本书为“十四五”高等学校新工科计算机类专业系列教材之一，较系统地论述了人工智能专业第一门专业基础课所涉及的基本内容，主要包括人工智能概述、知识与知识表示、机器推理、搜索策略、专家系统、智能体、机器学习、深度学习、计算机视觉、自然语言处理、知识图谱、人工智能博弈和智能机器人等。
本书注重基本概念、基本方法和应用实例的介绍。语言精炼，逻辑层次清晰，内容先进实用，适合作为高等学校人工智能及相关专业教材，也可作为科技人员的参考书。

人工智能（artificial intelligence，AI）是新一轮科技革命和产业变革的重要驱动力量，将对经济社会发展和人类文明进步产生深远影响。其在深度学习、自然语言处理、强化学习等领域的突破发展，有助于形成新质生产力，推动生产方式全面变革。人工智能的发展背景深远，涉及科技、经济、社会、政治等多个层面，基于数学、逻辑学、计算机科学、认知科学和神经科学等多个学科的理论积累而发展。人工智能引论课是人工智能专业的第一门专业基础课程，通过这门课程的学习，读者可以走进人工智能专业的大门，为深入学习人工智能奠定基础。本书从当代人工智能技术角度出发，结合高等院校人工智能专业的课程体系，构建了人工智能引论的内容。
全书主要内容包括概述、知识与知识表示、机器推理、搜索策略、专家系统、智能体、机器学习、深度学习、计算机视觉、自然语言处理、知识图谱、人工智能博弈和智能机器人。具体章节内容安排如下：在第1章概述中，介绍了人工智能的产生与发展、人工智能的内涵与外延、人工智能的三大学派、人工智能的数学基础、人工智能的应用等。尤其对人工智能发展的三个热潮、可计算理论与图灵机、人工智能的数学基石和人工智能的主要应用场景进行了介绍。通过这部分的学习，读者可以对人工智能有一个宏观了解和概括性认识。在第2章知识与知识表示中，论述了知识的特征与分类、人工智能知识表示，并细述了几种典型的知识表示方法。在第3章机器推理中，论述了非单调推理、谓词逻辑推理、不确定性推理和推理控制策略，并论述了思维、概念与判断、公理系统与形式逻辑等。在第4章搜索策略中，论述了盲目搜索策略、启发式搜索策略和A*算法，并介绍了搜索与搜索过程、常用的搜索策略。在第5章专家系统中，论述了专家系统的产生与发展、专家系统的功能与特点、专家系统的结构、专家系统的构建与开发环境、专家系统应用案例。专家系统对人工智能发展产生过重大影响，知识表示、机器推理和搜索策略是构建专家系统的重要基础。在第6章智能体中，论述了智能体工作过程与分类、多智能体与移动智能体，并论述了分布式人工智能的特点与分类，以及智能体特征与结构。在第7章机器学习中，论述了几种典型的机器学习方法。机器学习是人工智能的核心技术，是必须掌握的技术。在第8章深度学习中，论述了深度学习的概念与特点、卷积神经网络、循环神经网络、生成式对抗网络与自编码器。深度学习是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。在第9章计算机视觉中，论述了图像分类、目标检测、目标跟踪与语义分割等。在第10章自然语言处理中，论述了词法分析、句法分析与语义分析。在第11章知识图谱中，论述了知识图谱架构、知识图谱构建、知识图谱推理、知识图谱应用等。在第12章人工智能博弈中，论述了人工智能博弈的定义与发展、强化学习、深度强化学习模型与算法、蚁群算法。在第13章智能机器人中，论述了智能机器人的分类、要素与技术，导航定位技术，智能机器人感知，智能机器人交互技术等。
本书主要特点如下：在内容设计上，以“101计划”（由教育部统筹的拔尖创新人才培养的筑基性工程，汇聚顶尖高校、顶尖师资、顶尖出版单位等各方资源，以课程、教材、教师和实践项目等基础要素建设，来带动教育系统改革。）为指导；注重使用深度学习模型与算法，以保证教材内容的先进性；注重结构的合理性，本书在结构上为积木状，各章内容独立论述，逻辑层次清楚、层次分明；对于较复杂的算法，不仅给出严谨的形式化描述，而且还通过举例说明，以保证算法学习和理解的准确性。对于书中提及的每个模型，都先从提出的基本思想开始论述，然后再进行模型结构的数理描述，最后举例运行，并说明其主要应用。
由于编著者水平有限，书中不足之处在所难免，敬请读者批评指正。

2024年12月

第1章人工智能概述1

11人工智能的产生与发展1

111人工智能的产生1

112人工智能的三次发展热潮2

12人工智能的内涵与外延3

121人工智能的相关基础理论与模型3

122人工智能的内涵6

123人工智能的外延8

124人工智能的层次结构8

125弱人工智能、强人工智能与超级人工智能9

13人工智能的三大学派10

131符号主义学派11

132连接主义学派11

133行为主义学派11

14人工智能的数学基础12

141数学是人工智能的基石12

142人工智能常用的数学知识12

15人工智能的应用15

151人工智能的实现方式15

152人工智能的主要应用场景16

153人工智能的发展趋势18

小结18


第2章知识与知识表示19

21知识的特征与分类19

211知识的特征19

212知识的分类20

22人工智能知识表示22

221知识表示原则22

222知识表示分类23

223人工智能知识表示与计算机知识表示比较24

224知识表示全过程24


23产生式表示法25

231产生式的结构25

232产生式表示法的举例26

24一阶谓词逻辑表示法26

241知识的谓词逻辑表示27

242谓词逻辑表示法举例28

25语义网络表示法29

251语义网络的特点与结构29

252事物与概念的表示31

26框架表示法32

261框架的基本结构32

262框架的类型与层次结构33

263框架表示法的特点33

27状态空间表示法33

271问题的状态描述34

272状态空间表示法举例34

小结36


第3章机器推理37

31机器推理基础37

311思维与数理逻辑37

312概念与判断38

313推理及分类39

314逻辑推理40

32非单调推理42

321单调逻辑与单调推理42

322非单调逻辑与非单调推理43

323非单调推理与单调推理的比较44

33谓词逻辑推理45

331谓词逻辑45

332谓词逻辑自然推理的规则47

333谓词逻辑自然推理的方法49

34不确定性推理50

341不确定性推理基础50

342贝叶斯推理51

343信度推理53

344模糊推理55

35推理控制策略62

351正向推理62

352反向推理64

353混合推理65

354冲突消解策略65

小结66


第4章搜索策略67

41搜索策略概述68

411搜索与搜索过程68

412常用的搜索策略71

42盲目搜索策略71

421宽度优先搜索策略71

422深度优先搜索策略73

423两种搜索策略比较74

43启发式搜索策略75

431启发信息与启发函数75

432贪婪算法76

433贪婪最佳优先搜索的问题78

44A*算法78

441A*算法功能与特性78

442A*搜索算法描述79

443A*算法寻路的探测82

小结83


第5章专家系统84

51专家系统的产生与发展84

511专家系统的产生84

512专家系统的发展85

52专家系统的功能与特点85

521专家系统的功能85

522专家系统的要素与特点86

523专家系统的类型87

53专家系统的结构88

531产生式系统88

532专家系统的基本结构91

54专家系统的构建与开发环境95

541基于骨架系统的专家系统构建95

542专家系统的开发环境97


55专家系统应用案例98

551基于规则的动物识别专家系统98

552基于模糊规则的专家控制系统100

小结103


第6章智能体104

61分布式人工智能概述104

611分布式人工智能系统的特点104

612分布式人工智能的分类105

613智能体的定义、特性与结构105

62智能体工作过程与分类107

621智能体基本工作过程107

622智能体的分类108

623智能体的环境111

63多智能体113

631多智能体的定义与特点113

632多智能体系统的分类114

633多智能体的通信方式115

634多智能体的协作与协调116

64移动智能体117

641移动智能体的特点117

642移动智能体主要技术117

643移动智能体的分布式计算模式118

小结119


第7章机器学习120

71机器学习概述120

711机器学习基础120

712机器学习方式129

72决策树132

721决策树的结构与算法要素132

722决策树学习算法134

73集成学习138

731集成学习策略与特点138

732Bagging算法139

74k近邻分类142

741k近邻分类算法142

742k近邻分类算法的优缺点144

75聚类144

751聚类算法的类型与特点145

752k平均聚类算法146

76马尔可夫模型148

761马尔可夫过程148

762隐马尔可夫模型150

77朴素贝叶斯分类153

771贝叶斯定理153

772朴素贝叶斯分类流程154

小结156


第8章深度学习157

81神经网络模型基础158

811定义与特性158

812学习与适应162

813感知机170

814BP学习算法170

815前馈神经网络的复杂性173

82深度学习的概念与特点174

821深度学习的概念174

822深度学习的方式176

823深度学习模型的特点176

83卷积神经网络177

831卷积神经网络的产生与特点177

832卷积神经网络的结构178

833卷积神经网络的训练187

834卷积神经网络的权值更新189

84循环神经网络189

841循环神经网络的结构189

842随时间反向传播学习算法190

843循环神经网络的扩展193

844循环神经网络的应用194

85生成式对抗网络195

851生成式对抗网络的结构195

852网络的训练与损失函数196

86自编码器198

861自编码器工作原理198

862常用的自编码器199

863深度自编码器应用201

小结202


第9章计算机视觉203

91计算机视觉概述203

911计算机视觉的内涵与外延203

912图像类型与语义差异205

92图像分类207

921图像识别与分类207

922图像分类的基本方法208

923基于深度学习的图像分类209

924AlexNet图像分类210

93目标检测212

931目标检测的任务212

932RCNN目标检测算法213

933Fast RCNN目标检测算法216

934Faster RCNN目标检测算法217

935三种算法的比较219

94目标跟踪220

941目标跟踪概述220

942目标跟踪方法221

943基于CNN的目标跟踪方法222

95语义分割224

951语义分割的定义与术语224

952语义分割方法226

小结227


第10章自然语言处理228

101自然语言处理概述228

1011自然语言处理技术发展228

1012自然语言处理的内容230

102词法分析与词处理231

1021中文分词231

1022词性标注235

1023命名实体识别236

1024文本关键词提取方法239

1025文本表示243

103句法分析248

1031完全句法分析248

1032局部句法分析250

1033依存句法分析250

104语义分析254

1041词汇级语义分析255

1042句子级语义分析256

105自然语言处理应用259

1051中文自然语言处理过程259

1052自然语言处理基本应用场景261

1053大语言模型261

小结262


第11章知识图谱263

111知识图谱概述263

1111知识图谱理论的形成264

1112知识图谱表示264

1113本体265

1114知识图谱的优势267

1115知识存储268

112知识图谱架构268

1121知识图谱的逻辑架构268

1122知识图谱的技术架构269

113知识图谱构建274

1131知识图谱构建方式274

1132知识图谱设计原则与构建策略275

1133知识图谱的自动构建276

114知识图谱推理277

1141知识图谱推理的任务277

1142基于逻辑规则的关系推理278

1143基于表示学习的关系推理279

1144基于图结构的关系推理281

115知识图谱应用282

小结284


第12章人工智能博弈285

121人工智能博弈的定义与发展285

1211人工智能博弈的定义286

1212人工智能博弈的发展286

1213人工智能博弈的研究领域287

1214人工智能博弈与强化学习287

1215人工智能博弈与蚁群算法288

122强化学习289

1221RL模型与工作过程289

1222RL算法分类292

1223QLearning算法基本原理293

1224QLearning算法流程295

123深度强化学习模型与算法296

1231深度Q网络算法296

1232深度确定性策略梯度算法297

124蚁群算法297

1241蚁群寻食298

1242蚁群算法设计299

1243基于蚁群算法的TSP问题求解304

1244蚁群算法的特点306

小结307


第13章智能机器人308

131概述308

1311智能机器人分类309

1312智能机器人要素310

1313智能机器人技术310

132导航定位技术311

1321自主定位导航的任务311

1322智能自主定位导航技术312

133智能机器人感知314

1331智能机器人视觉314

1332智能机器人触觉315

1333智能机器人听觉315

1334多传感器信息融合315

134智能机器人交互技术316

1341语音交互316

1342情感交互317

1343体感交互318

小结319


参考文献320

      陈明，国内计算机科学领域资深专家，曾任大连理工大学计算机科学与工程系教授、系主任，中国石油大学(北京)计算机科学与技术系教授、系主任。中国计算机学会理事、中国人工智能学会理事、中国人工智能学会智能信息网专委会副主任。全国高校计算机基础教育研究会常务理事、教育部IT&AT 教育工程专家组成员。

本书主要特点如下：在内容设计上，以“101计划”（由教育部统筹的拔尖创新人才培养的筑基性工程，汇聚顶尖高校、顶尖师资、顶尖出版单位等各方资源，以课程、教材、教师和实践项目等基础要素建设，来带动教育系统改革。）为指导；注重使用深度学习模型与算法，以保证教材内容的先进性；注重结构的合理性，本书在结构上为积木状，各章内容独立论述，逻辑层次清楚、层次分明；对于较复杂的算法，不仅给出严谨的形式化描述，而且还通过举例说明，以保证算法学习和理解的准确性。