目錄
第一部分 人工智能概述
第1章 緒論 1
1.1 引言 1
1.2 人工智能的定義 2
1.3 人工智能的研究目標(biāo)和內(nèi)容 3
1.3.1 人工智能的研究目標(biāo) 3
1.3.2 人工智能的研究內(nèi)容 3
1.4 人工智能簡史 5
1.5 人工智能的學(xué)派 7
第2章 人工智能的發(fā)展趨勢 10
2.1 引言 10
2.2 感知智能邁向認(rèn)知智能 11
2.3 專用智能邁向通用智能 12
2.4 多模態(tài)融合 13
2.5 具身智能 13
2.6 小結(jié) 14
第3章 人工智能的應(yīng)用 15
3.1 引言 15
3.2 人工智能在醫(yī)療領(lǐng)域的應(yīng)用 15
3.3 人工智能在交通領(lǐng)域的應(yīng)用 17
3.4 人工智能在安防領(lǐng)域的應(yīng)用 19
3.5 人工智能在金融領(lǐng)域的應(yīng)用 21
3.6 人工智能在農(nóng)業(yè)領(lǐng)域的應(yīng)用 22
3.7 小結(jié) 24
第4章 知識表示 25
4.1 引言 25
4.2 知識的概念 26
4.2.1 知識的定義 26
4.2.2 知識的特點(diǎn) 26
4.2.3 知識的表示 26
4.3 一階謂詞表示法 28
4.3.1 謂詞及謂詞公式 28
4.3.2 語法元素 28
4.3.3 謂詞的階 29
4.3.4 謂詞公式 29
4.4 產(chǎn)生式表示法 30
4.4.1 基本產(chǎn)生式表示法 30
4.4.2 BNF范式 31
4.4.3 產(chǎn)生式系統(tǒng) 31
4.5 框架表示法 32
4.5.1 基本概念 32
4.5.2 具體方法 33
4.6 面向?qū)ο蟊硎痉?34
4.6.1 基本概念 34
4.6.2 面向?qū)ο蟮闹�識表示 34
4.7 知識圖譜表示法 35
4.7.1 本體介紹 35
4.7.2 具體方法 35
4.8 小結(jié) 38
第5章 推理技術(shù) 39
5.1 引言 39
5.2 推理技術(shù)概述 39
5.2.1 發(fā)展概況 39
5.2.2 推理分類 40
5.3 演繹推理 40
5.3.1 基本概念 40
5.3.2 演繹推理方法 41
5.3.3 一階邏輯的推理 41
5.4 歸納推理 42
5.4.1 基本概念 42
5.4.2 歸納推理方法 43
5.5 概率推理 43
5.5.1 不確定性推理 43
5.5.2 基本概念 44
5.5.3 概率推理方法 44
5.6 綜合應(yīng)用案例 45
5.7 小結(jié) 47
第6章 搜索策略 48
6.1 引言 48
6.2 搜索策略概述 48
6.2.1 搜索策略的定義 48
6.2.2 搜索的基本組件 49
6.3 盲目搜索算法 50
6.3.1 廣度優(yōu)先搜索 50
6.3.2 深度優(yōu)先搜索 51
6.3.3 DFS和BFS的比較 52
6.4 啟發(fā)式搜索算法 53
6.4.1 啟發(fā)式函數(shù) 53
6.4.2 A*搜索算法 53
6.4.3 貪心最佳優(yōu)先搜索算法 54
6.5 局部搜索算法 55
6.5.1 爬山算法 55
6.5.2 模擬退火算法 56
6.5.3 遺傳算法 56
6.6 約束滿足問題 57
6.6.1 約束滿足問題的定義 57
6.6.2 回溯搜索算法 58
6.6.3 前向檢查 58
6.7 搜索策略的評估和選擇 59
6.7.1 搜索策略的效率和復(fù)雜性 59
6.7.2 案例研究和實(shí)際應(yīng)用示例 60
6.8 未來趨勢和挑戰(zhàn) 61
6.8.1 搜索策略的最新發(fā)展 61
6.8.2 搜索策略面臨的挑戰(zhàn) 61
6.9 小結(jié) 61
第7章 人工智能大模型 63
7.1 引言 63
7.2 大模型的定義 63
7.3 大模型的發(fā)展歷程 65
7.4 大模型的分類 66
7.5 小結(jié) 71
第二部分 機(jī)器學(xué)習(xí)關(guān)鍵技術(shù)
第8章 機(jī)器學(xué)習(xí)概述 72
8.1 引言 72
8.2 機(jī)器學(xué)習(xí)的歷史 73
8.3 機(jī)器學(xué)習(xí)的基本原理 74
8.3.1 監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí) 74
8.3.2 機(jī)器學(xué)習(xí)生命周期 76
8.4 機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域 77
第9章 分類與回歸 79
9.1 引言 79
9.2 任務(wù)概述 79
9.2.1 監(jiān)督學(xué)習(xí)基礎(chǔ) 79
9.2.2 應(yīng)用場景與重要性 80
9.3 分類任務(wù) 80
9.3.1 二分類與多分類 80
9.3.2 常見的分類算法 81
9.3.3 分類模型評估 82
9.4 回歸任務(wù) 83
9.4.1 線性回歸 83
9.4.2 常見的回歸算法 84
9.4.3 回歸模型評估 84
9.5 經(jīng)典案例 85
9.5.1 分類問題案例分析 85
9.5.2 回歸問題案例分析 87
9.6 未來發(fā)展趨勢 88
9.7 小結(jié) 89
第10章 決策樹 91
10.1 引言 91
10.2 決策樹的生成 92
10.3 分類樹 94
10.4 回歸樹 95
10.5 剪枝 96
10.6 小結(jié) 98
第11章 神經(jīng)網(wǎng)絡(luò) 99
11.1 引言 99
11.2 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 100
11.3 前饋神經(jīng)網(wǎng)絡(luò) 102
11.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 103
11.5 卷積神經(jīng)網(wǎng)絡(luò) 106
11.6 小結(jié) 109
第12章 支持向量機(jī) 111
12.1 引言 111
12.2 間隔與支持向量 111
12.2.1 函數(shù)間隔與幾何間隔 112
12.2.2 間隔最大化 113
12.2.3 支持向量 113
12.3 對偶問題 114
12.4 線性支持向量機(jī) 115
12.4.1 軟間隔 115
12.4.2 合頁損失函數(shù) 117
12.5 核技巧與非線性支持向量機(jī) 118
12.5.1 核技巧 118
12.5.2 非線性支持向量機(jī) 120
12.6 小結(jié) 121
第13章 聚類 122
13.1 引言 122
13.2 相似度或距離 123
13.3 性能度量 124
13.4 k均值聚類 126
13.4.1 聚類目標(biāo) 126
13.4.2 算法 127
13.5 高斯混合聚類 128
13.5.1 高斯混合模型 128
13.5.2 期望極大化算法估計參數(shù) 129
13.6 密度聚類 131
13.7 小結(jié) 133
第14章 集成學(xué)習(xí) 135
14.1 引言 135
14.2 Bagging算法與隨機(jī)森林算法 136
14.2.1 Bagging算法 136
14.2.2 隨機(jī)森林算法 139
14.3 Boosting算法 140
14.3.1 AdaBoost算法 140
14.3.2 梯度提升算法 143
14.4 模塊融合策略 144
14.4.1 投票法 144
14.4.2 平均法 145
14.5 多樣性 145
14.5.1 誤差-分歧分解 145
14.5.2 多樣性測量指標(biāo) 147
14.6 小結(jié) 148
第三部分 人工智能應(yīng)用實(shí)戰(zhàn)
第15章 復(fù)雜場景下的人臉識別系統(tǒng) 150
15.1 引言 150
15.2 人臉識別介紹 151
15.3 FaceNet 152
15.3.1 模型結(jié)構(gòu) 152
15.3.2 三元組損失函數(shù) 153
15.3.3 三元組選擇策略 154
15.4 人臉識別數(shù)據(jù)集 154
15.5 算法實(shí)現(xiàn) 155
15.5.1 加載數(shù)據(jù)集 155
15.5.2 定義模型 157
15.5.3 損失計算 159
15.5.4 模型訓(xùn)練 160
15.6 人臉識別實(shí)踐 163
15.6.1 實(shí)驗設(shè)置 163
15.6.2 實(shí)驗結(jié)果 163
15.7 小結(jié) 164
第16章 多目標(biāo)跨攝像頭的實(shí)時行人重識別系統(tǒng) 166
16.1 引言 166
16.2 行人重識別介紹 166
16.3 行人重識別算法介紹 168
16.3.1 非局部注意力機(jī)制的融合 169
16.3.2 廣義平均池化 169
16.3.3 加權(quán)正則化的三元組損失函數(shù) 169
16.3.4 中心損失函數(shù) 169
16.3.5 分類損失函數(shù) 170
16.3.6 訓(xùn)練策略 170
16.4 行人重識別數(shù)據(jù)集 171
16.5 算法實(shí)現(xiàn) 171
16.5.1 定義數(shù)據(jù)集 171
16.5.2 定義模型 174
16.5.3 定義損失函數(shù) 178
16.5.4 模型訓(xùn)練 180
16.6 行人重識別實(shí)踐 181
16.6.1 實(shí)驗設(shè)置 181
16.6.2 實(shí)驗結(jié)果 181
16.7 小結(jié) 182
第17章 單階段實(shí)時目標(biāo)檢測系統(tǒng) 184
17.1 引言 184
17.2 基于深度學(xué)習(xí)的目標(biāo)檢測算法 186
17.2.1 兩階段目標(biāo)檢測器 186
17.2.2 單階段目標(biāo)檢測器 188
17.3 YOLO目標(biāo)檢測框架 189
17.3.1 邊界框的位置參數(shù) 191
17.3.2 邊界框的置信度 192
17.3.3 類別置信度 192
17.4 YOLOv8目標(biāo)檢測實(shí)踐 193
17.4.1 YOLOv8快速安裝及使用 194
17.4.2 模型訓(xùn)練 196
17.4.3 模型驗證 197
17.4.4 模型預(yù)測 198
17.5 小結(jié) 200
第18章 基于對抗攻擊的圖像/視頻安全攻防系統(tǒng) 202
18.1 引言 202
18.2 對抗樣本攻擊介紹 203
18.2.1 基于優(yōu)化的對抗攻擊 203
18.2.2 基于梯度的對抗攻擊 204
18.2.3 基于敏感特征的對抗攻擊 204
18.2.4 基于幾何變換的對抗攻擊 205
18.2.5 基于生成模型的對抗攻擊 205
18.3 對抗防御簡介 206
18.3.1 對抗樣本存在的原因 206
18.3.2 對抗防御手段 207
18.4 FGSM對抗攻擊實(shí)踐 207
18.4.1 數(shù)據(jù)集說明與使用 208
18.4.2 訓(xùn)練蜜蜂與螞蟻?zhàn)R別網(wǎng)絡(luò) 210
18.4.3 FGSM對抗攻擊 214
18.5 小結(jié) 216
第19章 基于面部視頻流數(shù)據(jù)的抑郁癥輔助診斷系統(tǒng) 218
19.1 引言 218
19.2 面部表情識別與抑郁癥識別 219
19.3 抑郁癥數(shù)據(jù)集的制作及使用 221
19.3.1 抑郁癥數(shù)據(jù)收集 221
19.3.2 公開的抑郁癥數(shù)據(jù)集 222
19.4 面部視頻流抑郁癥識別實(shí)踐 223
19.4.1 視頻流數(shù)據(jù)采樣 223
19.4.2 人臉檢測與剪裁 224
19.4.3 預(yù)訓(xùn)練模型的特征提取 226
19.4.4 基于面部表情的抑郁癥識別 227
19.5 小結(jié) 228
第20章 基于多模態(tài)的抑郁癥輔助診斷系統(tǒng) 230
20.1 引言 230
20.2 基于多模態(tài)的抑郁癥識別 231
20.3 基于多模態(tài)的抑郁癥識別實(shí)踐 234
20.3.1 圖像特征提取 234
20.3.2 音頻特征提取 235
20.3.3 文本特征提取 237
20.3.4 多模態(tài)特征融合 239
20.4 小結(jié) 240
第21章 基于終身學(xué)習(xí)的抑郁癥輔助診斷系統(tǒng) 242
21.1 引言 242
21.2 終身學(xué)習(xí)研究現(xiàn)狀 243
21.2.1 基于樣本重演的終身學(xué)習(xí)方法 244
21.2.2 基于正則化的終身學(xué)習(xí)方法 244
21.2.3 基于參數(shù)孤立的終身學(xué)習(xí)方法 245
21.3 持續(xù)表征對比學(xué)習(xí) 245
21.3.1 全局與局部混合數(shù)據(jù)對比一致性學(xué)習(xí) 246
21.3.2 持續(xù)表征融合 248
21.4 終身學(xué)習(xí)算法實(shí)踐 249
21.5 小結(jié) 252
參考文獻(xiàn) 253