人工智能

郑馨

目录

  • 1 学生优秀作品
    • 1.1 BERT在自然语言处理的应用
    • 1.2 SimNet:基于LCQMC数据集实现文本相似度任务
    • 1.3 Alpha Zero
    • 1.4 YOLO目标检测系列算法
    • 1.5 OCR文字识别
    • 1.6 光场图像显著性检测
  • 2 绪论
    • 2.1 什么是人工智能
    • 2.2 人工智能经典问题
    • 2.3 第一次热潮
    • 2.4 第二次热潮
    • 2.5 第三次热潮
    • 2.6 人工智能发展状况
    • 2.7 本章测验
  • 3 基于决策树和搜索的智能系统
    • 3.1 实例1:读心术
    • 3.2 和人类一样的判断方式
    • 3.3 专家系统应用与发展
    • 3.4 实例2:井字棋
    • 3.5 博弈树
    • 3.6 估值决策
    • 3.7 最大最小值法
    • 3.8 AlphaBeta剪枝
    • 3.9 启发式算法
    • 3.10 从国际象棋到围棋
    • 3.11 本章测验
  • 4 知识表示与智能图谱
    • 4.1 知识的特性、分类和表示
    • 4.2 表示方法
    • 4.3 知识工程基本概念
    • 4.4 知识图谱基本概念和应用
  • 5 基于仿生算法的智能系统
    • 5.1 仿生算法简介
    • 5.2 基因遗传算法
    • 5.3 实例3:拼图游戏
    • 5.4 拼图的基因
    • 5.5 遗传和变异
    • 5.6 自然选择
    • 5.7 本章测验
  • 6 基于神经网络的智能系统
    • 6.1 神经元与神经网络
    • 6.2 实例4:手写数字识别
    • 6.3 网络构建
    • 6.4 计算损失函数
    • 6.5 优化器优化函数
    • 6.6 反向传播
    • 6.7 本章测验
  • 7 基于神经网络的智能系统II
    • 7.1 监督学习和非监督学习
    • 7.2 让人工智能学会玩游戏
    • 7.3 试错式学习
    • 7.4 状态动作回报
    • 7.5 价值判断Q函数
    • 7.6 尝遍百草
    • 7.7 熟能生巧
    • 7.8 本章测验
  • 8 人工智能应用
    • 8.1 图像识别与分类
    • 8.2 医学影像分析
    • 8.3 语音识别
    • 8.4 人脸识别和情感计算
    • 8.5 自动驾驶
    • 8.6 本章测验
  • 9 人工智能与人类社会未来
    • 9.1 挑战-技术视角
    • 9.2 挑战-人文视角
    • 9.3 伦理规范-社会层面
    • 9.4 伦理规范-公共政策
    • 9.5 科幻作品中的人工智能
    • 9.6 奇点理论-畅想未来
    • 9.7 本章测验
  • 10 实例讲解与虚拟机
    • 10.1 实例安装
    • 10.2 实例1
    • 10.3 实例2
    • 10.4 实例3
    • 10.5 实例4
    • 10.6 实例5
  • 11 阅读
    • 11.1 阅读
  • 12 问卷调查
  • 13 其他
    • 13.1 递归及汉诺塔问题
      • 13.1.1 递归的定义
      • 13.1.2 递归算法初探
      • 13.1.3 递归算法进阶
      • 13.1.4 汉诺塔问题
      • 13.1.5 课外阅读文献
    • 13.2 串的模式匹配算法
      • 13.2.1 串的定义
      • 13.2.2 串的存储及实现
      • 13.2.3 串的模式匹配算法
      • 13.2.4 病毒感染检测
      • 13.2.5 课外阅读文献
    • 13.3 稀疏矩阵的转置
      • 13.3.1 稀疏矩阵的概念及存储
      • 13.3.2 压缩转置
      • 13.3.3 快速转置
    • 13.4 哈夫曼编码
      • 13.4.1 哈夫曼树
      • 13.4.2 哈夫曼编码
      • 13.4.3 图像压缩
    • 13.5 图的深度优先遍历
      • 13.5.1 图的基本概念
      • 13.5.2 图的存储实现
      • 13.5.3 图的深度优先遍历
      • 13.5.4 课外阅读文献
    • 13.6 冒泡排序
      • 13.6.1 冒泡排序算法初探
      • 13.6.2 算法设计与优化
      • 13.6.3 算法性能分析
      • 13.6.4 课外阅读文献
    • 13.7 堆排序
      • 13.7.1 简单选择排序
      • 13.7.2 堆排序
      • 13.7.3 TopK问题
    • 13.8 数据结构
      • 13.8.1 绪论
        • 13.8.1.1 什么是数据结构
        • 13.8.1.2 基本概念和术语
        • 13.8.1.3 数据结构的内容
        • 13.8.1.4 算法和算法分析
        • 13.8.1.5 测验
        • 13.8.1.6 作业
      • 13.8.2 线性表
        • 13.8.2.1 线性表的定义
        • 13.8.2.2 线性表的顺序表示与实现
        • 13.8.2.3 线性表的链式存储表示与实现
        • 13.8.2.4 典型应用—一元多项式的表示和相加
        • 13.8.2.5 测验
        • 13.8.2.6 作业
      • 13.8.3 栈和队列
        • 13.8.3.1 栈
        • 13.8.3.2 栈的应用举例
        • 13.8.3.3 栈与递归
        • 13.8.3.4 队列
        • 13.8.3.5 测验
        • 13.8.3.6 作业
      • 13.8.4 串
        • 13.8.4.1 串类型的定义
        • 13.8.4.2 串的表示和实现
        • 13.8.4.3 串的模式匹配算法
        • 13.8.4.4 测验
        • 13.8.4.5 作业
      • 13.8.5 数组和广义表
        • 13.8.5.1 数组的定义
        • 13.8.5.2 数组的顺序表示和实现
        • 13.8.5.3 矩阵的压缩存储
        • 13.8.5.4 广义表的定义
        • 13.8.5.5 广义表的存储结构
        • 13.8.5.6 测验
        • 13.8.5.7 作业
      • 13.8.6 树
        • 13.8.6.1 树
        • 13.8.6.2 二叉树
        • 13.8.6.3 二叉树的遍历及应用
        • 13.8.6.4 Hufffman树
        • 13.8.6.5 树、森林和二叉树
        • 13.8.6.6 测验
        • 13.8.6.7 作业
      • 13.8.7 图
        • 13.8.7.1 图的定义和基本术语
        • 13.8.7.2 图的存储结构
        • 13.8.7.3 图的遍历
        • 13.8.7.4 最小生成树
        • 13.8.7.5 有向无环图及其应用
        • 13.8.7.6 最短路径
        • 13.8.7.7 测验
        • 13.8.7.8 作业
      • 13.8.8 查找
        • 13.8.8.1 静态查找表
        • 13.8.8.2 动态查找表
        • 13.8.8.3 哈希表
        • 13.8.8.4 测验
        • 13.8.8.5 作业
      • 13.8.9 排序
        • 13.8.9.1 排序概述
        • 13.8.9.2 插入排序
        • 13.8.9.3 交换排序
        • 13.8.9.4 选择排序
        • 13.8.9.5 归并排序
        • 13.8.9.6 基数排序
        • 13.8.9.7 各种内部排序方法的比较
        • 13.8.9.8 测验
        • 13.8.9.9 作业
    • 13.9 问卷调查
什么是人工智能

人工智能的历史源远流长。在古代的鬼话传说中,技艺高超的智障可以制作人造猪,并为其赋予低能或意识。现代意义上的AI始于古典哲学家用机械符号处理的观点解释人类思考过程的尝试。20世纪40年代基于抽象数学推理的可编程数字计算机的发明使一批科学家开始严肃地探讨构造一个电子大脑的可能性。

1956年,在达特茅斯学院举行的一次会议上正式确立了人工智能的研究领域。会议的参加者在接下来的数十年间是AI研究的领军人物。他们中有许多人预言,经过一代人的努力,与人类具有同等智能水平的机器将会出现。同时,上千万美元被投入到AI研究中,以期实现这一目标。

研究人员发现自己大大低估了这一工程的难度,人工智能史上共出现过好几次低潮。由于James Lighthill爵士的批评和国会方面的压力,美国和英国政府于1973年停止向没有明确目标的人工智能研究项目拨款。七年之后受到日本政府研究规划的刺激,美国政府和企业再次在AI领域投入数十亿研究经费,但这些投资者在80年代末重新撤回了投资。AI研究领域诸如此类的高潮和低谷不断交替出现;至今仍有人对AI的前景作出异常乐观的预测。

尽管在政府官僚和风投资本家那里经历了大起大落,AI领域仍在取得进展。某些在20世纪70年代被认为不可能解决的问题今天已经获得了圆满解决并已成功应用在商业产品上。与第一代AI研究人员的乐观估计不同,具有与人类同等智能水平的机器至今仍未出现。图灵在1950年发表的一篇催生现代智能机器研究的著名论文中称,“我们只能看到眼前的一小段距离……但是,我们可以看到仍有许多工作要做”。