本书分为9章，包括绪论、知识表示与推理、图搜索技术和问题求解、智能优化算法、机器学习、人工神经网络与深度学习、专家系统、模式识别与机器视觉、强化学习与生成对抗网络。本书力求在讲解人工智能基础的前提下，同时对应用型的人工智能前沿知识理论和科技成果进行展现，结构组织合理，内容理论与实践相结合，对读者的层次和理解进行了充分考虑，并提供了相应的多种流行人工智能框架的实用案例。本书适合作为高等院校的人工智能基础课程的教材，也可以用作从事人工智能应用的开发工程师及相关科技人员的参考用书。

前言
第1章 绪论
1.1 人工智能概论
1.1.1 人工智能的定义
1.1.2 人工智能的发展史及流派
1.1.3 人工智能的研究目标和意义
1.1.4 人工智能的研究途径
1.2 人工智能的现在和未来
1.2.1 人工智能的研究领域
1.2.2 人工智能的发展趋势
1.3 本章小结
习题1
第2章 知识表示与推理
2.1 知识表示
2.1.1 知识的概念
2.1.2 知识的分类和特性
2.1.3 产生式表示法
2.1.4 框架表示法
2.1.5 其他表示法
2.2 知识推理
2.2.1 不确定性推理的概念和分类
2.2.2 概率推理
2.2.3 主观Bayes方法
2.2.4 可信度方法
2.2.5 模糊推理
2.3 本章小结
习题2
第3章 图搜索技术和问题求解
3.1 搜索策略概述
3.1.1 状态空间表示法
3.1.2 盲目搜索
3.1.3 启发式搜索
3.1.4 博弈搜索
3.2 状态图的搜索
3.2.1 状态图搜索策略
3.2.2 博弈树搜索策略
3.3 实战——应用爬虫爬取新闻报道
3.4 本章小结
习题3
第4章 智能优化算法
4.1 智能优化算法概述
4.1.1 智能优化算法的相关概念
4.1.2 智能优化算法的分类
4.2 进化算法
4.2.1 遗传算法
4.2.2 其他进化算法
4.3 集群智能算法
4.3.1 蚁群算法
4.3.2 粒子群算法
4.4 其他智能优化算法
4.4.1 模拟退火算法
4.4.2 禁忌搜索算法
4.5 实战——应用遗传算法解决问题
4.6 本章小结
习题4
第5章 机器学习
5.1 机器学习概述
5.1.1 机器学习的发展与分类
5.1.2 监督学习
5.1.3 无监督学习
5.1.4 半监督学习
5.1.5 强化学习
5.2 符号学习
5.2.1 记忆学习
5.2.2 归纳学习
5.2.3 演绎学习
5.3 实战——线性回归与决策树
5.3.1 使用线性回归预测房价
5.3.2 使用决策树预测房价
5.4 本章小结
习题5
第6章 人工神经网络与深度学习
6.1 人工神经网络
6.1.1 神经元与神经网络
6.1.2 神经网络的类型
6.1.3 BP神经网络
6.2 深度学习
6.2.1 深度学习与卷积网络
6.2.2 textCNN模型
6.3 实战——使用BP与CNN完成手写数字识别
6.3.1 BP网络手写数字识别
6.3.2 CNN手写数字识别
6.4 本章小结
习题6
第7章 专家系统
7.1 专家系统概述
7.1.1 专家系统的发展
7.1.2 专家系统的定义与特点
7.1.3 专家系统的分类
7.2 专家系统的原理
7.2.1 专家系统的一般结构
7.2.2 专家系统的基本工作原理
7.3 专家系统的开发过程
7.3.1 知识获取和知识工程
7.3.2 专家系统的开发步骤
7.3.3 专家系统开发工具
7.4 专家系统实例
7.5 本章小结
习题7
第8章 模式识别与机器视觉
8.1 模式识别
8.1.1 模式识别的基本概念
8.1.2 模式识别的方法
8.1.3 模式识别过程
8.1.4 模式识别应用
8.2 机器视觉
8.2.1 机器视觉的定义和构成
8.2.2 机器视觉的分类和应用
8.2.3 图像识别
8.2.4 人脸识别
8.3 实战——人脸表情识别
8.3.1 人脸表情识别的常用方法
8.3.2 实战——基于深度学习的人脸表情识别系统
8.4 本章小结
习题8
第9章 强化学习与生成对抗网络
9.1 强化学习概述
9.1.1 强化学习基础
9.1.2 强化学习分类
9.1.3 强化学习的应用
9.2 生成对抗网络概述
9.2.1 生成对抗模型
9.2.2 生成对抗模型的数学原理
9.2.3 生成对抗网络的实际应用
9.3 实战——基于StyleGAN-v2实现颜值融合
9.4 本章小结
习题9
参考文献