理论和实践的紧密结合是人工智能领域的显著特点。为了降低初学者的学习门槛，引导初学者了解人工智能的基本概念，以实际应用促进感性认知，作者编写了本书。本书旨在打造一本体系完整、算法突出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知识的脉络体系，从算法和模型等方面了解人工智能具能、使能和赋能的原理。全书共8章，书中附有习题和编程题目。
本书紧跟人工智能技术动态，选取了人工智能中的典型应用案例，兼顾通识与技能，具有很强的可操作性和实用性。本书既可作为人工智能专业和计算机类相关专业本科生的基础导论课程教材，也可作为其他学科研究人员学习人工智能技术的参考用书。

第1章 绪论
1.1 人工智能的基本概念和特征
1.2 人工智能的发展历史
1.3 人工智能的三大流派及其发展
本章小结
习题
第2章 知识表示
2.1 知识与知识表示的概念
2.1.1 知识
2.1.2 知识表示
2.2 一阶谓词逻辑表示法
2.2.1 命题
2.2.2 知识的谓词逻辑表示法
2.2.3 一阶谓词逻辑表示法的特点
2.3 产生式表示法
2.3.1 产生式的基本形式
2.3.2 产生式系统
2.3.3 产生式系统推理
2.3.4 产生式表示法评价
2.4 框架表示法
2.4.1 框架结构
2.4.2 常用的槽名
2.4.3 框架系统的推理
2.4.4 框架表示法的特点
2.5 脚本表示法
2.5.1 概念依存理论
2.5.2 脚本的结构
2.5.3 脚本的推理
2.5.4 脚本表示法的特点
2.6 过程表示法
2.6.1 知识表示方法及过程规则
2.6.2 过程表示的问题求解过程
2.6.3 过程表示法的特点
2.6.4 过程性与说明性表示方法的比较
2.7 语义网络表示法
2.7.1 语义网络结构及基本的语义关系
2.7.2 语义网络的推理过程
2.7.3 语义网络表示法的特点
本章小结
习题
第3章 搜索策略
3.1 搜索概述
3.2 一般图搜索
3.2.1 图搜索的基本概念
3.2.2 状态空间搜索
3.2.3 一般图搜索过程
3.3 盲目搜索
3.3.1 宽度优先搜索
3.3.2 深度优先搜索
3.3.3 有界深度搜索和迭代加深搜索
3.3.4 搜索最优策略的比较
3.4 启发式搜索
3.4.1 启发性信息和评估函数
3.4.2 启发式搜索A算法
3.4.3 实现启发式搜索的关键因素
3.4.4 A*算法
3.4.5 迭代加深A*算法
3.5 爬山法和回溯策略
3.5.1 爬山法
3.5.2 回溯策略
3.6 问题规约
3.7 与/或图搜索
3.7.1 与/或图表示
3.7.2 与/或图的启发式搜索
3.8 博弈
3.8.1 极大极小过程
3.8.2 ? -? 过程
本章小结
习题
第4章 知识推理与确定性推理
4.1 知识推理
4.1.1 推理的定义
4.1.2 推理的方式及分类
4.1.3 推理的方向
4.1.4 冲突消解策略
4.1.5 推理系统
4.2 确定性推理
4.2.1 命题逻辑
4.2.2 谓词逻辑
4.2.3 自然演绎推理方法
4.2.4 归结推理方法
本章小结
习题
第5章 不确定性推理
5.1 不确定性推理表示、问题与分类
5.1.1 不确定性推理的表示
5.1.2 不确定性的语义问题
5.1.3 不确定性的计算问题
5.1.4 不确定性推理方法的分类
5.2 不确定性推理方法
5.2.1 概率方法
5.2.2 主观贝叶斯方法
5.2.3 可信度方法
5.2.4 证据理论方法
5.2.5 模糊推理方法
本章小结
习题
第6章 计算智能
6.1 计算智能简介
6.1.1 计算智能的发展与现状
6.1.2 计算智能的特征与应用
6.2 进化计算
6.2.1 遗传算法
6.2.2 蚁群优化算法
6.2.3 免疫算法
6.2.4 分布估计算法
6.2.5 粒子群优化算法
6.2.6 进化规划
6.3 单点搜索
6.3.1 禁忌搜索算法
6.3.2 模拟退火算法
本章小结
习题
第7章 人工神经网络
7.1 神经元
7.1.1 生物神经元的结构
7.1.2 人工神经元数学模型
7.2 神经网络的学习方法
7.2.1 学习与机器学习
7.2.2 学习系统
7.2.3 神经网络的结构与工作方式
7.2.4 神经网络的学习规则
7.3 感知器
7.3.1 感知器模型
7.3.2 感知器学习策略
7.3.3 感知器学习算法
7.4 BP神经网络
7.4.1 BP神经网络的结构
7.4.2 BP学习算法
7.4.3 BP神经网络的应用
7.5 Hopfield神经网络
7.5.1 离散型Hopfield神经网络
7.5.2 连续型Hopfield神经网络
7.5.3 随机神经网络
7.5.4 Hopfield神经网络的应用
7.5.5 Hopfield神经网络优化方法
本章小结
习题
第8章 机器学习
8.1 机器学习的类型与应用
8.1.1 机器学习的分类
8.1.2 机器学习的应用和研究目标
8.2 基于规则的机器学习
8.2.1 决策树学习
8.2.2 随机森林
8.2.3 规则学习
8.3 基于数据统计的机器学习
8.3.1 支持向量机
8.3.2 浅层神经网络
8.3.3 贝叶斯分类器
本章小结
习题
参考文献

1. 写书的动机
人工智能的诞生与发展是20世纪伟大的科学成就之
一，也是21世纪引领未来发展的主导学科之一。人工智
能作为一门新理论、新方法、新技术、新思想不断涌现
的前沿交叉学科，相关研究成果已经广泛应用到国防建
设、工业生产、国民生活中的各个领域。在信息网络和
知识经济时代，人工智能正在受到越来越广泛的重视，
必将为推动科学技术的进步和产业的发展发挥更大的作
用。面对这种形势，迫切需要编写适应当前发展要求的
人工智能基础性读物，它既可以作为人工智能人才培养
的基础性教材，也可以作为人工智能研究、开发、应用
人员从事实际工作的辅导性读物，这就是作者编写本书
的初衷。
自20世纪50年代开始，人工智能这一科学领域诞生
至今，多年过去，科学家们并未创造出像人一样智能的
机器，人工智能的发展也是一波三折。但是，在人工智
能的发展过程中，诞生了许多使机器能够拥有一定智能
的理论、方法与技术。因此，本书阐述的不是如何创造
像人一样的智能机器，而是人类创造智能机器所涉及的
多种方法与技术，涉及机器学习、数据挖掘、计算机视
觉、专家系统、自然语言理解、智能检索、模式识别和
智能机器人等领域。人工智能的长期目标是建立与人类
水平相当的机器智能。
2. 本书的特色
从目前市场上看，有关人工智能导论、人工智能原
理等的书籍较多，并各有特色。在编写本书的过程中，
作者结合了多年的教学经验。首先，作者注重本书的现
代性，现在人工智能已进入第2个发展阶段，并已形成
“新一代人工智能”，这个时期人工智能的技术发展特
点体现在以深度人工智能学习（特别是其中的卷积神经
网络）为代表的机器学习方法的技术内容上；其次，注
重本书的实用性，从人工智能发展的经验与教训来看，
应用的受限一直是人工智能发展的主要瓶颈，每当人工
智能应用受到阻碍时就出现了人工智能发展的低潮，要
保持人工智能的发展就必须不断促使人们将人工智能的
相关理论方法与实践操作结合起来，这样才能使人们对
于人工智能未来的发展有明晰的理解，明确今后努力的
方向；最后，要注重本书的引导性，本书是人工智能的
基础性读物，它具有入门性与引导性的作用。人工智能
是一门前沿交叉学科，其内容涉及从理论、开发到应用
，从上游、中游到下游等多个方面，但它不是一本百科
全书，在编写中必须坚持其入门性与引导性的原则，既
要让读者对人工智能学科有一个全面、整体、系统的了
解与认识，也要在全面阐述的基础上突出介绍具有新一
代技术发展特点的机器学习内容，同时通过实例让读者
能够进行实践性学习。
人工智能是一门正在快速发展的新兴学科，新的理
论、方法、技术及新的应用领域不断涌现，尽管作者对
本书的撰写付出了很多努力，但由于视野和水平的限制
，书中仍有不足之处，恳请专家、同行不吝赐教，也希
望广大读者提出宝贵意见和建议。