人工智能导论复习整理（一）
人工智能概述什么是人工智能(ArtificialIntelligence,AI)定义：
人工智能标准化白皮书（2018版）：人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。用人工的方法在机器（计算机）上实现的智能，也称机器智能。StuartRussell和PeterNorvig将AI的定义分为四类：
类人思维：认知模型方法理性地思考：“思维法则”方法类人行为：图灵测试方法理性地行动：理性Agent方法发展中的两派观点：
弱人工智能（weakAI）机器能否像人一样智能地行动实验：图灵测试强人工智能（strongAI）机器能否真正地思考实验：中文房间AI的基础及萌芽基础：哲学、数学、经济学、神经科学、心理学、控制论、语言学、计算机工程
萌芽：
亚里士多德->形式逻辑（“三段论”、“演绎法“、”模态逻辑“）培根->归纳法、专家系统莱布尼兹->数理逻辑：形式逻辑符号化哥德尔->形式系统的完备性和可判定性；一阶谓词演算的完备性定理；两条不完备性定理图灵->图灵测试；图灵机模型1956年提出：机器能够思维吗？冯·诺依曼->ENIAC（1946年）：为人工智能研究奠定了物质基础James->神经元相互连接,Hebb->学习律,McCulloch&Pitts->神经网络数学模型；微观AI香农->信息论：人的心理活动可通过信息的形式加以研究，宏观人工智能AI的创立和发展诞生：1956年夏天，达特茅斯学院。
McCarthy提议正式使用：ArtificialIntelligence（简称AI），标志着“人工智能”作为一门独立学科正式诞生。创始人：马文·明斯基，约翰·麦卡锡，纳撒尼尔·罗切思特和克劳德·香农，奥利弗·塞尔弗里奇、雷·所罗门诺夫、特伦查德·莫尔，赫尔伯特·A·西蒙。
发展阶段：
AI的类别和技术自上世纪70年代以来，从典型任务、应用对人工智能分类：
机器定理证明（逻辑和推理）机器翻译（自然语言理解）专家系统（问题求解和知识表达）博弈（树搜索）模式识别与机器学习（神经网络等）机器人和智能控制（感知和控制）三大学派：符号学派、联结学派、行为学派。
模拟人的心智➡️符号学派➡️知识表示
模拟脑的结构➡️联结学派➡️神经网络
模拟人的行为➡️行为学派➡️机器人
从智能角度对人工智能分类：
领域人工智能TraditionalAI：任务导向，从数据和规则中学习通用人工智能或跨领域人工智能ArtificialGeneralIntelligence(AGI)：从学习中学习基本技术：
知识表示状态空间法、问题归约法、谓词逻辑法、语义网络、产生式系统、框架结构……搜索推理盲目搜索、启发式搜索、博树搜索、消解原理、确定性推理、不确定性推理……计算智能模糊计算、神经计算、进化计算……构成技术（系统与语言）产生式系统、LISP语言、Prolog语言……人工智能导论(9)——自然语言处理(Natural Language Processing)
文章目录一、概述二、重点内容三、思维导图四、重点知识笔记NLP的两个核心任务NLP处理的三个分析层面NLP的主要流程语音识别机器翻译一、概述人类利用语言进行交流、思想表达和文化传承是人类智能的重要体现。自然语言处理(NLP)是指用计算机来处理、理解以及运用人类语言，实现人机交流的目的。
本文将人工智能"自然语言处理"基础知识整理为思维导图，便于回顾和记忆。
二、重点内容简介NLP核心任务NLP主要应用领域NLP三个分析层面NLP分析流程典型应用简介语音识别机器翻译三、思维导图四、重点知识笔记自然语言处理(NLP)是指用计算机来处理、理解以及运用人类语言，是计算机科学与语言学的交叉学科。
从应用角度看，自然语言处理的应用有：
语音识别、文字识别文本生成、图像描述生成机器翻译：将一种语言翻译成另一种语言。知识图谱、信息抽取对话系统、问答系统文本分类、情感分析文本推荐NLP的两个核心任务自然语言理解(NaturalLanguageUnderstanding,NLU)自然语言生成(NaturalLanguageGeneration,NLG)自然语言理解(NLU):实现人机间自然语言通信意味着要使计算机既能理解自然语言文本的意义自然语言生成(NLG):以自然语言文本来表达给定的意图、思想等。NLU的应用：
机器翻译机器客服智能音响NLU的实现方式：
自然语言理解跟整个人工智能的发展历史类似，一共经历了3次迭代：
基于规则的方法：最早大家通过总结规律来判断自然语言的意图，常见的方法有：CFG、JSGF等。基于统计的方法：后来出现了基于统计学的NLU方式，常见的方法有：SVM、ME等。基于深度学习的方法：随着深度学习的爆发，CNN、RNN、LSTM都成为了最新的”统治者”。Transformer是目前“最先进”的方法。BERT和GPT-2都是基于TRansformer的。
NLG的6个步骤：
内容确定–ContentDetermination文本结构–TextStructuring句子聚合–SentenceAggregation语法化–Lexicalisation参考表达式生成–ReferringExpressionGeneration|REG语言实现–LinguisticRealisationNLG典型应用：
聊天机器人自动写新闻：对于具有明显规则的领域，比如体育新闻。目前很多新闻已经借助NLG来完成了BI报告生成NLP处理的三个分析层面第一层面：词法分析
词法分析包括汉语的分词和词性标注这两部分。
分词：将输人的文本切分为单独的词语词性标注：为每一个词赋予一个类别类别可以是名词(noun)、动词（verb）、形容词（adjective）等属于相同词性的词，在句法中承担类似的角色。第二层面:句法分析
句法分析是对输人的文本以句子为单位，进行分析以得到句子的句法结构的处理过程。
三种比较主流的句法分析方法:
短语结构句法体系，作用是识别出句子中的短语结构以及短语之间的层次句法关系;介于依存句法分析和深层文法句法分析之间依存结构句法体系（属于浅层句法分析），作用是识别句子中词与词之间的相互依赖关系;实现过程相对来说比较简单而且适合在多语言环境下应用，但是其所能提供的信息也相对较少深层文法句法分析，利用深层文法，对句子进行深层的句法以及语义分析例如词汇化树邻接文法，组合范畴文法等都是深层文法深层文法句法分析可以提供丰富的句法和语义信息深层文法相对比较复杂，分析器的运行复杂度也比较高，不太适合处理大规模的数据第三个层面:语义分析
语义分析的最终目的是理解句子表达的真是语义。语义表示形式至今没有一个统一的方案。
语义角色标注（semanticrolelabeling)是目前比较成熟的浅层语义分析技术。语义角色标注一般都在句法分析的基础上完成，句法结构对于语义角色标注的性能至关重要。通常采用级联的方式，逐个模块分别训练模型分词词性标注句法分析语义分析联合模型（新发展的方法）将多个任务联合学习和解码分词词性联合词性句法联合分词词性句法联合句法语义联合等联合模型通常都可以显著提高分析质量联合模型的复杂度更高，速度也更慢。NLP的主要流程传统机器学习的NLP流程预处理特征提取词袋设计Embedding特征分类器深度学习的NLP流程预处理设计模型模型训练预处理过程：
收集语料库（输入文本）文本清洗（文本清洗，）删除所有不相关的字符，例如任何非字母数字字符分割成单个的单词文本删除不相关的单词，例如“@”提及或网址链接将所有字符转换为小写，以便将诸如“hello”，“Hello”和“HELLO”之类的单词视为相同考虑将拼写错误或交替拼写的单词组合成单个表示（例如“cool”/“kewl”/“cooool”）考虑词性还原（将诸如“am”，“are”和“is”之类的词语简化为诸如“be”之类的常见形式）分词去掉停用词（可选）标准化和特征提取等。英文预处理：
分词–Tokenization词干提取–Stemming词形还原–Lemmatization词性标注–PartsofSpeech命名实体识别–NER分块–Chunking中文NLP预处理：
中文分词–ChineseWordSegmentation词性标注–PartsofSpeech命名实体识别–NER去除停用词中文分词方法：
经典的基于词典及人工规则：适应性不强，速度快，成本低基于词典：（正向、逆向、双向最大匹配）基于规则：（词法结构）现代的基于统计和机器学习：适应性强，速度较慢，成本较高基于统计：HMM隐马尔可夫模型基于机器学习：CRF条件随机场自然语言典型工具和平台
NLTK：全面的python基础NLP库。StanfordNLP：学界常用的NLP算法库。中文NLP工具：THULAC、哈工大LTP、jieba分词。语音识别将人类语音中的词汇内容转换为计算机可读的输入。
语音识别系统的分类主要有：
孤立和连续语音识别系统（主流为连续语音识别）以单字或单词为单位的孤立的语音识别系统自然语言只是在句尾或者文字需要加标点的地方有个间断，其他部分都是连续的发音特定人和非特定人语音识别系统特定人语音识别系统在前期需要大量的用户发音数据来训练模型。非特定人语音识别系统则在系统构建成功后，不需要事先进行大量语音数据训练就可以使用大词汇量和小词汇量语音识别系统嵌入式和服务器模式语音识别系统语音识别的过程
语音识别系统一般可以分为前端处理和后端处理两部分：
前端包括语音信号的输入预处理：滤波、采样、量化特征提取后端是对数据库的搜索过程训练：对所建模型进行评估、匹配、优化，之后获得模型参数识别语音识别的过程：
根据人的语音特点建立语音模型对输入的语音信号进行分析，并抽取所需的特征，建立语音识别所需要的模板将语音模板与输入的语音信号的特征进行比较，找出一与输入语音匹配最佳的模板通过查表和判决算法给出识别结果显然识别结果的准确率与语音特征的选择、语音模型和语音模板的好坏及准确度有关。
语音识别系统的性能受多个因素的影响
不同的说话人不同的语言同一种语言不同的发音和说话方式等提高系统的稳定性就是要提高系统克服这些因素的能力，使系统能够适应不同的环境。
声学模型是识别系统的底层模型，并且是语音识别系统中最关键的一部分。声学模型的目的是提供一种有效的方法来计算语音的特征矢量序列和各发音模板之间的距离。
语音识别关键技术
语音特征提取常见的语音特征提取算法有MFCC、FBank、LogFBank等声学模型与模式匹配声学模型：对应于语音音节频率的计算，输出计算得到的声学特征模式匹配：在识别时将输入的语音特征与声学特征同时进行匹配和比较目前采用的最广泛的建模技术是隐马尔可夫模型（HiddenMarkovModel，HMM）。语音模型与语义理解进行语法、语义分析语言模型会计算音节到字的概率主要分为规则模型和统计模型语音模型的性能通常通过交叉熵和复杂度来表示，交叉熵表示交叉熵表示用该模型对文本进行识别的难度复杂度是指用该模型表示这个文本平均的分支数，其倒数可以看成是每个词的平均概率机器翻译机器翻译就是让机器模拟人的翻译过程，利用计算机自动地将一种自然语言翻译为另一种自然语言。
在机器翻译领域中出现了很多研究方法，包括：
直接翻译方法句法转换方法中间语言方法基于规则的方法基于语料库的方法基于实例的方法（含模板与翻译记忆方法）基于统计的方法基于深度学习的方法等机器翻译过程：
原文输入：按照一定的编码转换成二进制。原文分析（查词典和语法分析）查词典：词在语法类别上识别为单功能的词，在词义上成为单义词（某些介词和连词除外）语法分析：进一步明确某些词的形态特征。找出动词词组、名词词组、形容词词组等译文综合（调整词序与修辞以及从译文词典中取词）任务1：把应该以为的成分调动一下首先加工间接成分：从前向后依次取词加工，从句子的最外层向内加工。其次加工直接成分：依据成分取词加工，对于复句还需要对各分句进行加工。任务2：修辞加工根据修辞的要求增补或删掉一些词。例如英语中的冠词、数次翻译汉语，加上"个"、“只”。任务3：查目标语言词典，找出目标语言文字的代码。译文输出将目标语言的代码转换成文字，打印出译文来通用翻译模型：
GNMT（GoogleNeuralMachineTranslation）基于网页和App的神经网络机器翻译完全基于注意力机制的编解码器模型TransformerTransformer的升级版—UniversalTransformer在Transformer出现之前，多数神经基于神经网络的翻译模型都使用RNN。RNN训练起来很慢，长句子很难训练好。UniversalTransformer模型具有了通用计算能力，在更多任务中取得了有力的结果。UniversalTransformer的训练和评估代码已开源在了Tensor2Tensor网站。
个人总结，部分内容进行了简单的处理和归纳，如有谬误，希望大家指出，持续修订更新中。
修订历史版本见：https://github.com/hustlei/AI_Learning_MindMap
人工智能
人工智能
当前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动（或决策）”。
人工智能基本的四大应用：①感知能力（Perception)是人类五官的看、听、说、读、写等能力，学习人类的感知能力是AI当前主要的焦点之一。②认知能力（Cognition）人类透过学习、判断、分析等等心理活动来了解消息、获取知识的过程与能力，对人类认知的模仿与学习也是当前AI第二个焦点领域。③创造力（Creativity）人类产生新思想，新发现，新方法，新理论，新设计，创造新事物的能力。它是结合知识、智力、能力、个性及潜意识等各种因素优化而成，这个领域当前人类仍遥遥领先AI，但AI也试着急起直追，主要领域包括：AI作曲、AI作诗、AI小说、AI绘画、AI设计等。④智能（Wisdom）是人类深刻了解人、事、物的真相，能探求真实真理、明辨是非，指导人类可以过着有意义生活的一种能力，这个领域牵涉人类自我意识、自我认知与价值观，是ˋ当前AI尚未触及的一部分，也是人类最难以模仿的一个领域。
人工智能产业链包括三层：基础层、技术层和应用层。基础层是人工智能产业的基础，为人工智能提供数据及算力支撑；技术层是人工智能产业的核心；应用层是人工智能产业的延伸，面向特定应用场景需求而形成软硬件产品或解决方案。
从技术的研发速度判断，现阶段我们正处于第六阶段的人工智能蓬勃发展期。我国作为全球最大的人工智能应用市场，中国人工智能技术有望为中国高端制造提供换道超车的机会，并推动数万亿数字经济产业转型升级。
中国人工智能产业发展迅速，语音识别和计算机视觉成为国内人工智能市场最成熟的两个领域。
百度、阿里、腾讯作为各行业巨头在人工智能产业链的布局较为全面
应用层
应用层主要面向特定应用场景的需求而形成软硬件产品或解决方案。当前的主要应用场景包括智能医疗、智慧金融、智慧教育、智慧交通、智能家居、智慧零售和智能制造等。
公司方面，最近很火的极米科技，主打投影仪；小米的智能家居等都是该领域的佼佼者。
智慧医疗
医疗影像
远程诊断
药物控掘
疾病预测
智慧金融
贷款评估
智能投顾
金融监管
智能客服
智慧教育
作业批改
智能问答
远程辅导
虚拟课堂
智慧交通
自动驾驶
交通控制
车辆识别
车辆检测
智能家居
智能照明
智能门锁
家具机器人
智能物联
智慧零售
智能收银
无人商店
智能配货
智能物流
智能制造
工业机器人
智能供应链
智能运维
产品检测
技术层
技术层主要包括算法理论、开发平台和应用技术。
算法理论
机器学习算法
类脑算法
开发平台
举出开元框架
技术开放平台
应用技术
计算机视觉
自然语言理解
智能语音
机器视觉
科大讯飞
格灵深瞳
地平线
SenseTime
永洪科技
旷视科技
云知声
百度、阿里、腾讯作为各行业巨头在人工智能产业链的布局较为全面，在人工智能技术层也占有较大的市场份额。
百度、阿里、腾讯和科大讯飞是首批国家新一代人工智能开放创新平台，更多的开发者可依托这些平台快速搭建自身的产品。
基础层
基础层主要是研发硬件及软件，例如AI芯片和数据采集等。
计算硬件
AI芯片
华为
全志科技
传感器
计算系统技术
云计算
百度
阿里巴巴
腾讯
大数据
5G通信
华为
数据
数据采集
华为
百度
腾讯
标注
分析
中国未来各领域的投资比例
中国人工智能产业发展迅速，语音识别和计算机视觉成为国内人工智能市场最成熟的两个领域。自2015年开始，中国人工智能产业规模逐年上升，已经成为全球第二大人工智能单一市场，约占全球市场规模的12%。
BI/数据分析
45%
数字化运营（如数字营销）
37%
AI/机器学习
37%
信息安全/数据安全
26%
物联网
25%
投资标的
科大讯飞（002230）
语音识别
公司是我国人工智能产业先行者，拥有国际领先的自主知识产权的人工智能源头核心技术。公司承建多个国家级人工智能平台，是我国人工智能国家队。
海康威视（002415）
人脸识别
海康成立于01年，以安防监控板卡和DVR业务起家，伴随视频监控由“看得见”到“看得清”再向“看得懂”升级，公司逐步转型成为了以视频为核心的智能物联网解决方案和大数据服务提供商。
公司在15-19年间完成了硬件的智能化升级、AICloud架构的建立、从“两池一库四平台”到“物信融合数据平台”的进阶，有望在5G物联网时代展现平台效应，成为面向多元化下游应用的生态构建者。
歌尔股份（002241）
手势控制
公司当前实行“零件+成品”的协同发展战略，零件包括声学部件、光学器件、微电子产等，成品包括TWS耳机、VR/AR、智能手表等产品。其中TWS耳机为近几年公司成长主线，可穿戴产品也将助力公司实现中长期的持续成长。
烽火通信（600498）
云计算
公司光通信设备全球份额前五，国内前三，历史采购情况判断国内综合份额约20%-25%。2020年开启5G规模建设周期，基于优良的研发和产品能力，通信系统业务将进入新一轮成长周期。近期运营商集采份额超预期：中移动2020年GPON设备新建部分中标份额达到50%；中国移动2020年至2021年SPN设备新建部分集采份额31%等；这些超预期订单有望进一步增厚公司业绩。
用友科技（600588）
云计算
公司专注企业服务33年，稳居企业级服务SaaS龙头。在产品、生态、市场和信创等方面优势显著。2020年，公司发布YonBIP，采用云原生架构，基于统一iuap平台，实现产业链及企业间互联互通，助力企业进行商业创新，推动公司服务从软件向平台服务转型。受国产化、云化、数智化等多重驱动，我国企业级SaaS市场景气持续提升，同时，公司产品丰富度、基础架构、收费模式等稳步改善，市占率有望进一步提升。
汉王科技（002362）
OCR
汉王科技是智能人机交互领域拥有核心技术的领头羊，主要业务为笔迹输入、手写识别、光学字符识别(OCR)、人脸识别及电纸书。
在模式识别领域拥有领先的核心技术，行业即将迎来快速发展阶段。另一方面，汉王科技依靠核心技术开拓电子阅读市场。全球电子阅读市场高速发展，平均增速在100%左右。
汉王在电子阅读器领域有较强竞争力，拥有最丰富的产品线，已建立起最知名的品牌；拥有多年积累的数码产品销售网络。汉王作为电子阅读器行业的龙头，将充分享受行业迅速膨胀带来的机遇。
汇顶科技（603160）
指纹识别
汇顶科技是目前业内唯一能够提供包括屏下光学指纹识别方案、活体指纹识别方案、IFS、盖板（玻璃、陶瓷、蓝宝石）和Coating在内全系列指纹识别解决方案的公司，并已经成为安卓阵营全球第一的指纹识别方案提供商。
目前主要面向智能终端、物联网及汽车电子领域提供领先的半导体软硬件解决方案。产品和解决方案已经广泛应用于华为、OPPO、vivo、小米、一加、Google、Amazon、Samsung、Nokia、Dell、HP、LG、ASUS等国际国内知名品牌，服务全球数亿人群，是安卓阵营应用最广的生物识别解决方案提供商。
人工智能概论：基础理论、编程语言及应用技术（微课视频版）
图书目录
第1章人工智能概述
1．1人工智能简介
1．1．1人工智能的定义
1．1．2人工智能的起源和发展
1．2人工智能产业框架体系
1．2．1基础层
1．2．2技术层
1．2．3应用层
1．3人工智能核心技术
1．3．1基础技术
1．3．2通用技术
1．3．3应用技术
1．4人工智能的意义及挑战
1．4．1发展人工智能的战略意义
1．4．2人工智能发展趋势
1．4．3人工智能的冲击与挑战
本章总结
本章习题
第2章Python语言基础
2．1Python概述
2．1．1Python简介
2．1．2Python版本
2．1．3Python语言特色
2．1．4Python应用领域
2．2Python程序
2．2．1什么是程序
2．2．2编写并运行Python程序
2．2．3使用JupyterNotebook
2．2．4调试程序
2．3Python基础知识
2．3．1Python基础语法
2．3．2变量
2．3．3基础数据类型
2．3．4运算符
2．3．5表达式
2．4序列、映射
2．4．1序列及其通用操作
2．4．2列表的基本操作
2．4．3列表和元组的相互转化
2．4．4字典
2．5流程控制语句
2．5．1条件语句
2．5．2循环语句
2．6函数与模块
2．6．1抽象
2．6．2函数
2．6．3模块
2．7文件操作
2．7．1文件
2．7．2打开文件
2．7．3关闭文件
2．7．4读取文件内容
2．7．5读取全部内容
2．7．6向文件写入数据
2．8．1谋定而后动
2．8．2拆解复杂问题
2．8．3整合在一起
2．9影评词云数据分析案例
2．9．1安装jieba库
2．9．2安装WordCloud库
2．9．3编码实现
本章总结
本章习题
第3章机器学习
3．1机器学习简介
3．1．1什么是机器学习
3．1．2机器学习发展历史
3．1．3机器学习应用领域
3．2机器学习进阶
3．2．1机器学习种类
3．2．2基本术语
3．2．3机器学习的流程
3．3线性模型
3．3．1预测工资——线性回归
3．3．2泰坦尼克号生存预测——逻辑回归
3．4监督学习
3．4．1支持向量机
3．4．2贝叶斯分类器
3．4．3决策树
3．4．4神经网络
3．5机器学习案例——猫狗分类
3．5．1安装TensorFlow和Keras库
3．5．2案例实现
本章总结
本章习题
第4章计算机视觉及应用
4．1计算机视觉基础
4．1．1计算机视觉的基本概念
4．1．2计算机视觉的作用
4．1．3计算机视觉的基本原理
4．2计算机视觉技术
4．2．1图像处理
4．2．2图像分类
4．2．3特征提取
4．3．1卷积运算
4．3．2利用卷积提取图像特征
4．3．3基于深度神经网络的图像分类
4．3．4目标检测
4．5计算机视觉应用
4．5．1图像分类的应用
本章总结
本章习题
5．2语音合成
本章总结
本章习题
第6章自然语言处理
6．1自然语言处理导入
6．2自然语言处理的基本原理
6．2．1自然语言处理的定义
6．2．2自然语言处理的基本技术原理
6．2．3自然语言处理的技术发展
6．3自然语言处理的应用场景
6．3．1从文本中挖掘主题
6．3．2自然语言处理的应用领域和应用场景
6．3．3自然语言处理的未来应用——人机交互系统
6．4自然语言处理案例——文本预测和生成
本章总结
本章习题
第7章知识图谱及应用
7．1知识图谱引言
7．2知识图谱简介
7．2．1知识图谱的定义
7．2．2知识图谱的架构
7．3知识图谱应用
7．3．1问答系统
7．3．2行业应用
7．4知识图谱展望
7．5知识图谱案例
本章总结
本章习题
第8章人工智能行业解决方案
8．1智慧交通
8．1．1无人驾驶汽车
8．1．2共享单车
8．1．3公安交通指挥系统
8．2智能制造
8．2．1工业3D分拣机器人
8．2．2智能工厂
8．2．3智能设备
8．3智慧医疗
8．3．1达·芬奇机器人
8．3．2医疗影像诊断
8．3．3陪伴机器人
8．4智慧金融
8．4．2数字员工
8．4．3定损宝
本章总结
本章习题
附录A搜索算法
附录B人工智能平台环境搭建
B.1环境背景
B.2Python环境搭建
B.2．1下载Python安装文件
B.2．2安装Python
B.2．3配置Python环境变量
B.2．4测试Python环境
B.3pip命令
B.3．1测试pip
B.3．2pipinstall命令
B.3．3安装科学计数模块(numpy)
B.3．4安装数据可视化模块(matplotlib)
B.3．5安装机器学习模块(sklearn)
B.3．6安装自然语言处理工具包(nltk)
B.3．7安装自然语言中处理主题分析模块(gensim)
B.3．9安装隐马尔可夫模型(hmmlearn)
B.3．10安装神经网络模块依赖包(cvxopt)
B.3．11安装神经网络模块依赖包(pystruct)
B.3．12安装神经网络模块(neurolab)
B.3．13安装机器视觉模块(opencv)
B.3．14安装图像处理库(Pillow)
B.4Anaconda环境搭建
B.4．1下载Anaconda安装文件
B.4．2安装Anaconda
B.4．3AnacondaPrompt工具
B.4．4JupyterNotebook工具
B.4．5Spyder工具
参考文献
教学资源
教学课件
教学大纲
考试大纲
程序代码
习题答案
教学课件
教学大纲
考试大纲
程序代码
习题答案
上述资源可扫描本书前言二维码或浏览下方网址
http://www.tup.tsinghua.edu.cn/booksCenter/book_08828001.html（请复制链接至电脑浏览器打开）
微课视频（77个540分钟），扫描书中各章节对应位置二维码观看。题库|作业系统，扫描封底“作业系统二维码”进入系统进行习题练习。高校教师（普通高校/职业院校教师）请点击下方封面申请本书
书名：人工智能概论：基础理论、编程语言及应用技术（微课视频版）
作者：赵克玲瞿新吉任燕
书号：9787302564201
定价：69返回搜狐，查看更多
人工智能思维导图一张，收藏！
AI，也就是人工智能，并不仅仅包括机器学习。曾经，符号与逻辑被认为是人工智能实现的关键，而如今则是基于统计的机器学习占据了主导地位。最近火热的深度学习正是机器学习中的一个子项。目前可以说，学习AI主要的是学习机器学习。
但是，人工智能并不等同于机器学习，这点在进入这个领域时一定要认识清楚。
人工智能思维导图部分截图
相关文章阅读：
推荐几款思维导图制作工具
关注微信公众号“资料在线”，回复“AI思维导图”，即可获得思维导图
回复“php思维导图”，即可获得思维导图
回复“python书单”，获取2018年度python书单电子版
回复“python思维导图”，即可获得思维导图
回复“java思维导图”，即可获得思维导图
更多资源等着你《人工智能概论》总结报告（有一部分内容摘抄自课本）
《人工智能概论》是我们计算机专业学生的专业课程。人工智能，英文缩写为AI，是一门综合了计算机科学、生理学、哲学的交叉学科。人工智能的研究课题涵盖面很广，从机器视觉到专家系统，包括了许多不同的领域。其中共同的基本特点是让机器学会“思考”。人工智能始终处于计算机发展的最前沿。搞基计算机语言、计算机界面及文字处理器的存在或多或少都得归功于人工智能的研究。人工智能研究带来的理论和洞察力指引了计算机技术发展的未来方向。人工智能对我们的生活意义非常重大。对于我来说，人工智能是一门极富挑战性的科学，想学好的话必须得懂得计算机知识，懂一点心理学和哲学。人工智能是包扩十分广泛的科学，它由不同的领域组成。我希望自己能够理解老师课堂上所讲的内容，并且能够将其掌握，了解人工智能的形成于发展以及人工智能未来的发展趋势，同时，将各模块、章节之间的联系，掌握人工智能主要的研究方法，如果能够通过人工智能知识来解决实际问题，那肯定是更理想的。也希望自己通过《人工智能》这门课，提高自己的专业素养，具备将其与信心科学的其他课程整合的基本能力，开拓自己的视野，了解更多领域。
《人工智能概论》是一门灵活性比较大的学科，课本教程是英文版的，整本书的教学内容都是纯英文，专业术语又多得数不胜数，对知识的掌握有一定的难度，同时也提高对人工智能的本质与内涵理解的难度，所以对我来说，挑战性还是比较大的。但我们终究还是得掌握人工智能的基本理论和原理。在这学期学习《人工智能概论》的过程当中，得多亏老师在放英文版教程PPT的同时，用中文给我们上课。个人认为老师上课讲的挺好的，我很喜欢听老师的课，而且老师讲的内容让人简洁易懂，比如讲人工智能的研究意义、目标和目标的时候，还有讲专家系统的时候。让我了解到专家系统是目前人工智能中最活跃、最有成效的一个研究领域，它是一种具有特定领域内大量知识与经验的程序系统。近年来，在“专家系统”和“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。有一些语言逻辑还是相当有趣的，比如通过几个因素，算明天下雨的概率。
人工智能的发展趋势。技术的发展总是超乎人们的想象，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出，未来人工智能可能会向以下几个方面发展:模糊处理、并行化、神经网络和机器情感。人工智能的发展潜力巨大。人工智能作为一个整体的研究才刚刚开始,离我们的目标还很遥远，但人工智能在某些方面将会有大的突破。自动推理是人工智能最经典的研究分支,其基本理论是人工智能其它分支的共同基础。一直以来自动推理都是人工智能研究的最热门内容之一,其中知识系统的动态演化特征及可行性推理的研究是最新的热点,很有可能取得大的突破。机器学习的研究取得长足的发展。许多新的学习方法相继问世并获得了成功的应用,如增强学习算法、reinforcementlearning等。也应看到,现有的方法处理在线学习方面尚不够有效,寻求一种新的方法,以解决移动机器人、自主agent、智能信息存取等研究中的在线学习问题是研究人员共同关心的问题,相信不久会在这些方面取得突破。自然语言处理是AI技术应用于实际领域的典型范例,经过AI研究人员的艰苦努力,这一领域已获得了大量令人瞩目的理论与应用成果。许多产品已经进入了众多领域。智能信息检索技术在Internet技术的影响下,近年来迅猛发展,已经成为了AI的一个独立研究分支。由于信息获取与精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题,将AI技术应用于这一领域的研究是人工智能走向应用的契机与突破口。从近年的人工智能发展来看,这方面的研究已取得了可喜的进展。
通过这学期的学习，我对人工智能有了一定的感性认识。虽然在学习上会遇到一些困难，但通过与同学们的相互学习帮助，自我思考，积极请教，很多问题都迎刃而解。每当问题解决的时候，就会充满无比的欣慰和满足。人工智能是一门丰富多彩，作为一个科技前沿的学科，我相信会有越来越多的人对它感兴趣。很感谢老师在这一学期当中对我们的耐心与培育。让我们在这一学期的学习当中收获很多，受益匪浅。不过要是老师能在课上给我们展示人工智能的科技产品以及带领同学们做一两个有趣的与人工智能有关的东西或许会让学生们对人工智能有一个印象更深的理解。祝老师在接来来的工作当中，做得越来越出色，越来越好。
《人工智能概论》课程教学大纲
《人工智能概论》课程教学大纲
课程名称：人工智能概论 课程类别：专业选修课
适用专业：电子信息工程 考核方式：考查
总学时、学分：32学时2学分
一、 课程性质、教学目标
人工智能概论是电子信息工程专业的一门专业选修课程，目的是使学生在已有专业基础知识的基础上通过学习，对人工智能从整体上有一个较清晰全面的系统了解；使学生掌握人工智能的基本概念、基本原理和基本方法；了解人工智能研究与应用的最新进展和发展方向；开阔学生知识视野、提高解决问题的能力，为将来使用人工智能的相关方法和理论解决实际问题奠定初步基础。
该课程主要讲述知识与知识表示、确定性推理、不确定性推理、搜索策略、专家系统、机器学习、神经网络等方面内容，使学生对人工智能的基本内容、基本原理和基本方法有一个比较初步的认识。其具体的课程教学目标为：
课程教学目标1：了解人工智能的发展状况与研究内容；掌握人工智能的基本概念、基本思想方法和重要算法；熟悉典型的人工智能系统；学习用启发式搜索求解问题；了解简单的机器学习和专家系统方法；初步具备用经典的人工智能方法解决一些简单实际问题的能力。
课程教学目标2：通过本课程的学习，对人工智能从整体上有一个较清晰全面的系统了解，培养积极思考、严谨创新的科学态度和解决实际问题的能力，培养使用人工智能的方法解决相关问题的实际能力。
课程教学目标与毕业要求对应的矩阵关系
教学目标
毕业要求
1
2
3
4
5
6
7
8
教学目标1
H
L
L
L
教学目标2
H
L
H
M
M
二、 课程教学要求
通过课堂教学，要求学生了解人工智能的发展状况与研究内容，掌握基本概念、基本原理方法和重要算法，掌握人工智能的一些主要思想和方法，熟悉典型的人工智能系统——产生式系统和简单的模糊推理方法，学会用启发式搜索求解问题，了解基本的神经网络和机器学习方法，初步具备用经典的人工智能方法解决一些简单实际问题的能力。
三、 先修课程
算法与数据结构、概率论与数理统计、程序设计。
四、 课程教学重、难点
本课程以知识表示、模糊推理和启发式搜索为授课内容的重点；以证据理论、状态空间搜索策略和专家系统为难点。在授课过程过需要对这些内容加以整理精简，分清主次，合理安排授课内容和授课时间。
五、 课程教学方法与教学手段
课堂讲授和讨论相结合。注重理论指导的作用，积极探究达到最佳视觉效果的典型做法。在教学环节引入多媒体演示，通过形象生动的视频演示让学生们了解人工智能的科学价值和实际应用所在。视频可以选用世界一流大学实验室的开放多媒体内容。同时贯彻理论和实践相结合的原则，给学生处一定量的思考，并要求完成一定量的作业，以提高学生的理论水平，培养学生的动手能力和创新精神。
六、 课程教学内容
第一章 绪论（2学时）
1．教学内容
(1)人工智能的概念；
(2)人工智能的发展简史；
(3)人工智能当前的一些发展方向和热点；
(4)人工智能的基本研究内容、研究方法。
2．重、难点提示
(1)重点是人工智能基本概念，相关名词术语的含义；
(2)难点是人工智能的研究内容和方法。
第二章 人工智能的数学基础（4学时）
1．教学内容
(1)人工智能中常用的一些数学理论和概念；
(2)数理逻辑中有关命题逻辑和一阶谓词逻辑的原理；
(3)多值逻辑原理；
(4)概率论的基本概念和原理；
(5)模糊集合模糊逻辑的基本概念和模糊集上的基本运算。
2．重、难点提示
(1)重点是Bayes公式，模糊集合模糊逻辑的基本概念和基本运算；
(2)难点是数理逻辑中有关命题逻辑和一阶谓词逻辑的原理。
第三章 知识与知识表示（4学时）
1．教学内容
(1)知识与知识表示的概念；
(2)一阶谓词逻辑表示方法；
(3)产生式表示法；
(4)框架表示法。
2．重、难点提示
(1)重点是产生式表示法、语义网络表示法；
(2)难点是框架表示法。
第四章 经典逻辑推理（4学时）
1．教学内容
(1)推理的基本概念；
(2)命题逻辑和一阶谓词逻辑的反演归结方法；
(3)基本的归结策略。
2．重、难点提示
(1)重点是归结演绎推理；
(2)难点是一阶谓词逻辑的反演归结方法。
第五章 不确定性推理方法（6学时）
1．教学内容
(1)不确定性推理的基本概念；
(2)可信度方法；
(3)证据理论；
(4)模糊理论。
2．重、难点提示
(1)重点是模糊推理；
(2)难点是证据理论（D-Stheory）。
第六章 搜索求解策略（6学时）
1．教学内容
(1)搜索的概念；
(2)状态空间的搜索策略；
(3)盲目搜索策略；
(4)启发式搜索策略。
2．重、难点提示
(1)重点是启发式搜索；
(2)难点是状态空间搜索。
第七章 专家系统与机器学习（6学时）
1．教学内容
(1)专家系统的产生和发展；
(2)专家系统的概念；
(3)专家系统的工作原理；
(4)专家系统的建立与评价；
(5)机器学习的基本概念；
(6)神经网络的基本概念及基本学习过程。
2．重、难点提示
(1)重点是专家系统的一般特点和结构，机器学习的基本概念；
(2)难点是专家系统的结构和建立步骤，神经网络学习过程。
七、学时分配
章目
教学内容
教学环节
理论教学学时
实验教学学时
其他
一
绪论
2
0
0
二
人工智能的数学基础
4
0
0
三
知识与知识表示
4
0
0
四
经典逻辑推理
4
0
0
五
不确定推理方法
6
0
0
六
搜索求解策略
6
0
0
七
专家系统与机器学习
6
0
0
总计
32
0
0
八、课程考核方式
1.考核方式：
笔试；开卷
2.成绩构成
期末成绩+平时成绩
九、 选用教材和参考书目
［1］《人工智能导论》（第三版），王万良编，高等教育出版社，2011年；
［2］《人工智能教程》（第二版），王士同，电子工业出版社，2006年；
［3］《人工智能及其应用本科生用书》（第四版），蔡自兴、徐光佑编，清华大学出版社，2011年；
［4］《人工智能》（第二版），丁世飞编，清华大学出版社，2015年；
［5］《人工智能：智能系统指南》（第三版），[澳]MichaelNegnevitsky著，机械工业出版社，2012年；
［6］《人工智能原理与方法》（第三版），王永庆编，西安交通大学出版社，2000年。