BP神经网络的结构106
5.3.2BP学习算法107
5.4卷积神经网络113
5.4.1卷积神经网络的整体结构113
5.4.2卷积运算116
5.4.3激活函数121
5.4.4池化运算122
5.5本章小结123
习题 5124
第6章典型卷积神经网络125
6.1LeNet125
6.1.1LeNet模型的发展历程125
6.1.2LeNet5模型的结构126
6.2AlexNet128
6.2.1AlexNet模型的结构128
6.2.2AlexNet模型的创新性130
6.3VGGNet132
6.3.1VGGNet模型的结构132
6.3.2VGGNet模型的优势134
6.4GoogLeNet/Inception135
6.4.1GoogLeNet模型的研究思路135
6.4.2GoogLeNet模型结构的总体说明136
6.4.3GoogLeNet模型结构解析139
6.4.4GoogLeNet模型的特点141
6.5ResNet142
6.5.1ResNet模型的研究动机142
6.5.2ResNet模型的结构143
6.6DenseNet145
6.7本章小结149
习题 6150
第7章智能图像处理151
7.1数字图像处理概述151
7.1.1数字图像处理的基本概念151
7.1.2数字图像处理的主要任务153
7.2传统的图像处理技术157
7.2.1图像分类158
7.2.2图像目标检测161
7.2.3图像分割164
7.3基于深度学习的图像处理技术166
7.3.1基于深度学习的图像分类166
7.3.2基于深度学习的图像目标检测168
7.3.3基于深度学习的图像分割173
7.4本章小结175
习题 7176
第8章机器学习开发框架177
8.1机器学习开发框架简介177
8.2机器学习库Scikitlearn178
8.2.1Scikitlearn代码设计179
8.2.2Scikitlearn数据表示及数据集构建180
8.2.3Scikitlearn模型训练182
8.2.4Scikitlearn模型预测183
8.2.5Scikitlearn模型评估与超参数选择184
8.3深度学习框架PyTorch185
8.3.1深度学习框架中的自动求导185
8.3.2PyTorch框架结构 187
8.3.3PyTorch中的张量188
8.3.4PyTorch数据集构建190
8.3.5PyTorch模型训练192
8.3.6PyTorch模型预测与评估198
8.3.7PyTorch模型超参数选择199
8.3.8PyTorch中的自动求导机制203
8.4深度学习框架飞桨207
8.4.1飞桨框架概述207
8.4.2飞桨的张量表示209
8.4.3飞桨的自动微分机制 210
8.4.4飞桨数据集构建212
8.4.5飞桨的模型开发213
8.5本章小结215
习题 8215
第9章机器学习项目剖析217
9.1机器学习应用项目的开发流程217
9.2波士顿房价预测线性回归模型218
9.2.1数据集构建218
9.2.2模型构建与设置219
9.2.3模型训练与测试220
9.3鸢尾花分类SVM模型220
9.3.1数据集构建220
9.3.2模型构建与设置222
9.3.3模型训练与测试222
9.4手写体数字识别多层神经网络模型223
9.4.1数据集构建223
9.4.2模型构建与设置224
9.4.3模型训练与测试226
9.5动物图像分类VGG模型227
9.5.1数据集构建227
9.5.2模型构建与设置229
9.5.3模型训练与测试232
9.6宠物图像分割UNet模型234
9.6.1数据集构建234
9.6.2模型构建与设置236
9.6.3模型训练与测试240
9.7昆虫目标检测YOLOv3模型242
9.7.1数据集构建242
9.7.2模型构建与设置243
9.7.3模型训练与测试245
9.8本章小结246
习题 9246
参考文献247
书单推荐
