人工智能简史 第2版
链接：pan.baidu.com/s/1xTCH_lUrtZVmG5bPLWuWmQ?pwd=fjpk
提取码：fjpk
1.人工智能专家尼克重磅作品全新升级；2.全方位解读人工智能的来龙去脉，一线专家细数行业经典与成败得失；3.把科学的故事讲得富于思想性，把技术的问题讲得颇具趣味性；4.获得第七届中华优秀出版物图书奖、第八届吴文俊人工智能科技进步奖，入围央视“2017年度中国好书”，获选第十三届“文津图书奖”推荐图书；5.新版全书修订，新增章节，补充人工智能演进路线图和人物关系图。
内容简介《人工智能简史》全面讲述人工智能的发展史，几乎覆盖人工智能学科的所有领域，包括人工智能的起源、自动定理证明、专家系统、神经网络、自然语言处理、遗传算法、深度学习、强化学习、超级智能、哲学问题和未来趋势等，以宏阔的视野和生动的语言，对人工智能进行了全面回顾和深度点评。第2版中每章都有新增内容，并增加了全新的第13章，整理了人工智能几大派别的演化路线和人物的继承关系，有助读者阅读方便。本书极具专业性、思想性和趣味性，既适合缺少专业背景的读者了解人工智能的来龙去脉，作为人工智能的启迪之书，也适合专业人士了解人工智能鲜为人知的历史，提供深入学习的指导。
作者简介尼克，曾任职于哈佛和惠普，后创业投资，2016年创立乌镇智库。无论忙闲不忘读书写字，作品多发表于《上海书评》，并有著作《UNIXSYSTEMV内核剖析》和《哲学评书》。
目录目录第1章达特茅斯会议：人工智能的缘起11．背景22．达特茅斯会议73．AI历史的方法论114．会议之后165．预测未来：会有奇点吗？22第2章自动定理证明兴衰纪271．自动定理证明的起源282．罗宾逊和归结原理363．项重写384．阿贡小组和马库恩395．符号派的内部矛盾：问答系统和归结原理的失落416．几何定理证明与计算机代数437．定理证明系统和竞赛488．哲学问题519．现状5510．结语57第3章从专家系统到知识图谱691．费根鲍姆和DENDRAL702．MYCIN733．专家系统的成熟754．知识表示765．雷纳特和大知识系统816．语义网847．谷歌和知识图谱86第4章第五代计算机的教训931．背景942．理论基础：逻辑程序和Prolog973．五代机计划和五代机研究所1004．并发Prolog1035．美国和欧洲对日本五代机计划的反应1056．结局和教训1097．日本还有机会吗：日本下一代人工智能促进战略111第5章神经网络简史1131．神经网络的初创文章1142．罗森布拉特和感知机1203．神经网络的复兴1254．深度学习129第6章计算机下棋简史：机定胜人，人定胜天1351．机器下棋史前史1362．跳棋插曲1373．计算机下棋之初1384．“深蓝”1445．围棋和AlphaGo146第7章自然语言处理1491．乔治敦实验1502．乔姆斯基和句法分析1513．ELIZA和PARRY1584．维诺格拉德和积木世界1655．统计派又来了1726．神经翻译是终极手段吗？1747．问答系统和IBM沃森1758．回顾和展望177第8章向自然学习：从遗传算法到强化学习1831．霍兰德和遗传算法1842．遗传编程1893．强化学习1914．计算向自然学习还是自然向计算学习1975．计算理论与生物学198第9章哲学家和人工智能2031．德雷弗斯和《计算机不能干什么》2042．塞尔和中文屋2113．普特南和缸中脑2144．给哲学家一点忠告217第10章人是机器吗？——人工智能的计算理论基础2231．丘奇-图灵论题：为什么图灵机是最重要的发明？2252．相似性原则：另一个重要但不太被提及的计算理论思想2303．超计算2344．BSS实数模型2355．量子计算2376．计算理论的哲学寓意2407．超计算和人工智能242第11章智能的进化2491．大脑的进化2502．能源的摄取和消耗2513．全社会的算力作为文明的测度2544．人工智能从哪里来？2565．人工智能向哪里去：会有超级智能吗？257第12章当我们谈论生死时，我们在谈论什么？265第13章总结273附录1图灵小传281附录2人工智能前史：图灵与人工智能295附录3冯诺伊曼与人工智能301附录4计算机与智能309后记343参考文献347人名对照361
查看全部↓
人工智能专栏第九讲——目标检测
目标检测，就是指在图像或视频中自动地检测出感兴趣的目标区域，并识别出这个目标的类别。在人工智能的应用领域中，目标检测具有广泛的应用价值。例如，自动驾驶需要识别出道路标志和行驶的车辆、行人等障碍物；智能监控需要识别出异常行为和非法入侵等；医学影像处理需要识别出病变部位等。因此，深度学习领域对于目标检测也是十分关注的。
传统的目标检测方法往往需要手工设计特征提取器并叠加分类器进行目标识别，eg.HOG+SVM需要专家对目标、环境进行特定的先验知识设计，往往收效甚微。
而深度学习作为一种端到端的学习方式，可以直接对输入的图像进行学习和识别，而无需特定的先验知识。因此基于深度学习的目标检测方法成为了当前研究的热点之一。
常用的深度学习目标检测方法主要包括两种：
1.R-CNN（Region-basedConvolutionalNeuralNetworks）系列方法
R-CNN方法是目前业界使用最多的目标检测方法。它采用两个模型：第一个模型是物体区域提取模型，根据图片中的每个区域，生成一个定长的特征向量；第二个模型根据提取出的特征向量进行目标分类。
对于物体区域提取模型，常见的有SelectiveSearch和EdgeBoxes。其原理是通过合并不同的区域，递归生成一个候选区域集合，对于每个候选区域，使用一个预训练好的卷积神经网络（CNN）提取出固定维度的特征向量，这些向量被送到支持向量机（SVM）分类器进行分类。
R-CNN系列方法是准确率最高、效果最好的目标检测方法之一，但是计算速度十分缓慢，因此不适合实时目标检测应用。
2.YOLO（YouOnlyLookOnce）系列方法
YOLO是一种基于深度学习的实时目标检测算法，其主要特点是速度快、模型小、准确率高。
YOLO方法采用单个神经网络对整个图像进行前向传递，并同时预测图像中的感兴趣区域和相应的类别。这个过程称为“全图卷积”（fullyconvolutional），由于只需要一次前向传递，因此速度非常快。
YOLO系列方法采用Darknet框架进行实现，在基于PascalVOC、COCO等数据集进行实验时，其平均正确率(mAP)可以达到80%以上。
总体来说，目标检测是深入学习领域中非常重要的一个应用方向，而R-CNN系列和YOLO系列就是这个领域目前的两个热门方法。随着深度学习和计算硬件技术的不断进步，目标检测的性能和效率将会得到更大的提升，有望为各种智能应用带来更多的可能性。
目标检测适合新手学习吗?
目标检测对于新手学习来说可能有一定的挑战，因为它涉及到很多复杂的概念和算法。目标检测是计算机视觉领域中较为高级的任务，需要对机器学习、深度学习以及图像处理等方面有一定的了解。同时，目标检测也需要掌握相关编程和数学知识。
然而，对于有一定编程和机器学习基础的人来说，入门目标检测是可行的。有很多优秀的教材和在线资源可以帮助新手理解目标检测的概念和实现方法。此外，使用一些流行的深度学习框架（如TensorFlow和PyTorch）可以简化目标检测算法的实现过程。
需要注意的是，对于新手来说，建议从基础的计算机视觉知识学起，例如图像处理、特征提取等。然后，逐步深入学习目标检测的核心概念和算法。通过练习和实践，相信新手也能够掌握目标检测的技能。
推荐书籍10本:
以下是关于目标检测的10本入门书籍推荐，并对每本书进行简要介绍：
1."DeepLearningforComputerVisionwithPython"byAdrianRosebrock这本书通过Python和深度学习技术介绍了计算机视觉领域的基本概念和实践。其中包括目标检测算法的介绍和实现。
2."LearningOpenCV3:ComputerVisioninC++withtheOpenCVLibrary"byAdrianKaehlerandGaryBradski这本书详细介绍了基于OpenCV库的计算机视觉概念和技术，包括目标检测算法的实现。尤其适合对C++编程感兴趣的读者。
3."ComputerVision:AlgorithmsandApplications"byRichardSzeliski该书提供了全面的计算机视觉算法和技术介绍，包括目标检测和物体识别。它强调了基本原理，并提供了实际应用示例和代码。
4."DeepLearningforObjectDetectionandRecognition"byRobertoValenti这本书深入介绍了目标检测和识别的深度学习方法，包括著名的卷积神经网络模型和相关技术。它包含了大量理论解释和实践案例。
5."MultipleViewGeometryinComputerVision"byRichardHartleyandAndrewZisserman这本经典的书籍详细介绍了多视角几何在计算机视觉中的应用。它对目标检测和物体跟踪等问题具有重要的理论基础。
6."PatternRecognitionandMachineLearning"byChristopherBishop该书是模式识别和机器学习领域的经典教材，其中包含了目标检测的相关内容。它涵盖了机器学习算法、模型评估和特征选择等领域。
7."ConvolutionalNeuralNetworksforVisualRecognition"byFei-FeiLi,JustinJohnson,andSerenaYeung这是斯坦福大学的一门深度学习课程的教材，涵盖了卷积神经网络在计算机视觉中的应用。其中包括了目标检测的基本原理和实现方法。
8."DeepLearning"byIanGoodfellow,YoshuaBengio,andAaronCourville这是一本权威的深度学习教材，全面介绍了深度学习的核心理论和技术。其中包含了目标检测的相关内容，尤其是基于卷积神经网络的方法。
9."PythonCrashCourse:AHands-On,Project-BasedIntroductiontoProgramming"byEricMatthes对于初学者来说，这本书提供了基于Python的编程入门指南。这对于学习目标检测算法时编写和理解代码非常有用。
10."PracticalDeepLearningforCloud,Mobile,andEdge:Real-WorldAI&Computer-VisionProjectsUsingPython,Keras&TensorFlow"byAnirudhKoul,SiddhaGanju,andMeherKasam这本书通过实际项目的案例介绍了如何使用Python、Keras和TensorFlow构建实际应用。其中包括目标检测、图像分类和物体识别等领域的内容。
这些书籍涵盖了目标检测算法和计算机视觉的核心理论和实践，从基础到高级都有所涉及，适合不同层次的读者。