人工智能等級考試一級教程 人工智能通識

目　錄
第 1篇 人工智能的基本理論
第 1章 人工智能概述 2
1．1　什么是人工智能 4
1．1．1 達特茅斯會議與人工智能的誕生 4
1．1．2 “人工”和“智能”的完美結合 5
1．1．3 “全面”人工智能和“部分”人工智能 6
思考與練習1-1 怎樣理解人工智能 7
1．2　人工智能的發(fā)展歷史 7
1．2．1 “前”人工智能階段 8
1．2．2 人工智能的起步階段 9
1．2．3 人工智能的瓶頸期 10
1．2．4 人工智能的復蘇期 11
1．2．5 人工智能的繁榮期 12
1．3　實現(xiàn)人工智能的多種研究學派 13
1．3．1 “智能的黑箱”——符號主義學派 13
思考與練習1-2 “中文屋”的悖論 14
1．3．2 “黑箱的內(nèi)部”——連接主義學派 15
1．3．3 “動作和控制”——行為主義學派 17
1．4　人工智能對社會生活的影響 18
1．5　本章內(nèi)容小結 19
1．6　本章練習題 19
第 2章 問題求解和知識工程 21
2．1　搜索技術和問題求解 23
2．1．1 問題求解——按照既定的步驟操作 23
思考與練習2-1 傳統(tǒng)查找和問題求解 24
思考與練習2-2 地圖中路徑的搜索技術 25
2．1．2 盲目搜索技術 26
思考與練習2-3 如何理解深度優(yōu)先算法和廣度優(yōu)先算法 28
2．1．3 啟發(fā)式搜索技術 28
思考與練習2-4 非啟發(fā)式搜索和啟發(fā)式搜索的對比 29
2．2　知識在計算機內(nèi)的表示方式 30
2．2．1 陳述性知識和過程性知識 31
思考與練習2-5 語義網(wǎng)絡基本形式 32
2．2．2 從已知到未知的邏輯推理 32
2．2．3 通過計算機實現(xiàn)推理的過程 33
2．3　像專家一樣解決問題 35
2．3．1 專家系統(tǒng)的發(fā)展歷程 35
2．3．2 專家系統(tǒng)的基本結構 36
思考與練習2-6 專家系統(tǒng)的一種模擬 37
2．4　從專家系統(tǒng)到知識工程 38
2．4．1 知識工程和專家系統(tǒng)的區(qū)別 38
2．4．2 知識工程的知識處理過程 39
2．4．3 互聯(lián)網(wǎng)時代的知識圖譜 40
2．5　本章內(nèi)容小結 41
2．6　本章練習題 42
第3章 人工神經(jīng)網(wǎng)絡、機器學習和深度學習 44
3．1　神經(jīng)元細胞的數(shù)字化模型 46
3．1．1 神經(jīng)元細胞和感知機 46
3．1．2 感知機的分類判斷模型 49
3．1．3 擴展——感知機如何學會正確分類 50
思考與練習3-1 感知機的模擬運行 51
3．2　人工神經(jīng)網(wǎng)絡——生物神經(jīng)網(wǎng)絡的數(shù)字化 52
3．2．1 從單層感知機到多層感知機 52
思考與練習3-2 多層感知機的應用 54
3．2．2 人工神經(jīng)網(wǎng)絡的基本功能特點 55
3．2．3 卷積神經(jīng)網(wǎng)絡的優(yōu)勢和特點 57
3．3　機器學習——機器的自我適應 58
3．3．1 機器學習的發(fā)展和分類 58
3．3．2 監(jiān)督學習和無監(jiān)督學習 59
思考與練習3-3 監(jiān)督學習和無監(jiān)督學習 61
3．3．3 機器學習的應用 61
3．4　深度學習——機器學習的進一步發(fā)展 62
3．4．1 深度學習的發(fā)展及其特點 63
3．4．2 深度學習與機器學習的異同 64
3．4．3 深度學習的應用和發(fā)展 66
3．5　本章內(nèi)容小結 66
3．6　本章練習題 67
第 2篇 人工智能的應用
第4章 圖像識別與人工智能 70
4．1　計算機內(nèi)圖像的數(shù)字化表示 72
4．1．1 人眼成像的原理 72
4．1．2 圖像數(shù)字化的基本原理 73
思考與練習4-1 數(shù)碼相機中的CMOS成像原理 74
4．1．3 擴展——數(shù)字圖像的基本屬性和特征 75
思考與練習4-2 數(shù)字圖像的顏色表示 76
4．1．4 擴展——數(shù)字圖像的存儲格式 77
4．2　圖像分割——選擇圖像中的“物” 78
4．2．1 圖像分割技術的意義和特點 78
4．2．2 基于閾值的圖像分割方法 79
4．2．3 基于區(qū)域的圖像分割方法 81
思考與練習4-3 基于閾值和區(qū)域的圖像分割方法演示 82
4．2．4 基于邊緣的圖像分割方法 83
4．2．5 基于深度學習的圖像分割方法 84
4．3　圖像識別——辨別圖像中的“物” 85
4．3．1 對待識別物體的特征提取 85
4．3．2 通過對特征的分類識別物體 86
4．3．3 圖像識別中的支持向量機分類 88
4．4 本章內(nèi)容小結 90
4．5 本章練習題 90
第5章 語音識別與人工智能 93
5．1　聲音的本質(zhì)和聲音的三要素 95
5．2　聲音的數(shù)字化轉換和處理 96
5．2．1 模擬信號到數(shù)字信號的轉換過程 96
5．2．2 擴展——音頻的數(shù)字化編碼技術 99
5．2．3 擴展——常見的音頻文件格式 100
5．3　語音識別——針對語言的處理過程 101
5．3．1 語音識別的分類和技術特點 101
5．3．2 語音識別從聲音到文字的轉換過程 102
5．3．3 針對聲音頻率特性的頻譜分析技術 104
5．4　自然語言處理——從聽見到聽懂 105
5．4．1 自然語言處理簡介 106
5．4．2 自然語言處理的功能和意義 107
思考與練習 自然語言處理中的分詞和語義分析 107
5．4．3 自然語言處理與人工智能技術 108
5．5　本章內(nèi)容小結 109
5．6　本章練習題 109
第6章 機器人和智能體 112
6．1　硬件類型的機器人學 114
6．1．1 機器人學的簡要發(fā)展史 114
6．1．2 機器人的主要類型和區(qū)別 115
6．1．3 機器人的基本結構模塊和組成 116
6．1．4 傳感器的原理與應用 117
6．1．5 從傳感器到機器人的感覺器官 119
思考與練習6-1 自動駕駛中的傳感器 120
6．2　軟件類型的智能體 121
思考與練習6-2 智能體的應用 122
6．3　硬件機器人的結構和組建案例 123
思考與練習6-3 如何增強智能小車的功能 128
6．4　本章內(nèi)容小結 129
6．5　本章練習題 129
第3篇 人工智能的融合擴展
第7章 大數(shù)據(jù)與人工智能 132
7．1　數(shù)據(jù)、信息及數(shù)據(jù)管理 134
7．1．1 如何從數(shù)據(jù)中獲取信息 134
思考與練習7-1 數(shù)據(jù)和信息的關系 135
7．1．2 規(guī)?；瘮?shù)據(jù)的結構化管理 136
思考與練習7-2 數(shù)據(jù)庫系統(tǒng)的應用 137
7．1．3 從結構化數(shù)據(jù)庫到大數(shù)據(jù)技術 138
7．1．4 大數(shù)據(jù)技術中的信息加工和知識獲取 139
思考與練習7-3 應用數(shù)據(jù)分析獲取有效信息的經(jīng)典案例 141
思考與練習7-4 根據(jù)學生的考試成績改進教學 141
7．2　人工智能和大數(shù)據(jù)的技術融合 142
7．3　大數(shù)據(jù)技術的應用與展望 144
7．4　本章內(nèi)容小結 144
7．5　本章練習題 145
第8章 物聯(lián)網(wǎng)、云計算和區(qū)塊鏈 146
8．1 “萬物互聯(lián)”的物聯(lián)網(wǎng)技術 148
8．1．1 “萬物互聯(lián)”的概念及其發(fā)展 148
8．1．2 “物”是如何連接網(wǎng)絡的？ 149
8．1．3 關于“物”的個性化數(shù)據(jù)采集 151
思考與練習8-1 共享出行中的物聯(lián)網(wǎng)應用 152
8．1．4 “物”的個性化數(shù)據(jù)處理技術 152
8．1．5 物聯(lián)網(wǎng)在日常生活中的應用 154
思考與練習8-2 物聯(lián)網(wǎng)在智能家居中的應用 154
8．2　基于網(wǎng)絡技術的云計算 155
8．2．1 云計算的概念和發(fā)展 155
8．2．2 從硬件到軟件——云計算的三種服務模式 157
思考與練習8-3 如何理解云計算的三種服務模式 158
8．2．3 云計算的應用優(yōu)勢和發(fā)展前景 159
思考與練習8-4 云計算在社會生活中的典型應用 159
8．3　區(qū)塊鏈——數(shù)據(jù)的鏈狀化管理技術 159
8．3．1 區(qū)塊鏈技術如何實現(xiàn)區(qū)塊數(shù)據(jù)存儲 160
8．3．2 靈活、開放和安全的區(qū)塊化存儲 161
8．3．3 區(qū)塊鏈的三種拓展方向 162
8．3．4 區(qū)塊鏈技術的應用優(yōu)勢和發(fā)展前景 163
思考與練習8-5 區(qū)塊鏈、物聯(lián)網(wǎng)、云計算和人工智能 164
8．4　本章內(nèi)容小結 164
8．5　本章練習題 165