人工智能导论：模型与算法

　　《人工智能导论：模型与算法》是一本体系完整、突出算法和教学资源丰富的人工智能教材，可帮助读者掌握人工智能脉络体系，从算法和模型方面来了解人工智能具能、使能和赋能的原理。
　　《人工智能导论：模型与算法》共9章，第1章绪论；第2章逻辑与逻辑；第3章搜索求解；第4章监督学习；第5章无监督学习；第6章深度学习；第7章强化学习；第8章人工智能博弈；第9章人工智能未来发展和趋势。书中给了习题和编程题目。
　　《人工智能导论：模型与算法》可作为人工智能专业和计算机类相关专业的本科生或研究生学习人工智能的教材。由于书中各章内容相对独立，教师可根据课程计划和专业需要选择讲授内容。

第1章 绪论
1．1 人工智能的起源
1．2 可计算载体：形式化与机械化
1．3 智能计算方法
1．3．1 符号主义为核心的逻辑推理
1．3．2 问题求解为核心的探寻搜索
1．3．3 数据驱动为核心的机器学习
1．3．4 行为主义为核心的强化学习
1．3．5 博弈对抗为核心的决策智能
1．4 本书内容介绍
1．5 小结
习题1
参考文献

第2章 逻辑与推理
2．1 命题逻辑
2．2 谓词逻辑
2．3 知识图谱推理
2．3．1 FOIL归纳推理
2．3．2 路径排序推理
2．3．3 其他知识推理算法
2．4 因果推理
2．4．1 辛普森悖论
2．4．2 因果图的基本概念
2．4．3 干预的因果效应
2．4．4 反事实模型
2．4．5 因果分析的层次化
2．5 小结
习题2
参考文献

第3章 搜索求解
3．1 搜索算法基础
3．1．1 搜索基本问题和求解
3．1．2 搜索算法的评价指标
3．1．3 搜索算法框架
3．1．4 树搜索和图搜索
3．2 启发式搜索
3．2．1启发函数与评价函数
3．2．2 贪婪最佳优先搜索
3．2．3 A*搜索
3．2．4 A*算法性能分析
3．3 对抗搜索
3．3．1 最小最大搜索
3．3．2 Alpha-Beta剪枝算法
3．3．3 Alpha-Beta剪枝算法性能分析
3．4 蒙特卡洛树搜索
3．4．1 探索与利用机制的平衡
3．4．2 上限置信区间算法
3．4．3 蒙特卡洛树搜索
3．5 小结
习题3
参考文献

第4章 机器学习：监督学习
4．1 机器学习基本概念
4．1．1 机器学习的种类
4．1．2 监督学习的基本概念
4．2 回归分析
4．2．1 一元线性回归
4．2．2 多元线性回归
4．2．3 逻辑斯蒂回归/对数几率回归
4．3 决策树
4．3．1 决策树分类案例
4．3．2 构建决策树
4．4 线性判别分析
4．5 AdaBoosting
4．5．1 可计算学习理论
4．5．2 AdaBoosting算法
4．5．3 从霍夫丁不等式解释AdaBoosting算法
4．5．4 AdaBoosting分类例子
4．6 支持向量机
4．6．1 VC维与结构风险最小化
4．6．2 线性可分支持向量机
4．6．3 松弛变量，软间隔与hinge损失函数
4．6．4 核函数解决线性不可分的情况
4．7 生成学习模型
4．8 小结
习题4
参考文献

第5章 统计机器学习：无监督学习
5．1 K均值聚类
5．2 主成分分析
5．2．1 方差、协方差和相关系数
5．2．2 主成分分析
5．2．3 其他常用降维方法
5．3 特征人脸方法
5．3．1 奇异值分解
5．3．2 特征人脸方法
5．4 潜在语义分析
5．4．1 潜在语义分析思想
5．4．2 潜在语义分析例子
5．5 期望最大化算法
5．5．1 二硬币投掷例子
5．5．2 三硬币投掷例子
5．5．3 EM算法一般形式
5．6 小结
习题5
参考文献

第6章 深度学习
6．1 深度学习的历史发展
6．2 前馈神经网络
6．2．1 若干概念
6．2．2 感知机模型
6．2．3 参数优化与学习
6．3 卷积神经网络
6．3．1 卷积计算
6．3．2 池化
6．3．3 神经网络正则化
6．4 循环神经网络
6．4．1 循环神经网络模型
6．4．2 长短时记忆网络
6．4．3 门控循环单元
6．5 深度生成学习
6．5．1 生成对抗网络
6．5．2 生成对抗网络算法
6．5．3 条件生成对抗网络
6．5．4 用生成对抗网络抵御对抗样本攻击
6．6 深度学习在自然语言和计算机视觉上的应用
6．6．1 词向量模型
6．6．2 图像分类与目标定位
6．7 小结
习题6
参考文献
……

第7章 强化学习
第8章 人工智能博弈
第9章 人工智能未来发展和趋势

附录 设计实验

　　人工智能（artificial intelligence，AI）是以机器为载体所展示出来的人类智能，因此人工智能也被称为机器智能（machine intelligence）。
　　浙江大学一贯重视人工智能教学工作，在1978年设立计算机系之初，何志均先生即开始招收人工智能方向研究生，并且编写教材亲自讲授“人工智能”课程。从那时开始，“人工智能”课程就一直是浙江大学计算机学院开设的核心课程之一。
　　笔者长期从事人工智能、多媒体分析与检索、跨媒体计算等方面的研究，2016年开始在浙江大学给计算机学院本科生和研究生讲授人工智能有关课程。在授课过程中，迫切感觉到需要向学生介绍以符号主义为核心的逻辑推理、以问题求解为核心的探寻搜索、以数据驱动为核心的机器学习、以行为主义为核心的强化学习、以博弈对抗为核心的群体智能等方法，让学生了解人工智能发展至今的全貌。
　　对人工智能的深入了解，要从算法层面对人工智能技术“知其意，悟其理，守其则，践其行”。为此，本书以模型和算法为核心按照如下内容进行组织：第1章介绍人工智能起源和发展，第2章介绍命题逻辑、谓词逻辑、知识图谱和因果推理的内容，第3章介绍启发式搜索、对抗搜索（含最小最大搜索、Alpha-Beta剪枝搜索）和蒙特卡洛树搜索的内容，第4章介绍机器学习基本概念、线性回归、决策树、线性判别分析、AdaBoosting。支持向量机和产生式学习等内容，第5章介绍K-means、主成分分析、特征人脸分析、潜在语义分析和EM算法等内容，第6章介绍前向神经网络、卷积神经网络、循环神经网络及其在自然语言和计算机视觉等方面的应用等内容，第7章介绍马尔科夫决策过程、策略优化与策略评估、Q学习和深度强化学习等内容，第8章介绍博弈论中纳什均衡、博弈策略求解和博弈规则设计以及非完全信息博弈等内容，第9章对人工智能未来发展和趋势进行了简略总结。
　　为了加强对书中所涉及知识点的理解，书中每章都包含了选择题、思考题、计算题和证明题等习题。同时，附录部分设置了逻辑推理、黑白棋搜索、图像恢复、人脸识别、深度学习、强化学习、对抗学习7个编程实践题目，以锻炼大家的实践能力。