5w conge
cover

Book

人工智能（第3版）
Douban
[美] 史蒂芬·卢奇（Stephen Lucci） / [美] 丹尼·科佩克 translator: 王斌 / 王书鑫 publishing house: 人民邮电出版社 2023 - 11
本书系统、全面地讲解了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。 本书内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。 ◎编辑推荐： 1.人工智能经典教材，更加适合本科生、研究生使用。 2.新增深度学习、人工智能安全和人工智能编程等新进展、新成果； 3.图文并茂，结合人物轶事、应用之窗，提高趣味性和实用性； 4.章末提供习题，并附有解决方案，巩固知识、夯实基础； 5.突出人工智能发展中人的作用和贡献，体现了以人为本的人工智能； 6.本书附赠源代码文件、配套习题答案、配套教学视频以及教师可用的PPT教学课件。 ◎内容简介： 作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。 本书包括引言、基础知识、基于知识的系统、人工智能高级专题、人工智能的现在和未来以及安全与编程六部分内容。 第一部分从人工智能的定义讲起，对人工智能的早期历史、思维和智能的内涵、图灵测试、启发式方法、新千年人工智能的发展进行了简要论述。 第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。 第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN 等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，也介绍了机器学习、深度学习以及受到自然启发的搜索算法等。 第四部分介绍了自然语言处理和自动规划等高级专题。 第五部分对人工智能的历史和现状进行了梳理，回顾了几十年来人工智能所取得的诸多成就，并对其未来进行了展望。第六部分主要介绍人工智能的安全以及编程问题。

读过 人工智能（第3版） 🌕🌕🌕🌕🌑
本书英文版《Artificial Intelligence in the 21st Century》出版2022年，属于是计算机系高年级或研究生的教材，内容的深度与广度均超过梅拉妮·米歇尔的《AI 3.0》，当然也是一个大部头。书籍涵盖包括人工智能的历史、思维和智能之辩、图灵测试、搜索、博弈、知识表示、产生式系统、专家系统、机器学习、深度学习、自然语言处理、自动规划、遗传算法、模糊控制、安全等。更有专家小传，帮助读者认识此各个领域的专家的贡献。

衡量人工智能的标准有两个层次，“表现”​（performance）和“能力”​（competence），前者说的是看上去智能，后者说是表现出智能。比如图灵测试能衡量人工智能是不是表现的像人类，但无法测量它是否有了智能这种“能力”。这似乎相当于，机器可以做到某事，但不知道是自己是否是在做某事。实际上人工智能的发展，也是按照这两个思路进行的。追求能力的表现是试图用计算机语言描述并执行人类的问题解决策略，大致可被称为符号人工智能；追求表现的算法专注于模仿神经元处理信息的模式，被称为亚符号人工智能。

用于解决AI问题的三个最为流行的方法：搜索、知识表示和学习。

搜索：这类人工智能的任务主要被描述成在问题空间中的搜索问题。没有预设规则的搜索是盲目搜索，加入规则限制的被称为知情搜素或启发式搜索。而博弈问题可以被看作是搜素制胜局面的搜索问题。常见盲目搜索算法有广度优先，深度优先，迭代加深的深度优先算法，常见知情搜索有爬山法（hill climbing）​、最佳优先搜索（best- first search）和集束搜索（beam search）；A*搜索也是启发式算法。博弈问题因为搜索问题空间巨大，极小化极大算法配合剪枝算法能在给定时间给出有时是非最佳的下一步走子。

知识表示：博弈问题不能代替现实问题。现实问题中，需要解决的是在数据、事实、信息和知识根据问题寻求解决方案。这就设计知识表示的问题。搜索问题的搜索树是知识表示的一种方法。较为完整的知识表示法为：（1）图形草图。（2）图。（3）搜索树。（4）产生式系统。（5）面向对象。（6）框架。（7）脚本和概念依赖系统。（8）语义网络。（9）概念地图。（10）概念图。（11）智能体。每种知识表示方式都对应特定的关系和搜索方法，这里不能展开。这些方法都跟符号人工智能和强AI方法有关。强AI方法依赖于经过积累、组织、提炼以及可以采用的领域特定知识来获得旨在帮助人类工作的系统。弱AI方法大致可对应非符号人工智能。在实际应用中，常常是强、弱结合混用。

学习：这里介绍的机器学法，根据反馈类型可以分为：监督学习（supervised learning）；无监督学习（unsupervised learning）； 强化学习（reinforcement learning）。五大机器学习（ML）范式则包含（1）神经网络。（2）基于案例的推理。（3）遗传算法。（4）规则归纳。（5）分析学习。深度学习则是一种通过示例（训练数据）教会计算机学习的机器学习技术，此技术需要大数据。具体算法有常用于处理图像结构化数据的卷积神经网络（Convolutional Neural Network，CNN）、从序列数据中学习的循环神经网络（Recurrent Neural Network，RNN）和常用于处理结构化数据的（Recursive Neural Network，RvNN）。深度学习并非通过预定义的方程来组织数据，而是设置关于数据的基本参数，并通过使用多层神经网络来处理模式识别，训练计算机自主学习。大语言模型也是一类深度学习算法。

书里还介绍了自然计算（Natural Computing）中的集中算法：模拟退火，遗传规划算法，禁忌搜索等。它们通过模拟自然现象实现问题解决，似乎也属于非符号人工智能。自然算法中有一类似乎瞄准的是生命复制。

书的第四部分是人工智能技术的应用案例，包含自然语言处理，流程制动规划，机器人技术和高级计算机博弈。这里不展开。

总体来讲，本书对人工智能算法和应用版图进行了相当全面的巡礼和介绍。值得作为入门书来读。如果是计算机科学的学生，可以根据树种附的伪代码去进行代码实现，可以更深入的了解各种算法。