人工智能是一门发展极其迅速且内容十分丰富的学科。本书以人工智能理论算法及其编程实现为核心，按照人工智能经典方法到现代算法顺次进行内容编排，全书共7章，第1章人工智能概论，第2章逻辑与推理，第3章搜索求解，第4章机器学习：监督学习，第5章机器学习：无监督学习，第6章神经网络与深度学习，第7章强化学习。本书还将矩阵运算、最优化方法、概率论等数学知识作为附录。书中每章都附有习题。
本书可作为地方高校人工智能专业和计算机大类专业的本科生或研究生学习人工智能的教材。由于书中各章内容相对独立，教师可以根据不同专业不同学生的需要选择讲授内容。

王洪元，博士，常州大学计算机与人工智能学院二级教授、博士生导师，从事人工智能相关领域的教学、研究、开发工作40余年。发表论文200余篇，出版著作和教材3部，获国家发明专利10余项，获省部级科技奖励多项。

第1章 人工智能概论
1.1 人工智能定义
1.1.1 生物智能与人类智能
1.1.2 智能与人工智能
1.2 人工智能的历史
1.3 人工智能研究的不同学派
1.3.1 符号主义
1.3.2 连接主义
1.3.3 行为主义
1.4 人工智能主要应用领域
习题
第2章 逻辑与推理
2.1 逻辑
2.1.1 知识表示
2.1.2 逻辑的基本概念
2.2 命题逻辑
2.2.1 命题的基本概念
2.2.2 命题逻辑推理
2.3 谓词逻辑
2.3.1 谓词的基本概念
2.3.2 谓词逻辑推理
2.4 知识图谱
2.4.1 知识图谱的基本概念
2.4.2 知识图谱推理
习题
第3章 搜索求解
3.1 搜索概述
3.1.1 搜索的基本问题与主要过程
3.1.2 搜索算法分类
3.2 状态空间表示法
3.2.1 状态空间表示的基本概念
3.2.2 状态空间的图描述
3.2 盲目搜索
3.3.1 盲目搜索概述
3.3.2 深度优先搜索算法
3.3.3 宽度优先搜索算法
3.3.4 盲目搜索算法的Python实现
3.4 启发式搜索
3.4.1 启发式搜索概述
3.4.2 启发信息和估价函数
3.4.3 A算法
3.4.4 A*搜索算法
3.4.5 A*算法的Python实现
3.5 对抗搜索
3.5.1 博弈概述
3.5.2 极大极小过程
3.5.3 Alpha-Beta剪枝
3.5.4 对抗搜索算法的Python实现
3.6 蒙特卡罗搜索
3.6.1 蒙特卡罗方法
3.6.2 蒙特卡罗树搜索算法
3.6.3 蒙特卡罗树搜索算法的Python实现
习题
第4章 机器学习：监督学习
4.1 机器学习概述
4.1.1 引言
4.1.2 机器学习的发展历史
4.1.3 机器学习的基本概念
4.1.4 机器学习主要研究领域
4.2 回归分析
4.2.1 线性回归分析原理
4.2.2 非线性回归分析原理
4.2.3 回归分析Python实例
4.3 线性判别分析
4.3.1 线性判别分析算法原理
4.3.2 线性判别分析Python实例
4.3.3 线性判別分析在人脸识别中的应用
4.4 K最近邻算法
4.4.1 K最近邻算法原理
4.4.2 K最近邻算法Python实例
4.5 AdaBoosting
4.5.1 AdaBoosting算法原理
4.5.2 AdaBoosting算法Python实例
4.6 支持向量机
4.6.1 支持向量机原理
4.6.2 支持向量机Python实例
4.7 决策树
4.7.1 决策树原理
4.7.2 决策树算法Python实例
习题
第5章 机器学习：无监督学习
5.1 K-means聚类
5.1.1 K-means聚类原理
5.1.2 K-means聚类算法
5.1.3 K-means聚类算法特点
5.1.4 K-means聚类算法的改进
5.1.5 K-means聚类算法的Python实现
5.2 主成分分析
5.2.1 主成分分析原理
5.2.2 主成分分析降维方法
5.2.3 主成分分析特点
5.2.4 主成分分析的Python实现
5.3 特征脸方法
5.3.1 特征脸原理
5.3.2 奇异值分佩
5.3.3 特征脸方法步骤
5.3.4 特征脸方法特点
5.3.5 特征脸方法的Python实现
5.4 局部线性嵌入
5.4.1 局部线性嵌入原理
5.4.2 局部线性嵌入算法
5.4.3 局部线性嵌入算法特点
5.4.4 局部线性嵌入算法的一些改进算法
5.4.5 局部线性嵌入算法的Python实现
5.5 独立成分分析
5.5.1 独立成分分析的发展
5.5.2 独立成分分析的基本定义
5.5.3 独立成分分析与其他统计方法的关系
5.5.4 独立成分分析的Python实现
习题
第6章 神经网络与深度学习
6.1 神经网络的起源与发展
6.1.1 第一代神经网络
6.1.2 第二代神经网络
6.1.3 第三代神经网络
6.2 人工神经网络
6.2.1 生物神经网络
6.2.2 人工神经元与人工神经网络
6.2.3 BP神经网络
6.2.4 神经网络Python实例
6.3 卷积神经网络
6.3.1 卷积神经网络的结构
6.3.2 卷积神经网络的基本操作
6.3.3 卷积神经网络的关键技术
6.3.4 卷积神经网络的训练过程
6.3.5 几种经典的卷积神经网络模型
6.3.6 卷积神经网络的应用
6.3.7 卷积神经网络Python实例
6.4 循环神经网络
6.4.1 循环神经网络
6.4.2 长短时记忆网络
6.4.3 循环神经网络的应用
6.4.4 循环神经网络Python实例
习题
第7章 强化学习
7.1 强化学习问题
7.1.1 马尔可夫决策过程
7.1.2 强化学习问题
7.2 基于价值的强化学习
7.2.1 策略迭代
7.2.2 基于价值的强化学习算祛
7.2.3 Q-Learning的Python实例
7.3 深度强化学习
7.3.1 深度强化学习算法
7.3.2 深度强化学习的应用
7.3.3 深度强化学习的Python实例
习题
附录A 数学基础
A.1 矩阵运算
A.1.1 向量
A.1.2 向量的加法和数乘
A.1.3 矩阵