本教材根据智能建造专业的本科教学要求和智能建造技术的研发人才培养需求编写，可划分为六部分，第一部分为数学基础方面的内容，包括矩阵分析基础、概率统计与信息论基础、数值优化与规划方法；第二部分为智能优化算法，其中详细介绍了遗传算法、粒子群优化算法、模拟退火算法、多目标优化算法等；第三部分为无监督学习算法，主要介绍了各种聚类算法；第四部分为监督学习算法，详细介绍了神经元感知器、支持向量机和贝叶斯分类器等经典分类算法，并深入剖析了前馈神经网络和卷积神经网络这两种深度学习算法的工作流程和训练过程，详细说明和推导了深度学习算法的数学过程；第五部分为强化学习算法，其中介绍了马尔可夫过程、时序差分学习算法、Q学习算法、深度强化学习算法等，并介绍了强化学习与深度学习相结合而形成的深度强化学习算法；第六部分为点云处理算法，包括点云数据预处理算法、检测算法、分割算法和配准算法等。
本教材适用于智能建造专业本科生，土木工程、建筑技术、水利工程、海洋工程、工程管理、交通工程等专业的研究生，从事学科交叉研究的工科专业研究生，从事智能建造研发的建筑业技术人员等。

周绪红（1956.9-），工学博士，著名结构工程专家，重庆大学钢结构工程研究中心主任、教授；中国工程院院士，日本工程院外籍院士，英国皇家结构工程师学会Fellow，英国皇家特许结构工程师。1999年8月-2002年5月任湖南大学副校长，2002年5月-2006年7月任长安大学校长，2006年5月-2013年6月任兰州大学校长（副部长级），2013年6月-2017年12月任重庆大学校长（副部长级），第十一届、第十二届全国人大代表。

常用符号
第1章 绪论
1.1 全球建筑业现状
1.2 建筑业信息化
1.3 人工智能技术发展
1.4 建筑业的智能建造趋势
1.5 本书的主要内容
参考文献
第2章 矩阵分析基础
2.1 向量和矩阵
2.2 二次型
2.3 向量与矩阵的求导
2.4 海森矩阵
2.5 范数
2.6 矩阵分解
2.7 广义逆矩阵
2.8 典型应用-主成分分析
课后习题
参考文献
第3章 概率统计与信息论基础
3.1 随机变量与概率
3.2 随机变量间的独立性
3.3 随机变量的特征数
3.4 贝叶斯规则
3.5 极大似然估计
3.6 熵和互信息
3.7 微分熵
3.8 KL散度与交叉熵
课后习题
参考文献
第4章 数值优化与规划方法
4.1 拉格朗日乘数法
4.2 KKT条件
4.3 最小二乘法
4.4 差分法
4.5 梯度下降法
4.6 牛顿法
4.7 蒙特卡洛法
4.8 人工势场法
4.9 线性规划
4.10 动态规划
课后习题
参考文献
第5章 智能优化算法
5.1 遗传算法
5.2 粒子群优化算法
5.3 模拟退火算法
5.4 近邻域优化算法
5.5 多目标优化算法
课后习题
参考文献
第6章 聚类算法
6.1 聚类的基本思想
6.2 k均值聚类
6.3 密度聚类
6.4 高斯混合聚类
6.5 层次聚类
6.6 谱聚类
课后习题
参考文献
第7章 分类算法
7.1 神经元感知器
7.2 支持向量机
7.3 逻辑回归
7.4 k近邻算法
7.5 贝叶斯分类器
课后习题
参考文献
第8章 深度学习
8.1 前馈神经网络
8.2 卷积神经网络
8.3 循环神经网络
8.4 特征与深度学习
8.5 生成对抗神经网络
课后习题
参考文献
第9章 强化学习
9.1 强化学习概览
9.2 马尔可夫过程
9.3 时序差分学习
9.4 三类方法的应用实例
9.5 深度强化学习
9.6 Q学习在结构深化设计中的应用
9.7 DQN在结构优化设计中的应用
课后习题
参考文献
第10章 点云处理算法
10.1 点云数据预处理算法
10.2 点云数据检测算法
10.3 点云数据分割算法
10.4 点云数据配准算法
课后习题
参考文献