人工智能導論
楊雲
相關主題
商品描述
本書旨在介紹人工智能領域基礎知識和核心概念，較為全面地介紹目前人工智能的主流概念、理論、方法、技術及應用等內容。全書共21章，分為三部分：第一部分從背景介紹到基礎知識，對人工智能進行全面概述；第二部分具體介紹作為人工智能核心的機器學習關鍵技術，包括監督學習、非監督學習和集成學習等算法與模型；第三部分聚焦人工智能算法與模型在不同領域的應用，並附帶應用案例的代碼講解。
本書結構合理、層次分明、條理清楚、理例結合、圖文並茂、深入淺出、詳略得當、紙電結合、易讀易懂、易教易學。
本書結構合理、層次分明、條理清楚、理例結合、圖文並茂、深入淺出、詳略得當、紙電結合、易讀易懂、易教易學。
目錄大綱
目錄
第一部分 人工智能概述
第1章 緒論 1
1.1 引言 1
1.2 人工智能的定義 2
1.3 人工智能的研究目標和內容 3
1.3.1 人工智能的研究目標 3
1.3.2 人工智能的研究內容 3
1.4 人工智能簡史 5
1.5 人工智能的學派 7
第2章 人工智能的發展趨勢 10
2.1 引言 10
2.2 感知智能邁向認知智能 11
2.3 專用智能邁向通用智能 12
2.4 多模態融合 13
2.5 具身智能 13
2.6 小結 14
第3章 人工智能的應用 15
3.1 引言 15
3.2 人工智能在醫療領域的應用 15
3.3 人工智能在交通領域的應用 17
3.4 人工智能在安防領域的應用 19
3.5 人工智能在金融領域的應用 21
3.6 人工智能在農業領域的應用 22
3.7 小結 24
第4章 知識表示 25
4.1 引言 25
4.2 知識的概念 26
4.2.1 知識的定義 26
4.2.2 知識的特點 26
4.2.3 知識的表示 26
4.3 一階謂詞表示法 28
4.3.1 謂詞及謂詞公式 28
4.3.2 語法元素 28
4.3.3 謂詞的階 29
4.3.4 謂詞公式 29
4.4 產生式表示法 30
4.4.1 基本產生式表示法 30
4.4.2 BNF範式 31
4.4.3 產生式系統 31
4.5 框架表示法 32
4.5.1 基本概念 32
4.5.2 具體方法 33
4.6 面向對象表示法 34
4.6.1 基本概念 34
4.6.2 面向對象的知識表示 34
4.7 知識圖譜表示法 35
4.7.1 本體介紹 35
4.7.2 具體方法 35
4.8 小結 38
第5章 推理技術 39
5.1 引言 39
5.2 推理技術概述 39
5.2.1 發展概況 39
5.2.2 推理分類 40
5.3 演繹推理 40
5.3.1 基本概念 40
5.3.2 演繹推理方法 41
5.3.3 一階邏輯的推理 41
5.4 歸納推理 42
5.4.1 基本概念 42
5.4.2 歸納推理方法 43
5.5 概率推理 43
5.5.1 不確定性推理 43
5.5.2 基本概念 44
5.5.3 概率推理方法 44
5.6 綜合應用案例 45
5.7 小結 47
第6章 搜索策略 48
6.1 引言 48
6.2 搜索策略概述 48
6.2.1 搜索策略的定義 48
6.2.2 搜索的基本組件 49
6.3 盲目搜索算法 50
6.3.1 廣度優先搜索 50
6.3.2 深度優先搜索 51
6.3.3 DFS和BFS的比較 52
6.4 啟發式搜索算法 53
6.4.1 啟發式函數 53
6.4.2 A*搜索算法 53
6.4.3 貪心最佳優先搜索算法 54
6.5 局部搜索算法 55
6.5.1 爬山算法 55
6.5.2 模擬退火算法 56
6.5.3 遺傳算法 56
6.6 約束滿足問題 57
6.6.1 約束滿足問題的定義 57
6.6.2 回溯搜索算法 58
6.6.3 前向檢查 58
6.7 搜索策略的評估和選擇 59
6.7.1 搜索策略的效率和復雜性 59
6.7.2 案例研究和實際應用示例 60
6.8 未來趨勢和挑戰 61
6.8.1 搜索策略的最新發展 61
6.8.2 搜索策略面臨的挑戰 61
6.9 小結 61
第7章 人工智能大模型 63
7.1 引言 63
7.2 大模型的定義 63
7.3 大模型的發展歷程 65
7.4 大模型的分類 66
7.5 小結 71
第二部分 機器學習關鍵技術
第8章 機器學習概述 72
8.1 引言 72
8.2 機器學習的歷史 73
8.3 機器學習的基本原理 74
8.3.1 監督學習與無監督學習 74
8.3.2 機器學習生命周期 76
8.4 機器學習的應用領域 77
第9章 分類與回歸 79
9.1 引言 79
9.2 任務概述 79
9.2.1 監督學習基礎 79
9.2.2 應用場景與重要性 80
9.3 分類任務 80
9.3.1 二分類與多分類 80
9.3.2 常見的分類算法 81
9.3.3 分類模型評估 82
9.4 回歸任務 83
9.4.1 線性回歸 83
9.4.2 常見的回歸算法 84
9.4.3 回歸模型評估 84
9.5 經典案例 85
9.5.1 分類問題案例分析 85
9.5.2 回歸問題案例分析 87
9.6 未來發展趨勢 88
9.7 小結 89
第10章 決策樹 91
10.1 引言 91
10.2 決策樹的生成 92
10.3 分類樹 94
10.4 回歸樹 95
10.5 剪枝 96
10.6 小結 98
第11章 神經網絡 99
11.1 引言 99
11.2 神經元與神經網絡 100
11.3 前饋神經網絡 102
11.4 循環神經網絡 103
11.5 捲積神經網絡 106
11.6 小結 109
第12章 支持向量機 111
12.1 引言 111
12.2 間隔與支持向量 111
12.2.1 函數間隔與幾何間隔 112
12.2.2 間隔最大化 113
12.2.3 支持向量 113
12.3 對偶問題 114
12.4 線性支持向量機 115
12.4.1 軟間隔 115
12.4.2 合頁損失函數 117
12.5 核技巧與非線性支持向量機 118
12.5.1 核技巧 118
12.5.2 非線性支持向量機 120
12.6 小結 121
第13章 聚類 122
13.1 引言 122
13.2 相似度或距離 123
13.3 性能度量 124
13.4 k均值聚類 126
13.4.1 聚類目標 126
13.4.2 算法 127
13.5 高斯混合聚類 128
13.5.1 高斯混合模型 128
13.5.2 期望極大化算法估計參數 129
13.6 密度聚類 131
13.7 小結 133
第14章 集成學習 135
14.1 引言 135
14.2 Bagging算法與隨機森林算法 136
14.2.1 Bagging算法 136
14.2.2 隨機森林算法 139
14.3 Boosting算法 140
14.3.1 AdaBoost算法 140
14.3.2 梯度提升算法 143
14.4 模塊融合策略 144
14.4.1 投票法 144
14.4.2 平均法 145
14.5 多樣性 145
14.5.1 誤差-分歧分解 145
14.5.2 多樣性測量指標 147
14.6 小結 148
第三部分 人工智能應用實戰
第15章 復雜場景下的人臉識別系統 150
15.1 引言 150
15.2 人臉識別介紹 151
15.3 FaceNet 152
15.3.1 模型結構 152
15.3.2 三元組損失函數 153
15.3.3 三元組選擇策略 154
15.4 人臉識別數據集 154
15.5 算法實現 155
15.5.1 加載數據集 155
15.5.2 定義模型 157
15.5.3 損失計算 159
15.5.4 模型訓練 160
15.6 人臉識別實踐 163
15.6.1 實驗設置 163
15.6.2 實驗結果 163
15.7 小結 164
第16章 多目標跨攝像頭的實時行人重識別系統 166
16.1 引言 166
16.2 行人重識別介紹 166
16.3 行人重識別算法介紹 168
16.3.1 非局部註意力機制的融合 169
16.3.2 廣義平均池化 169
16.3.3 加權正則化的三元組損失函數 169
16.3.4 中心損失函數 169
16.3.5 分類損失函數 170
16.3.6 訓練策略 170
16.4 行人重識別數據集 171
16.5 算法實現 171
16.5.1 定義數據集 171
16.5.2 定義模型 174
16.5.3 定義損失函數 178
16.5.4 模型訓練 180
16.6 行人重識別實踐 181
16.6.1 實驗設置 181
16.6.2 實驗結果 181
16.7 小結 182
第17章 單階段實時目標檢測系統 184
17.1 引言 184
17.2 基於深度學習的目標檢測算法 186
17.2.1 兩階段目標檢測器 186
17.2.2 單階段目標檢測器 188
17.3 YOLO目標檢測框架 189
17.3.1 邊界框的位置參數 191
17.3.2 邊界框的置信度 192
17.3.3 類別置信度 192
17.4 YOLOv8目標檢測實踐 193
17.4.1 YOLOv8快速安裝及使用 194
17.4.2 模型訓練 196
17.4.3 模型驗證 197
17.4.4 模型預測 198
17.5 小結 200
第18章 基於對抗攻擊的圖像/視頻安全攻防系統 202
18.1 引言 202
18.2 對抗樣本攻擊介紹 203
18.2.1 基於優化的對抗攻擊 203
18.2.2 基於梯度的對抗攻擊 204
18.2.3 基於敏感特徵的對抗攻擊 204
18.2.4 基於幾何變換的對抗攻擊 205
18.2.5 基於生成模型的對抗攻擊 205
18.3 對抗防禦簡介 206
18.3.1 對抗樣本存在的原因 206
18.3.2 對抗防禦手段 207
18.4 FGSM對抗攻擊實踐 207
18.4.1 數據集說明與使用 208
18.4.2 訓練蜜蜂與螞蟻識別網絡 210
18.4.3 FGSM對抗攻擊 214
18.5 小結 216
第19章 基於面部視頻流數據的抑鬱症輔助診斷系統 218
19.1 引言 218
19.2 面部表情識別與抑鬱症識別 219
19.3 抑鬱症數據集的製作及使用 221
19.3.1 抑鬱症數據收集 221
19.3.2 公開的抑鬱症數據集 222
19.4 面部視頻流抑鬱症識別實踐 223
19.4.1 視頻流數據採樣 223
19.4.2 人臉檢測與剪裁 224
19.4.3 預訓練模型的特徵提取 226
19.4.4 基於面部表情的抑鬱症識別 227
19.5 小結 228
第20章 基於多模態的抑鬱症輔助診斷系統 230
20.1 引言 230
20.2 基於多模態的抑鬱症識別 231
20.3 基於多模態的抑鬱症識別實踐 234
20.3.1 圖像特徵提取 234
20.3.2 音頻特徵提取 235
20.3.3 文本特徵提取 237
20.3.4 多模態特徵融合 239
20.4 小結 240
第21章 基於終身學習的抑鬱症輔助診斷系統 242
21.1 引言 242
21.2 終身學習研究現狀 243
21.2.1 基於樣本重演的終身學習方法 244
21.2.2 基於正則化的終身學習方法 244
21.2.3 基於參數孤立的終身學習方法 245
21.3 持續表徵對比學習 245
21.3.1 全局與局部混合數據對比一致性學習 246
21.3.2 持續表徵融合 248
21.4 終身學習算法實踐 249
21.5 小結 252
參考文獻 253
第一部分 人工智能概述
第1章 緒論 1
1.1 引言 1
1.2 人工智能的定義 2
1.3 人工智能的研究目標和內容 3
1.3.1 人工智能的研究目標 3
1.3.2 人工智能的研究內容 3
1.4 人工智能簡史 5
1.5 人工智能的學派 7
第2章 人工智能的發展趨勢 10
2.1 引言 10
2.2 感知智能邁向認知智能 11
2.3 專用智能邁向通用智能 12
2.4 多模態融合 13
2.5 具身智能 13
2.6 小結 14
第3章 人工智能的應用 15
3.1 引言 15
3.2 人工智能在醫療領域的應用 15
3.3 人工智能在交通領域的應用 17
3.4 人工智能在安防領域的應用 19
3.5 人工智能在金融領域的應用 21
3.6 人工智能在農業領域的應用 22
3.7 小結 24
第4章 知識表示 25
4.1 引言 25
4.2 知識的概念 26
4.2.1 知識的定義 26
4.2.2 知識的特點 26
4.2.3 知識的表示 26
4.3 一階謂詞表示法 28
4.3.1 謂詞及謂詞公式 28
4.3.2 語法元素 28
4.3.3 謂詞的階 29
4.3.4 謂詞公式 29
4.4 產生式表示法 30
4.4.1 基本產生式表示法 30
4.4.2 BNF範式 31
4.4.3 產生式系統 31
4.5 框架表示法 32
4.5.1 基本概念 32
4.5.2 具體方法 33
4.6 面向對象表示法 34
4.6.1 基本概念 34
4.6.2 面向對象的知識表示 34
4.7 知識圖譜表示法 35
4.7.1 本體介紹 35
4.7.2 具體方法 35
4.8 小結 38
第5章 推理技術 39
5.1 引言 39
5.2 推理技術概述 39
5.2.1 發展概況 39
5.2.2 推理分類 40
5.3 演繹推理 40
5.3.1 基本概念 40
5.3.2 演繹推理方法 41
5.3.3 一階邏輯的推理 41
5.4 歸納推理 42
5.4.1 基本概念 42
5.4.2 歸納推理方法 43
5.5 概率推理 43
5.5.1 不確定性推理 43
5.5.2 基本概念 44
5.5.3 概率推理方法 44
5.6 綜合應用案例 45
5.7 小結 47
第6章 搜索策略 48
6.1 引言 48
6.2 搜索策略概述 48
6.2.1 搜索策略的定義 48
6.2.2 搜索的基本組件 49
6.3 盲目搜索算法 50
6.3.1 廣度優先搜索 50
6.3.2 深度優先搜索 51
6.3.3 DFS和BFS的比較 52
6.4 啟發式搜索算法 53
6.4.1 啟發式函數 53
6.4.2 A*搜索算法 53
6.4.3 貪心最佳優先搜索算法 54
6.5 局部搜索算法 55
6.5.1 爬山算法 55
6.5.2 模擬退火算法 56
6.5.3 遺傳算法 56
6.6 約束滿足問題 57
6.6.1 約束滿足問題的定義 57
6.6.2 回溯搜索算法 58
6.6.3 前向檢查 58
6.7 搜索策略的評估和選擇 59
6.7.1 搜索策略的效率和復雜性 59
6.7.2 案例研究和實際應用示例 60
6.8 未來趨勢和挑戰 61
6.8.1 搜索策略的最新發展 61
6.8.2 搜索策略面臨的挑戰 61
6.9 小結 61
第7章 人工智能大模型 63
7.1 引言 63
7.2 大模型的定義 63
7.3 大模型的發展歷程 65
7.4 大模型的分類 66
7.5 小結 71
第二部分 機器學習關鍵技術
第8章 機器學習概述 72
8.1 引言 72
8.2 機器學習的歷史 73
8.3 機器學習的基本原理 74
8.3.1 監督學習與無監督學習 74
8.3.2 機器學習生命周期 76
8.4 機器學習的應用領域 77
第9章 分類與回歸 79
9.1 引言 79
9.2 任務概述 79
9.2.1 監督學習基礎 79
9.2.2 應用場景與重要性 80
9.3 分類任務 80
9.3.1 二分類與多分類 80
9.3.2 常見的分類算法 81
9.3.3 分類模型評估 82
9.4 回歸任務 83
9.4.1 線性回歸 83
9.4.2 常見的回歸算法 84
9.4.3 回歸模型評估 84
9.5 經典案例 85
9.5.1 分類問題案例分析 85
9.5.2 回歸問題案例分析 87
9.6 未來發展趨勢 88
9.7 小結 89
第10章 決策樹 91
10.1 引言 91
10.2 決策樹的生成 92
10.3 分類樹 94
10.4 回歸樹 95
10.5 剪枝 96
10.6 小結 98
第11章 神經網絡 99
11.1 引言 99
11.2 神經元與神經網絡 100
11.3 前饋神經網絡 102
11.4 循環神經網絡 103
11.5 捲積神經網絡 106
11.6 小結 109
第12章 支持向量機 111
12.1 引言 111
12.2 間隔與支持向量 111
12.2.1 函數間隔與幾何間隔 112
12.2.2 間隔最大化 113
12.2.3 支持向量 113
12.3 對偶問題 114
12.4 線性支持向量機 115
12.4.1 軟間隔 115
12.4.2 合頁損失函數 117
12.5 核技巧與非線性支持向量機 118
12.5.1 核技巧 118
12.5.2 非線性支持向量機 120
12.6 小結 121
第13章 聚類 122
13.1 引言 122
13.2 相似度或距離 123
13.3 性能度量 124
13.4 k均值聚類 126
13.4.1 聚類目標 126
13.4.2 算法 127
13.5 高斯混合聚類 128
13.5.1 高斯混合模型 128
13.5.2 期望極大化算法估計參數 129
13.6 密度聚類 131
13.7 小結 133
第14章 集成學習 135
14.1 引言 135
14.2 Bagging算法與隨機森林算法 136
14.2.1 Bagging算法 136
14.2.2 隨機森林算法 139
14.3 Boosting算法 140
14.3.1 AdaBoost算法 140
14.3.2 梯度提升算法 143
14.4 模塊融合策略 144
14.4.1 投票法 144
14.4.2 平均法 145
14.5 多樣性 145
14.5.1 誤差-分歧分解 145
14.5.2 多樣性測量指標 147
14.6 小結 148
第三部分 人工智能應用實戰
第15章 復雜場景下的人臉識別系統 150
15.1 引言 150
15.2 人臉識別介紹 151
15.3 FaceNet 152
15.3.1 模型結構 152
15.3.2 三元組損失函數 153
15.3.3 三元組選擇策略 154
15.4 人臉識別數據集 154
15.5 算法實現 155
15.5.1 加載數據集 155
15.5.2 定義模型 157
15.5.3 損失計算 159
15.5.4 模型訓練 160
15.6 人臉識別實踐 163
15.6.1 實驗設置 163
15.6.2 實驗結果 163
15.7 小結 164
第16章 多目標跨攝像頭的實時行人重識別系統 166
16.1 引言 166
16.2 行人重識別介紹 166
16.3 行人重識別算法介紹 168
16.3.1 非局部註意力機制的融合 169
16.3.2 廣義平均池化 169
16.3.3 加權正則化的三元組損失函數 169
16.3.4 中心損失函數 169
16.3.5 分類損失函數 170
16.3.6 訓練策略 170
16.4 行人重識別數據集 171
16.5 算法實現 171
16.5.1 定義數據集 171
16.5.2 定義模型 174
16.5.3 定義損失函數 178
16.5.4 模型訓練 180
16.6 行人重識別實踐 181
16.6.1 實驗設置 181
16.6.2 實驗結果 181
16.7 小結 182
第17章 單階段實時目標檢測系統 184
17.1 引言 184
17.2 基於深度學習的目標檢測算法 186
17.2.1 兩階段目標檢測器 186
17.2.2 單階段目標檢測器 188
17.3 YOLO目標檢測框架 189
17.3.1 邊界框的位置參數 191
17.3.2 邊界框的置信度 192
17.3.3 類別置信度 192
17.4 YOLOv8目標檢測實踐 193
17.4.1 YOLOv8快速安裝及使用 194
17.4.2 模型訓練 196
17.4.3 模型驗證 197
17.4.4 模型預測 198
17.5 小結 200
第18章 基於對抗攻擊的圖像/視頻安全攻防系統 202
18.1 引言 202
18.2 對抗樣本攻擊介紹 203
18.2.1 基於優化的對抗攻擊 203
18.2.2 基於梯度的對抗攻擊 204
18.2.3 基於敏感特徵的對抗攻擊 204
18.2.4 基於幾何變換的對抗攻擊 205
18.2.5 基於生成模型的對抗攻擊 205
18.3 對抗防禦簡介 206
18.3.1 對抗樣本存在的原因 206
18.3.2 對抗防禦手段 207
18.4 FGSM對抗攻擊實踐 207
18.4.1 數據集說明與使用 208
18.4.2 訓練蜜蜂與螞蟻識別網絡 210
18.4.3 FGSM對抗攻擊 214
18.5 小結 216
第19章 基於面部視頻流數據的抑鬱症輔助診斷系統 218
19.1 引言 218
19.2 面部表情識別與抑鬱症識別 219
19.3 抑鬱症數據集的製作及使用 221
19.3.1 抑鬱症數據收集 221
19.3.2 公開的抑鬱症數據集 222
19.4 面部視頻流抑鬱症識別實踐 223
19.4.1 視頻流數據採樣 223
19.4.2 人臉檢測與剪裁 224
19.4.3 預訓練模型的特徵提取 226
19.4.4 基於面部表情的抑鬱症識別 227
19.5 小結 228
第20章 基於多模態的抑鬱症輔助診斷系統 230
20.1 引言 230
20.2 基於多模態的抑鬱症識別 231
20.3 基於多模態的抑鬱症識別實踐 234
20.3.1 圖像特徵提取 234
20.3.2 音頻特徵提取 235
20.3.3 文本特徵提取 237
20.3.4 多模態特徵融合 239
20.4 小結 240
第21章 基於終身學習的抑鬱症輔助診斷系統 242
21.1 引言 242
21.2 終身學習研究現狀 243
21.2.1 基於樣本重演的終身學習方法 244
21.2.2 基於正則化的終身學習方法 244
21.2.3 基於參數孤立的終身學習方法 245
21.3 持續表徵對比學習 245
21.3.1 全局與局部混合數據對比一致性學習 246
21.3.2 持續表徵融合 248
21.4 終身學習算法實踐 249
21.5 小結 252
參考文獻 253
