未满十八18禁止免费无码网站,欧美线在线精品观看视频,在线人妻

本書是在原書第1版的基礎(chǔ)上，經(jīng)過全面的修訂、更新和擴展，保留了相同的可讀性和解決問題的方法，同時介紹了新的素材和*新發(fā)展。全書分為5個部分，重點介紹了人工智能中常見的關(guān)鍵的技術(shù)。本書第1部分介紹了基于邏輯的方法，第2部分則重點介紹了基于概率的方法，第3部分介紹了新興的涌現(xiàn)智能，探討了基于群體智能的進化計算及其方法。接下來是*新的發(fā)展，第4部分詳細介紹了神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。本書*后一部分重點介紹了自然語言理解。

譯者序
當(dāng)前業(yè)界與學(xué)界流行的熱詞是人工智能、區(qū)塊鏈、云計算、數(shù)據(jù)科學(xué)與大數(shù)據(jù)、物聯(lián)網(wǎng)、虛擬現(xiàn)實，而人工智能則包含了機器學(xué)習(xí)與深度學(xué)習(xí)。三位深度學(xué)習(xí)之父Yoshua Bengio、Yann LeCun、Geoffrey Hinton因他們在神經(jīng)計算領(lǐng)域的突出貢獻而獲得了2019年度計算機科學(xué)界的獎圖靈獎。人工智能技術(shù)在60多年前就已萌芽，早年由于缺乏足夠強勁的硬件和海量數(shù)據(jù)支撐，導(dǎo)致其發(fā)展遲緩。如今，得益于硬件算力的增強和深度學(xué)習(xí)算法的進步，加上互聯(lián)網(wǎng)及移動計算產(chǎn)生的海量數(shù)據(jù)，人工智能技術(shù)的發(fā)展和應(yīng)用具備了成熟條件。越來越多的國家和地區(qū)將人工智能上升為發(fā)展戰(zhàn)略，并將其視作促進經(jīng)濟繁榮、社會福祉、國家安全的重要籌碼。在近數(shù)年中，計算機視覺、語音識別、自然語言處理和機器人取得的爆炸性進展都離不開人工智能與機器學(xué)習(xí)。
為滿足業(yè)界急劇上升的人才需求，全國已有500余所高校設(shè)立了大數(shù)據(jù)與人工智能類專業(yè)，科技前沿公司也紛紛布局自己的研發(fā)戰(zhàn)略及產(chǎn)品生態(tài)。本書從獨特的視野介紹了人工智能中出現(xiàn)的關(guān)鍵技術(shù)。全書分為5個部分：第1部分介紹了基于邏輯的方法；而第2部分重點介紹了基于概率的方法；第3部分介紹了涌現(xiàn)智能的特點，探討了基于群體智能的進化計算方法；接下來是的發(fā)展，介紹了人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)；后一部分重點介紹了自然語言理解。
本書的兩位作者是人工智能領(lǐng)域的學(xué)科引領(lǐng)者及創(chuàng)業(yè)者。Richard E.Neapolitan博士是美國東北伊利諾伊州大學(xué)的計算機科學(xué)名譽教授和美國西北大學(xué)的生物信息學(xué)教授，同時也是貝葉斯網(wǎng)絡(luò)解決方案公司總裁。其研究興趣包括概率和統(tǒng)計、決策支持系統(tǒng)、認(rèn)知科學(xué)以及概率模型等在醫(yī)學(xué)、生物學(xué)和金融等領(lǐng)域的應(yīng)用。Xia Jiang博士是美國匹茲堡大學(xué)醫(yī)學(xué)院生物醫(yī)學(xué)信息學(xué)系的副教授。她在人工智能、機器學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)和因果學(xué)習(xí)等方面擁有超過16年的教學(xué)和研究經(jīng)驗，并將這些方法用于建模和解決生物學(xué)、醫(yī)學(xué)和轉(zhuǎn)化科學(xué)領(lǐng)域的問題。
本書適合作為本科教學(xué)參考書及高職院校培訓(xùn)教材，對研究生自修也有極大幫助，對自學(xué)及實戰(zhàn)者也是不可多得的輔助參考。本書的翻譯出版得益于機械工業(yè)出版社編輯的推薦與鼓勵，在此特致感謝。我的研究生們在全書的初稿形成、圖表編輯等諸多方面給予了幫助，在此一并致謝。由于譯者水平有限，加之人工智能與機器學(xué)習(xí)領(lǐng)域新興概念繁多，難免誤譯或詞不達意，敬請讀者賜教與原諒。

譯者謹(jǐn)識2021.5原書前言原書前言
近年來，我對人工智能（AI）課程的認(rèn)識產(chǎn)生了巨大轉(zhuǎn)變。曾經(jīng)認(rèn)為該課程應(yīng)該討論為建立一個可以在復(fù)雜、變化的環(huán)境中進行學(xué)習(xí)和決策、影響該環(huán)境并將所獲知識和決策傳達給人類的人工實體的工作，即一個可以思考的實體。因此，在課程中會引入那些未能擴展的弱人工智能方法。但是，隨著強人工智能方法在有限領(lǐng)域解決挑戰(zhàn)性問題時越來越重要，我們的課程也越來越關(guān)注于這些方法�，F(xiàn)在將引入反向鏈、正向鏈、規(guī)劃、貝葉斯網(wǎng)絡(luò)推理、規(guī)范決策分析、進化計算、決策樹學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)、監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及強化學(xué)習(xí)，我們將展示這些方法的實際應(yīng)用。這些技術(shù)對于計算機科學(xué)專業(yè)的學(xué)生來說已經(jīng)變得與分治法、貪婪方法、分支定界法等技術(shù)同等重要。然而，除非學(xué)生選修了人工智能課程，否則將不會學(xué)到上述方法。因此，我的人工智能課程演變成了一門本科學(xué)生可以同時或跟隨在算法分析課程之后學(xué)習(xí)的課程，它將涵蓋我認(rèn)為比較重要的人工智能領(lǐng)域的問題求解方案。我覺得這樣的課程應(yīng)該像數(shù)據(jù)結(jié)構(gòu)和算法分析一樣，成為計算機相關(guān)專業(yè)本科培養(yǎng)計劃中的核心課程之一。
由于以下兩個原因，尚未有圖書能滿足我所教授課程的需要：
1）人工智能是一個廣闊的領(lǐng)域，在過去的50年中，發(fā)展出了許多各種各樣的技術(shù)。現(xiàn)有的圖書試圖涵蓋全部內(nèi)容，而不是簡單地提供有用的方法和算法。
2）目前沒有圖書可供美國東北伊利諾伊州大學(xué)等主要大學(xué)的學(xué)生使用。我對算法分析課程也有同樣的困惑，這也是寫作《算法基礎(chǔ)》的原因。
因此，我使用自己的《貝葉斯網(wǎng)絡(luò)》課本和課堂筆記來教授該課程。后，我決定將這些筆記變成這本著作，以便其他高校的教授也可以提供類似的課程。雖然我竭力使所有計算機科學(xué)專業(yè)的學(xué)生都能讀懂這本書，但依舊很難在嚴(yán)格意義上進行折中。我覺得本書適合在任何開設(shè)人工智能課程的高校中使用。
本書撰寫的目的不是要成為AI的百科全書或呈現(xiàn)AI發(fā)展史，而是在一個學(xué)期有限的時間內(nèi)，盡量涵蓋AI內(nèi)容，并且向?qū)W生講授那些我認(rèn)為與AI相關(guān)的為有用的技術(shù)。這些技術(shù)包括：
1）基于邏輯的方法；
2）基于概率的方法；
3）基于群體智能的進化計算與方法；
4）神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)；
5）語言理解。
本書清楚地反映了我自己的偏好。書中沒有討論模糊邏輯、支持向量機以及AI中的許多其他分支。例如沒有包括搜索技術(shù)，因為大多數(shù)搜索技術(shù)都出現(xiàn)在數(shù)據(jù)結(jié)構(gòu)和算法圖書中。書中幾乎一半的內(nèi)容是有關(guān)概率的方法，可能有部分原因是我對這些方法為了解，因為這是我自己的研究領(lǐng)域，也可能因為我認(rèn)為它們是為重要的（這就是為什么概率成為我的研究領(lǐng)域）。在第2版中，增加了關(guān)于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的部分，因為它們在語音和圖像識別等領(lǐng)域的使用越來越廣泛。
本書的撰寫是以我講授的順序為基礎(chǔ)。因此，建議大家從頭至尾按順序?qū)W習(xí)這些章節(jié)。如果沒有時間學(xué)習(xí)整本書，建議可以跳過9.3~9.6節(jié)內(nèi)容，這些章節(jié)探討了決策分析中的高階主題，而11.6節(jié)則涉及因果學(xué)習(xí)。標(biāo)有(*)的部分所包含的內(nèi)容與書中的其他內(nèi)容相比，難度較高，但確涵蓋了重要的主題，如果學(xué)生有足夠的能力來掌握它們，則不應(yīng)跳過這些章節(jié)。
感謝Dawn Holmes和Kevin Korb閱讀了手稿并提供了有用的評論。我還要感謝Prentice Hall出版社允許節(jié)選了我的著作Learning Bayesian Networks，以及感謝Morgan Kaufmann出版社允許節(jié)選了我的著作Probabilistic Methods for Financial and Marketing Informatics和Probabilistic Methods for Bioinformatics。

Richard E.Neapolitan RE-Neapolitan@neiu.edu

目錄
譯者序
原書前言
作者簡介
第1章人工智能入門1
1.1人工智能的歷史2
1.1.1什么是人工智能2
1.1.2人工智能的出現(xiàn)3
1.1.3認(rèn)知科學(xué)與人工智能3
1.1.4人工智能的邏輯方法4
1.1.5基于知識的系統(tǒng)4
1.1.6人工智能的概率方法5
1.1.7進化計算和群體智能6
1.1.8神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)6
1.1.9創(chuàng)建HAL6
1.2大綱7
第1部分邏輯智能
第2章命題邏輯8
2.1命題邏輯基礎(chǔ)9
2.1.1語法9
2.1.2語義10
2.1.3重言式和邏輯含義13
2.1.4邏輯參數(shù)14
2.1.5派生系統(tǒng)17
2.2歸結(jié)20
2.2.1范式20
2.2.2歸結(jié)的推導(dǎo)21
2.2.3歸結(jié)算法24
2.3人工智能應(yīng)用25
2.3.1基于知識的系統(tǒng)25
2.3.2wumpus world35
2.4討論和擴展閱讀41
練習(xí)41
第3章一階邏輯44
3.1一階邏輯基礎(chǔ)44
3.1.1語法44
3.1.2語義46
3.1.3有效性和邏輯蘊涵49
3.1.4推導(dǎo)系統(tǒng)51
3.1.5一階邏輯的分離規(guī)則54
3.2人工智能應(yīng)用57
3.2.1重訪wumpus world57
3.2.2計劃57
3.3討論和擴展閱讀60
練習(xí)60
第4章特定知識表示63
4.1分類學(xué)知識63
4.1.1語義網(wǎng)64
4.1.2人類知識的組織模型65
4.2框架65
4.2.1框架數(shù)據(jù)結(jié)構(gòu)65
4.2.2使用框架做旅行規(guī)劃66
4.3非單調(diào)邏輯68
4.3.1界限68
4.3.2默認(rèn)邏輯69
4.3.3難點70
4.4討論和擴展閱讀70
練習(xí)71
第5章學(xué)習(xí)確定性模型72
5.1監(jiān)督學(xué)習(xí)72
5.2回歸72
5.2.1簡單線性回歸73
5.2.2多元線性回歸75
5.2.3過擬合和交叉驗證76
5.3參數(shù)估計78
5.3.1簡單線性回歸的參數(shù)估計78
5.3.2梯度下降80
5.3.3邏輯回歸和梯度下降82
5.3.4隨機梯度下降82
5.4決策樹的學(xué)習(xí)83
5.4.1信息論85
5.4.2信息增益和ID3算法87
5.4.3過擬合89
練習(xí)89
第2部分概率智能
第6章概率論92
6.1概率基本知識94
6.1.1概率空間94
6.1.2條件概率與獨立性96
6.1.3貝葉斯定理98
6.2隨機變量99
6.2.1隨機變量的概率分布99
6.2.2隨機變量的獨立性103
6.3概率的含義106
6.3.1概率的相對頻率法106
6.3.2主觀概率108
6.4應(yīng)用中的隨機變量110
6.5wumpus world的概率112
練習(xí)114
第7章不確定性知識的表示117
7.1貝葉斯網(wǎng)絡(luò)的直觀介紹118
7.2貝葉斯網(wǎng)絡(luò)的性質(zhì)120
7.2.1貝葉斯網(wǎng)絡(luò)的定義120
7.2.2貝葉斯網(wǎng)絡(luò)的表示123
7.3貝葉斯網(wǎng)絡(luò)的因果網(wǎng)絡(luò)124
7.3.1因果關(guān)系124
7.3.2因果關(guān)系和馬爾可夫條件125
7.3.3沒有因果關(guān)系的馬爾可夫條件128
7.4貝葉斯網(wǎng)絡(luò)的推理129
7.4.1推理示例129
7.4.2推理算法和包131
7.4.3使用Netica推斷132
7.5具有連續(xù)變量的網(wǎng)絡(luò)133
7.5.1高斯貝葉斯網(wǎng)絡(luò)133
7.5.2混合網(wǎng)絡(luò)135
7.6取得概率137
7.6.1多繼承的固有問題137
7.6.2基本noisy OR- gate模型137
7.6.3leaky noisy OR-gate模型138
7.6.4附加模型140
7.7大規(guī)模應(yīng)用:Promedas140
練習(xí)142
第8章貝葉斯網(wǎng)絡(luò)的高級特性144
8.1附帶條件獨立性144
8.1.1附帶條件獨立性實例145
8.1.2d-分離147
8.2忠實性150
8.2.1非忠實概率分布150
8.2.2忠實條件151
8.3馬爾可夫等價152
8.4馬爾可夫毯和邊界155
練習(xí)155
第9章決策分析159
9.1決策樹160
9.1.1簡單的例子160
9.1.2求解更復(fù)雜的決策樹163
9.2影響圖172
9.2.1用影響圖表示決策問題172
9.2.2求解影響圖177
9.2.3求解影響圖的技術(shù)177
9.2.4使用Netica求解影響圖181
9.3風(fēng)險建模偏好185
9.3.1指數(shù)效用函數(shù)185
9.3.2評估r186
9.4分析直接風(fēng)險187
9.4.1使用方差來衡量風(fēng)險187
9.4.2風(fēng)險列表188
9.4.3決策的地位190
9.5良好的決策與良好的結(jié)果192
9.6敏感性分析193
9.7信息的價值195
9.7.1完備信息的預(yù)期值195
9.7.2不完備信息的預(yù)期值198
9.8討論和擴展閱讀199
9.8.1學(xué)者199
9.8.2商業(yè)和金融199
9.8.3資本設(shè)備199
9.8.4計算機游戲200
9.8.5計算機視覺200
9.8.6計算機軟件200
9.8.7醫(yī)學(xué)200
9.8.8自然語言處理200
9.8.9規(guī)劃201
9.8.10心理學(xué)201
9.8.11可靠性分析201
9.8.12調(diào)度201
9.8.13語音識別201
9.8.14車輛控制與故障診斷201
練習(xí)201
第10章學(xué)習(xí)概率模型參數(shù)207
10.1學(xué)習(xí)單個參數(shù)207
10.1.1二項式隨機變量207
10.1.2多項式隨機變量210
10.2在貝葉斯網(wǎng)絡(luò)中學(xué)習(xí)參數(shù)211
10.2.1學(xué)習(xí)參數(shù)的步驟211
10.2.2等效樣本量212
10.3缺少數(shù)據(jù)的學(xué)習(xí)參數(shù)214
練習(xí)220
第11章學(xué)習(xí)概率模型結(jié)構(gòu)222
11.1結(jié)構(gòu)學(xué)習(xí)問題222
11.2基于分?jǐn)?shù)的結(jié)構(gòu)學(xué)習(xí)223
11.2.1貝葉斯分?jǐn)?shù)223
11.2.2BIC分?jǐn)?shù)229
11.2.3一致的評分準(zhǔn)則231
11.2.4DAG評分的數(shù)量231
11.2.5使用學(xué)習(xí)網(wǎng)絡(luò)進行推理*231
11.2.6缺少數(shù)據(jù)的學(xué)習(xí)結(jié)構(gòu)*232
11.2.7近似結(jié)構(gòu)學(xué)習(xí)238
11.2.8模型平均242
11.2.9近似模型平均*244
11.3基于約束的結(jié)構(gòu)學(xué)習(xí)246
11.3.1學(xué)習(xí)一個服從于P的DAG246
11.3.2學(xué)習(xí)一個可信嵌入P中的DAG251
11.4應(yīng)用：MENTOR251
11.4.1開發(fā)網(wǎng)絡(luò)251
11.4.2驗證MENTOR253
11.5用于學(xué)習(xí)的軟件包254
11.6因果學(xué)習(xí)254
11.6.1因果置信假設(shè)254
11.6.2因果嵌入置信假設(shè)256
11.6.3應(yīng)用：大學(xué)生保留率問題258
11.7類概率樹261
11.7.1類概率樹理論261
11.7.2目標(biāo)廣告應(yīng)用262
11.8討論和擴展閱讀265
11.8.1生物學(xué)265
11.8.2商業(yè)和金融265
11.8.3因果學(xué)習(xí)266
11.8.4數(shù)據(jù)挖掘266
11.8.5醫(yī)學(xué)266
11.8.6天氣預(yù)報266
練習(xí)266
第12章無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)270
12.1無監(jiān)督學(xué)習(xí)270
12.1.1聚類270
12.1.2自動發(fā)現(xiàn)271
12.2強化學(xué)習(xí)271
12.2.1多臂強盜算法272
12.2.2動態(tài)網(wǎng)絡(luò)*274
12.3討論和擴展閱讀282
練習(xí)283
第3部分涌現(xiàn) 智能
第13章進化計算284
13.1遺傳學(xué)評論284
13.2遺傳算法286
13.2.1算法286
13.2.2說明性示例287
13.2.3旅行的銷售人員問題289
13.3遺傳編程296
13.3.1說明性示例296
13.3.2人工螞蟻299
13.3.3金融交易應(yīng)用300
13.4討論和擴展閱讀302
練習(xí)303
第14章群體智能305
14.1螞蟻系統(tǒng)305
14.1.1真實蟻群305
14.1.2求解TSP人工螞蟻算法306
14.2鳥群308
14.3討論和擴展閱讀310
練習(xí)311
第4部分神經(jīng) 智能
第15章神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)312
15.1感知器312
15.1.1學(xué)習(xí)感知器的權(quán)重313
15.1.2感知器和邏輯回歸316
15.2前饋神經(jīng)網(wǎng)絡(luò)318
15.2.1XOR建模318
15.2.2兩個隱層示例319
15.2.3前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)322
15.3激活函數(shù)323
15.3.1輸出節(jié)點323
15.3.2隱層節(jié)點326
15.4應(yīng)用于圖像識別327
15.5討論和擴展閱讀327
練習(xí)328
第5部分語言理解
第16章自然語言理解331
16.1語法解析332
16.1.1遞歸語法解析器334
16.1.2歧義性335
16.1.3動態(tài)編程語法解析器337
16.1.4概率語法解析器340
16.1.5獲得PCFG的概率342
16.1.6詞典化的PCFG343
16.2語義解釋344
16.3概念/知識解釋345
16.4信息檢索346
16.4.1信息檢索的應(yīng)用346
16.4.2信息檢索系統(tǒng)的體系結(jié)構(gòu)347
16.5討論和擴展閱讀348
練習(xí)348
參考文獻350

你還可能感興趣

我要評論