人工智能導論：模型與算法（簡體書）

人工智能（artificial intelligence，AI）是以機器為載體所展示出來的人類智能，因此人工智能也被稱為機器智能（machine intelligence）。
浙江大學一貫重視人工智能教學工作，在1978年設立計算機系之初，何志均先生即開始招收人工智能方向研究生，並且編寫教材親自講授“人工智能”課程。從那時開始，“人工智能”課程就一直是浙江大學計算機學院開設的核心課程之一。
筆者長期從事人工智能、多媒體分析與檢索、跨媒體計算等方面的研究，2016年開始在浙江大學給計算機學院本科生和研究生講授人工智能有關課程。在授課過程中，迫切感覺到需要向學生介紹以符號主義為核心的邏輯推理、以問題求解為核心的探尋搜索、以數據驅動為核心的機器學習、以行為主義為核心的強化學習、以博弈對抗為核心的群體智能等方法，讓學生了解人工智能發展至今的全貌。
對人工智能的深入了解，要從算法層面對人工智能技術“知其意，悟其理，守其則，踐其行”。為此，本書以模型和算法為核心按照如下內容進行組織：第1章介紹人工智能起源和發展，第2章介紹命題邏輯、謂詞邏輯、知識圖譜和因果推理的內容，第3章介紹啟發式搜索、對抗搜索（含最小最大搜索、Alpha-Beta剪枝搜索）和蒙特卡洛樹搜索的內容，第4章介紹機器學習基本概念、線性回歸、決策樹、線性判別分析、AdaBoosting。支持向量機和產生式學習等內容，第5章介紹K-means、主成分分析、特徵人臉分析、潛在語義分析和EM算法等內容，第6章介紹前向神經網絡、卷積神經網絡、循環神經網絡及其在自然語言和計算機視覺等方面的應用等內容，第7章介紹馬爾科夫決策過程、策略優化與策略評估、Q學習和深度強化學習等內容，第8章介紹博弈論中納什均衡、博弈策略求解和博弈規則設計以及非完全信息博弈等內容，第9章對人工智能未來發展和趨勢進行了簡略總結。
為了加強對書中所涉及知識點的理解，書中每章都包含了選擇題、思考題、計算題和證明題等習題。同時，附錄部分設置了邏輯推理、黑白棋搜索、圖像恢復、人臉識別、深度學習、強化學習、對抗學習7個編程實踐題目，以鍛煉大家的實踐能力。

第1章 緒論
1．1 人工智能的起源
1．2 可計算載體：形式化與機械化
1．3 智能計算方法
1．3．1 符號主義為核心的邏輯推理
1．3．2 問題求解為核心的探尋搜索
1．3．3 數據驅動為核心的機器學習
1．3．4 行為主義為核心的強化學習
1．3．5 博弈對抗為核心的決策智能
1．4 本書內容介紹
1．5 小結
習題1
參考文獻

第2章 邏輯與推理
2．1 命題邏輯
2．2 謂詞邏輯
2．3 知識圖譜推理
2．3．1 FOIL歸納推理
2．3．2 路徑排序推理
2．3．3 其他知識推理算法
2．4 因果推理
2．4．1 辛普森悖論
2．4．2 因果圖的基本概念
2．4．3 幹預的因果效應
2．4．4 反事實模型
2．4．5 因果分析的層次化
2．5 小結
習題2
參考文獻

第3章 搜索求解
3．1 搜索算法基礎
3．1．1 搜索基本問題和求解
3．1．2 搜索算法的評價指標
3．1．3 搜索算法框架
3．1．4 樹搜索和圖搜索
3．2 啟發式搜索
3．2．1啟發函數與評價函數
3．2．2 貪婪最佳優先搜索
3．2．3 A*搜索
3．2．4 A*算法性能分析
3．3 對抗搜索
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 蒙特卡洛樹搜索
3．4．1 探索與利用機制的平衡
3．4．2 上限置信區間算法
3．4．3 蒙特卡洛樹搜索
3．5 小結
習題3
參考文獻

第4章 機器學習：監督學習
4．1 機器學習基本概念
4．1．1 機器學習的種類
4．1．2 監督學習的基本概念
4．2 回歸分析
4．2．1 一元線性回歸
4．2．2 多元線性回歸
4．2．3 邏輯斯蒂回歸/對數幾率回歸
4．3 決策樹
4．3．1 決策樹分類案例
4．3．2 構建決策樹
4．4 線性判別分析
4．5 AdaBoosting
4．5．1 可計算學習理論
4．5．2 AdaBoosting算法
4．5．3 從霍夫丁不等式解釋AdaBoosting算法
4．5．4 AdaBoosting分類例子
4．6 支持向量機
4．6．1 VC維與結構風險最小化
4．6．2 線性可分支持向量機
4．6．3 松弛變量，軟間隔與hinge損失函數
4．6．4 核函數解決線性不可分的情況
4．7 生成學習模型
4．8 小結
習題4
參考文獻

第5章 統計機器學習：無監督學習
5．1 K均值聚類
5．2 主成分分析
5．2．1 方差、協方差和相關係數
5．2．2 主成分分析
5．2．3 其他常用降維方法
5．3 特徵人臉方法
5．3．1 奇異值分解
5．3．2 特徵人臉方法
5．4 潛在語義分析
5．4．1 潛在語義分析思想
5．4．2 潛在語義分析例子
5．5 期望最大化算法
5．5．1 二硬幣投擲例子
5．5．2 三硬幣投擲例子
5．5．3 EM算法一般形式
5．6 小結
習題5
參考文獻

第6章 深度學習
6．1 深度學習的歷史發展
6．2 前饋神經網絡
6．2．1 若干概念
6．2．2 感知機模型
6．2．3 參數優化與學習
6．3 卷積神經網絡
6．3．1 卷積計算
6．3．2 池化
6．3．3 神經網絡正則化
6．4 循環神經網絡
6．4．1 循環神經網絡模型
6．4．2 長短時記憶網絡
6．4．3 門控循環單元
6．5 深度生成學習
6．5．1 生成對抗網絡
6．5．2 生成對抗網絡算法
6．5．3 條件生成對抗網絡
6．5．4 用生成對抗網絡抵御對抗樣本攻擊
6．6 深度學習在自然語言和計算機視覺上的應用
6．6．1 詞向量模型
6．6．2 圖像分類與目標定位
6．7 小結
習題6
參考文獻
……

第7章 強化學習
第8章 人工智能博弈
第9章 人工智能未來發展和趨勢

附錄 設計實驗