中图网

>

计算机教材

人工智能新视野

作者：张自力

出版社：科学出版社出版时间：2021-08-01

开本：其他页数： 328

本类榜单：计算机/网络销量榜

中图价:¥65.6(8.3折) 定价 ~~¥79.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满69元免运费

?快递不能达地区使用邮政小包，运费14元起

云南、广西、海南、新疆、青海、西藏六省，部分地区快递不可达

本类五星书更多>

>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

¥11.3¥45
>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥28.2¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥55.2¥69
>
第一行代码Android

第一行代码Android

¥76.2¥99
>
C Primer Plus 第6版中文版

C Primer Plus 第6版中文版

¥75.6¥108
>
深度学习

深度学习

¥82.3¥168
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

¥43.5¥79

商品详情
商品评论(0条)

中图价:¥65.6 加入购物车

版权信息
内容简介
目录
节选

微信公众号

人工智能新视野版权信息

ISBN：9787030488107
条形码：9787030488107 ; 978-7-03-048810-7
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
计算机教材

人工智能新视野内容简介

本书从仿生学的角度,阐述AI面临的挑战和前沿研究方向,同时融入作者在AI研究中部分近期新成果。反映了人工智能发展的近期新动态，为生物信息学或其他学科的特征分析提供手段和方法，为研究和开发更高层次的human-like智能打下基础。本书强调新视野、优选性、实用性和可读性，书中涉及的经典例子和算法都将提供程序实现，附在随书光盘中。

人工智能新视野目录

目录
**部分生物启发的人工智能
第1章人工智能发展简况1
1.1 人工智能领域主要研究成就回顾1
1.1.1 1956年：人工智能的信息处理观2
1.1.2 20世纪60年代：启发式搜索与知识表示3
1.1.3 20世纪80年代：人工神经网络4
1.1.4 20世纪90年代：物化与多代理系统5
1.1.5 21世纪：符号动力学5
1.1.6 我国的人工智能研究6
1.2 人工智能的发展10
1.2.1 从图灵测试到IBM的沃森10
1.2.2 谷歌的智能机器未来12
1.2.3 百度大脑14
1.2.4 微软智能生态16
1.2.5 脸书的深脸18
1.2.6 三大突破让人工智能近在眼前19
1.3 生物启发的人工智能发展里程碑20
1.3.1 遗传算法与进化计算21
1.3.2 神经网络21
1.3.3 群体智能22
1.4 小结22
参考文献23
第2章进化计算、遗传算法与人工生命25
2.1 受生物启发的计算25
2.1.1 受生物启发的计算科学：康庄大道还是荆棘丛生？25
2.1.2 什么是受生物启发的计算？26
2.1.3 生物学在计算科学研究中的多重角色27
2.2 进化计算28
2.2.1 什么是进化计算？28
2.2.2 进化计算的基本框架与主要特点30
2.2.3 进化计算的分类32
2.2.4 进化计算的若干关键问题32
2.3 遗传算法35
2.3.1 遗传算法的概述36
2.3.2 遗传算法的理论基础38
2.3.3 遗传算法的基本思想40
2.3.4 遗传算法的一个简单的应用实例44
2.4 人工生命46
2.4.1 机器人学1：包容性架构48
2.4.2 机器人学2：受细菌活动启发的机器人趋向性技术49
2.4.3 机器人学3：能量和容错性控制50
2.5 小结51
参考文献51
第3章神经计算52
3.1 人工神经网络相关介绍52
3.1.1 人工神经网络的起源与发展52
3.1.2 人工神经网络的应用53
3.1.3 小结54
3.2 Hopfield神经网络54
3.2.1 Hopfield神经网络概述54
3.2.2 Hopfield神经网络联想记忆55
3.3 博弈与神经网络的结合57
3.3.1 博弈论概述57
3.3.2 博弈模型与神经网络模型结合的学习模型58
3.4 自组织特征映射网络（SOM）65
3.4.1 快速SOM文本聚类法65
3.4.2 朴素贝叶斯与SOM相结合的混合聚类算法66
3.5 神经芯片与人工生命67
3.5.1 神经芯片的发展及其应用68
3.5.2 人工生命的相关应用69
3.6 深度学习71
3.6.1 深度学习的基本思想71
3.6.2 深度学习的典型结构71
3.6.3 深度学习的应用77
3.6.4 深度学习现状及前景分析80
3.7 人工神经网络与医学影像81
3.7.1 人工神经网络与医学影像概述81
3.7.2 基于人工神经网络的脑成像分类模型介绍82
参考文献84
第4章群体智能87
4.1 群体智能基本思想87
4.1.1 思想来源87
4.1.2 群体智能的优点及求解问题类型88
4.2 蚁群算法88
4.2.1 蚁群算法主要思想89
4.2.2 蚁群算法基本实现90
4.2.3 蚁群算法应用93
4.3 粒子群优化算法95
4.3.1 基本粒子群优化算法原理95
4.3.2 粒子群优化算法的改进研究97
4.3.3 粒子群优化算法的相关应用99
参考文献101
第5章变形虫模型与应用105
5.1 变形虫的生物学机理105
5.1.1 迷宫实验106
5.1.2 自适应网络设计实验107
5.2 变形虫模型109
5.2.1 Jones多Agent模型说明109
5.2.2 Gunji等CELL模型说明110
5.2.3 Tero等数学模型说明112
5.3 多Agent模型系统113
5.3.1 系统相关介绍114
5.3.2 模拟变形虫网络118
5.3.3 迷宫求解120
5.4 变形虫IBTM模型系统122
5.4.1 IBTM改进策略介绍122
5.4.2 IBTM模型算法描述125
5.4.3 IBTM模型仿真实验125
5.5 数学模型系统应用129
5.5.1 变形虫多入口多出口数学模型129
5.5.2 基于变形虫多入口多出口模型改进蚁群算法129
5.5.3 实验分析130
5.6 小结134
参考文献135
第6章智能Agent与多Agent系统137
6.1 智能Agent与Agent模拟软件137
6.1.1 NetLogo138
6.1.2 Swarm138
6.1.3 Repast138
6.1.4 TNG Lab139
6.2 基于Agent的生物免疫系统模拟139
6.2.1 生物免疫系统建模的基本方法139
6.2.2 生物免疫系统建模的方法对比141
6.2.3 基于Agent的生物免疫系统建模方法142
6.2.4 基于Agent免疫系统建模展望145
6.3 基于Agent的经济模拟146
6.3.1 经济与复杂性146
6.3.2 基于Agent的计算经济学147
6.3.3 经济系统模拟案例150
参考文献159
第二部分人工智能热门研究问题
第7章 AI研究热点161
7.1 人工智能与机器学习161
7.1.1 机器学习简述162
7.1.2 机器学习研究热点（1）——表示学习162
7.1.3 机器学习研究热点（2）——机器学习理论研究163
7.1.4 机器学习研究热点（3）——基于人类认知的学习方法164
7.1.5 机器学习研究热点（4）——复杂问题的遗传编程求解165
7.2 人工智能与交叉学科166
7.2.1 人工智能在交叉学科中的应用简述166
7.2.2 人工智能在交叉学科中的应用（1）——AI与经济学166
7.2.3 人工智能在交叉学科中的应用（2）——AI与算法生物学168
7.2.4 人工智能在交叉学科中的应用（3）——AI与人类计算169
7.3 人工智能与自然语言处理170
7.3.1 自然语言处理简述170
7.3.2 自然语言处理研究热点（1）——AI与语言学170
7.3.3 自然语言处理研究热点（2）——AI与自然语言理解171
7.4 人工智能与数据科学172
7.4.1 异构数据的信息提取172
7.4.2 社交网络中的信任关系研究173
7.4.3 大规模社交媒体数据分析174
7.4.4 基于社交媒体的应用（1）——事件检测与预测175
7.4.5 基于社交媒体的应用（2）——市场预测177
7.5 人工智能与多Agent系统178
7.5.1 多Agent系统的理论研究（1）——奖励机制178
7.5.2 多Agent系统的理论研究（2）——协作机制179
7.5.3 多Agent系统的理论研究（3）——联盟机制180
7.5.4 多Agent系统的理论研究（4）——优化选择182
7.5.5 人工智能与机器人研究（1）——自动驾驶汽车183
7.5.6 人工智能与机器人研究（2）——与机器人对话184
7.5.7 人工智能与机器人研究（3）——多机器人控制185
7.6 人工智能与逻辑学186
7.6.1 逻辑学简述186
7.6.2 逻辑学研究热点（1）——人类级AI187
7.6.3 逻辑学研究热点（2）——结合逻辑与统计概率AI188
7.6.4 逻辑学研究热点（3）——验证信息物理融合系统190
7.6.5 逻辑学研究热点（4）——AI与描述逻辑191
7.7 人工智能与语义学192
7.7.1 语义学简述192
7.7.2 语义学研究热点（1）——语义网络192
7.7.3 语义学研究热点（2）——多模态感知人类非语言行为194
7.7.4 语义学研究热点（3）——AI和本体技术195
7.7.5 语义学研究热点（4）——语义技术应用196
7.7.6 语义学研究热点（5）——关联数据分析197
7.8 人工智能与可视化198
7.8.1 可视化简述198
7.8.2 可视化研究热点（1）——可视化搜索与分析198
7.8.3 可视化研究热点（2）——计算摄影中的图像统计199
7.8.4 可视化研究热点（3）——视觉场景的学习表示201
7.9 小结202
参考文献202
第8章 Turing开创性工作对人工智能研究的启示208
8.1 Turing与人工智能208
8.1.1 孕育人工智能的自然科学208
8.1.2 承载人工智能的计算机科学211
8.1.3 激励人工智能的交叉学科212
8.2 人工智能的发展213
8.3 计算机界的诺贝尔奖——Turing奖214
参考文献214
第三部分建模、模拟与应用
第9章社会网络分析215
9.1 基于微博的热点信息发现215
9.1.1 研究内容216
9.1.2 利用外部知识库挖掘热点话题216
9.1.3 基于MA-LDA挖掘热点话题217
9.1.4 基于LDA与MA-LDA挖掘热点话题比较217
9.2 中文微博情感分析222
9.2.1 研究内容222
9.2.2 情感分析模型222
9.2.3 文本预处理与词典构建223
9.2.4 特征值统计方法223
9.2.5 多模型分类结果比较224
9.3 中文微博实体链接225
9.3.1 研究内容225
9.3.2 链接整体框架225
9.3.3 构建实体词典226
9.3.4 模型设计227
9.5 社交网络推荐系统230
9.5.1 研究内容230
9.5.2 基于社交标注网络的推荐系统230
9.5.3 基于隐马尔可夫模型的位置推荐系统232
9.5.4 信任传播推荐系统233
9.5.5 基于多属性的概率矩阵分解推荐系统238
9.6 链接预测241
9.6.1 研究内容241
9.6.2 社会化网络的链接预测241
9.7 小结243
参考文献244
第10章语义网技术及其应用245
10.1 语义网技术及其在资源整合中的应用245
10.1.1 语义网的概念和体系结构245
10.1.2 本体简介247
10.1.3 基于语义网技术的资源整合方法250
10.1.4 语义网技术在资源整合中的应用251
10.2 语义网技术在农业农村信息化中的应用257
10.2.1 农业农村信息化257
10.2.2 语义网技术在柑橘种植中的应用257
10.2.3 基于语义网技术的柑橘施肥决策

展开全部

人工智能新视野节选

**部分生物启发的人工智能第1章人工智能发展简况人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是计算机科学的一个重要分支，被认为是21世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。自从“人工智能”一词于1956年在美国达特茅斯提出以来，人工智能发展迅速，取得了惊人的成就，对我们的日常生活产生了深远的影响，许多专有的AI系统在我们日常使用的汽车、笔记本电脑、智能手机等中均存在。它的诞生与发展是20世纪*伟大的科学成就之一，也是新世纪中引领未来发展的主导学科之一。随着21世纪人类全面进入信息社会，信息成为*关键的战略物资之一，人类对智能化的追求将导致“智能革命”，即人的自然智能通过人工智能的模仿和扩展。毫无疑问，未来AI对我们生活的影响将进一步增加，并使人与机器之间已经模糊的边界更加模糊。人工智能在机器人、模式识别、自然语言处理、智能规划、博弈、搜索、自动定理证明和专家系统等领域具有非常广泛的应用。本章简要概述在人工智能诞生近60年来，在该领域国内外取得的突出成就。在此基础上，通过对IBM、谷歌等国际大公司在AI领域的发展战略介绍，让读者对人工智能的实际应用有一个概貌性的认识。由于本书的重点在于介绍生物启发的人工智能（Bio-Inspired AI），因此在1.3节，对生物启发的人工智能的发展里程碑予以必要的点击。*后，作为本章的小结，也是对AI的展望，对斯坦福大学新近发布的“AI100研究计划”进行了简要的介绍。 1.1 人工智能领域主要研究成就回顾人工智能在过去近60年里，有许多事件令人称道。其一，AI被普遍认为是信息技术创新的*大驱动力量。*初计算机被人们看作只会计算的机器，是AI将其边界拓展，提出可能的愿景并开发相应的技术予以实现。其二，关于AI的应用，知识系统在20世纪70年代末还很稀少，而如今以Web方式无处不在。知识系统已能够例行处理金融与法律问题、诊断与维护电力系统、进行调度等。像谷歌这样的搜索引擎，其创新之处极大地依赖于信息提取、数据挖掘、语义网络及机器学习等在AI中率先发展起来的技术，复杂的语言处理能力现已嵌入像微软Word这样的文字处理系统中。上千万的人每天都在使用AI技术，尽管大家不一定知道或者不太明白为何这些信息系统如此聪明。人工智能领域过去近60年的研究与发展，成果卓著，试图在有限的篇幅进行全面的回顾是不太现实的，作者的能力也难以企及。为给读者尤其是准备涉足AI领域的读者一个概貌性的了解，本节从AI发展的几个时段进行简要回顾，并对我国学者在这一领域的主要成就做一简介。1.1.1～1.1.5节主要根据文献[1]第1章和文献[2]综合编译而成，1.1.6节主要参考陆汝钤院士等在IEEE智能系统杂志上的文章[3]。 1.1.1 1956年：人工智能的信息处理观在1956年达特茅斯的AI奠基会议上[4]，人们就清楚地理解并阐述了一个观点：大脑可以看作一部信息处理器。这一简单而强大的想法应该说是AI的开端。计算机即信息处理器的例子，当然，信息处理的概念是非常宽泛的。我们可以通过一个由很多状态构成的物理系统为例：在这一系统中，这些‘状态’可以系统地对应到‘信息状态’，而‘加工’则是将这些状态系统地转换为其他状态的同时，保持或实现某些（数学）功能。从生物学的角度来看，神经元是在一个更大网络中生长并生存的细胞，生物学家研究这些神经元如何工作及如何保持其自身，类似于他们研究肝脏细胞或免疫系统的方法。而信息处理观则引入了对大脑全新的认识，神经元或神经元网络被看成能够保持并转换信息的设备，相应的问题就变为：神经元保存了什么样的信息，而对这些信息又进行什么样的转换。从生化、电子观到信息处理观的转换，与生物学的其他领域，尤其是遗传、分子和发育生物学对信息产生重视，发生在同一时期，这是非常耐人寻味的。进入21世纪，信息处理观已占主导地位[5]。 AI并未直接回答神经信息处理的问题，而是从设计的角度切入：大脑到底需要什么样的信息处理才能展示出我们从生命有机体实际观察到的，令人惊叹的智能行为？例如，要从几分之一秒长的一段视频流中认出某一个人到底需要什么样的信息结构和加工过程？对充满歧义且具有复杂句法结构的自然语言句子进行分析，并依据特定情景进行解释，又需要什么样的信息处理？如何形成一个规划以实现复杂的协同行为，该规划又如何被执行、监督和调整？从原理上研究智能需要什么样的处理加工，具有两个方面的重要意义。其一，如果没有强大的工具来帮助我们理解神经网络系统可能是如何工作的，仅靠（Nuclear Magnetic Resonance Tmaging）（核磁共振成像）或正电子发射计算机断层扫描（Positron Emission Computed Tomography，PET），很难想象我们将能够真正理解数以亿计的神经元及其相互连接构成的复杂神经系统的工作原理。这就像我们在没有其他深入的知识，而仅有大致统计信息的情况下，试图理解每秒能执行几百万条指令的计算机以及由上千万计算机互联起来构成的互联网巨系统的结构和操作，是极其困难的。其二，神经与心理学观察，如脑成像、神经错乱、衰老的影响等，能够告诉我们大脑的某一部分参与了特定的认知活动，但却不能告诉我们为什么某种类型的加工处理是必须的。为了找到问题的答案，我们必须探寻其他的机制并研究其对性能的影响，即使有些机制并不出现在自然界中。信息处理是一种观点而非一个系统固有的性质。因此，计算机很适合用于研究自然信息处理系统的行为，用于测试一种理论是否有效也很直截了当。如果我们有一种想法，认为对某一项任务，某种特定的信息处理是必须的，则我们就可以建造一个人工系统来执行这一任务，任何人都能够观测此人工系统是否展现出所需的性能。信息处理观在研究大脑方面带来了一场真正的革命，在1956年达特茅斯AI奠基会议之后迅速传播开来，*初主要是对心理学和语言学带来了冲击，这一时期的代表人物有杰罗姆布鲁纳（Jerome Bruner）、乔治米勒（George Miller）、阿伦纽厄尔（Alan Newell）和希尔伯特西蒙（Herbert Simon）。信息处理观一经接受，下一步便是更加艰辛的工作以及找出更加详尽的具体的实例。*初，人们认为，或许可以找到像牛顿定律这样通用且简单的原理，可以解释所有的智能行为。于是，纽厄尔和西蒙提出了通用问题求解器，罗森布拉特（Rosenblatt）提出了感知器等。但逐渐地，随着人们试图解决越来越多的问题，人们清楚地认识到，智能需要海量的高度复杂的信息以及自适应程度很高的信息处理。明斯基（Minsky）很快就认识到，人的大脑是一台巨大的、分支复杂但运转灵活的组装电脑，而非人们一般认为的井井有条的通用机器，当然，这在生命系统中并非罕见，毕竟人体本身也是一台巨大的、分支复杂但运转灵活的组装电脑，含有无数交错的生化过程，且出故障的概率很高。实际上，令人惊叹的是，我们的身体很多时候运转得很好。绝大多数AI局外人（包括许多哲学家、神经科学家和心理学家）仍不太相信，要实现智能竟如此复杂。他们仍然希望存在某种捷径，能够使今天的视觉系统（对输入视频流进行过滤、分割与聚合并将其与复杂的自顶向下的期望刺激进行匹配）显得多余。他们或许也认为，自然语言处理不会太复杂，因为我们人脑能够快速且轻松地进行处理。这也折射出20世纪生物学家曾面临的困惑：他们难于接受所有生命*终都是由化学物质实现的。*初他们并不相信，人体具有高度复杂的高分子，具有高度复杂的新陈代谢周期，且这些周期很多是自组织的，并由其他分子所控制。几百年过去了，人们才接受分子生物学作为生命的物理基础。或许在信息处理的复杂性被完全接受以前，也需要更多的时间。与此同时，人们专注于信息处理观到底能干什么，而非争论其是否适合于用来研究智能。 1.1.2 20世纪60年代：启发式搜索与知识表示类似于万有引力定律这样的“通用智能”机制，或许永远都难以找到，其原因在于几乎所有的非平凡问题都隐含着组合爆炸。实际上，这也是人们从早期博弈类程序所汲取的教训。我们常常会碰到这样的情况：难以立即确定如何求解一个问题，从而需要搜索众多的途径。例如，一个句子中的每一个单词几乎都有多重含义，按句法就可以有多种划分。因此，适合一个完整句子的词法分析只有在仔细推敲不同的组合（搜索路径）之后才能找到，而有些搜索路径可能是死胡同。在自然语言处理中，可能的搜索路径增长极快，从而导致可能路径的组合爆炸，使我们不再能够考虑所有的可能。这样的组合爆炸见诸于视觉感知、路径规划、推理、专家问题求解、存储器存取等。实际上，在智能起作用的每一个领域都会出现。利用更强大的计算能力，可以在一定程度上对付组合爆炸问题，但在AI发展的*初10年（20世纪60年代）的关键洞察之一，就是组合爆炸的大数据迟早让人束手无策。因此，搜索必须配以知识的运用：特定领域和与任务相关的经验（启发式）规则可以快速减小搜索空间，指导问题求解程序尽可能快地找到一个合理的解。在20世纪60年代，AI的主要目标便是开发用于组织搜索过程的技术，在评估函数或规则中表达启发性信息，并在问题求解过程中试图学习启发式规则。AI的研究领域曾一度称为启发式搜索（Heuristic Search）。到20世纪60年代末期，人们已清楚地看到：启发式及有关问题领域信息的表示方式，对缩小搜索空间及应对现实世界的无限可变和噪声，起着非常关键的作用。这诱发了另一个突破性想法的出现：表示方式的改变意味着找到解或陷入搜索泥潭的根本不同，许多新的搜索问题应运而生，用来探索知识表示和知识处理的各种不同的架构。许多源自逻辑的思想注入到AI中，同时，AI也给逻辑提出了诸如非单调推理问题这样的新的挑战。与此同时，在专家问题求解或自然语言理解中可能需要的各种概念也得到深入研究，使用这些概念的系统也被建造出来以测试这些概念。*初，人们期望找出核心的概念原语，罗杰尚克（Roger Schank）的14个原语通用概念集便是一例[6]。但这样的想法并不实际，于是一些如道格拉斯莱纳特（Doug Lenat）领导的CYC等大型项目开始启动。CYC项目的目的是对人类所用的概念进行大规模分析，并以机器可用的形式保存起来，即构建一个巨大的人类常识库[7]。进入20世纪70年代，用于处理启发式搜索和知识表示的想法与技术已足够强大，可以用来建造实际应用系统。于是AI领域迎来了专家系统的**次浪潮，著名的系统有MYCIN、DENDRAL和PROSPECTOR。这些系统在医学或工程领域，设计成可以模仿专家求解问题，进而催生了根据知识层级模型对问题求解的更深入的分析[8]。大型会议、风险投资、创业公司、工业展览开始进入这一领域，从而彻底改变了AI。从80年代初开始，各种应用已成为AI不可分割的一部分。以应用为重点得以验证AI理论研究方向的正确性，但同时也意味着基础研究的步伐放缓。*初以理解智能为研究重点让位于更加实用化的研究计划，并追求有意义的实际应用，这一趋势至今仍在继续。 1.1.3 20世纪80年代：人工神经网络 AI的早期努力（包括达特茅斯奠基会议上讨论的）具有双重性质。一方面，我们很清楚AI需要应对“符号”处理，世界各地的AI实验室在这方面作出了主要贡献，使计算机和程序设计语言具有了强大的符号处理能力并建造了大型复杂的符号处理系统。另一方面，感知与模式识别则需要将符号结构与现实世界关联起来，似乎需要“次级符号”处理。符号世界与物理世界之间的鸿沟，需要以某种方式予以沟通。早期的神经网络（如罗森布拉特的感知器）已经表现出在两个世界间进行沟通的优势：通过连续信号以不同权重与阈值在网络中传播而非符号表达式之间的变换，对实现智能的某些方面显得更好些。当然，这并不意味着我们要抛弃信息处

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐