本书对现代人工智能的理论、算法、框架及应用进行了全面、系统的论述，剖析了人工智能研究领域的前沿学术成果，涵盖了机器学习、深度学习、强化学习以及联邦学习等诸多方向。读者通过学习本书，能够掌握人工智能的基本知识，并能了解人工智能研究的一些前沿内容，为进一步学习人工智能理论与应用奠定基础。全书共分为9章，分别为绪论、知识表达、推理方法、智能算法、机器学习、神经网络、深度学习、强化学习、联邦学习。
本书可作为计算机类、自动化类、电气类、电子信息类专业的本科生、研究生学习人工智能课程的参考用书，也可供高等院校的教师、研究机构的研究人员，以及相关法律法规制定者和政府监管部门参考。

前言
第1章 绪论
1.1 人工智能的基本概念
1.1.1 智能的概念
1.1.2 智能的特征
1.1.3 人工智能
1.2 人工智能发展简史
1.2.1 孕育
1.2.2 形成
1.2.3 发展
1.3 人工智能的基本原理及方法
1.3.1 知识表示
1.3.2 机器感知
1.3.3 机器思维
1.3.4 机器学习
1.4 人工智能的主要研究及应用领域
1.4.1 自动定理证明
1.4.2 博弈
1.4.3 模式识别
1.4.4 机器视觉
1.4.5 自然语言理解
1.4.6 智能信息检索
1.4.7 数据挖掘
1.4.8 专家系统
1.4.9 机器人
1.4.10 组合优化
1.4.11 人工神经网络
1.4.12 分布式人工智能与多智能体
1.5 小结
思考题
第2章 知识表达
2.1 知识与知识表达的概念
2.1.1 知识的概念
2.1.2 知识的特征
2.1.3 知识的表示
2.2 一阶谓词逻辑表示法
2.2.1 命题
2.2.2 谓词
2.2.3 谓词公式
2.2.4 谓词公式的性质
2.2.5 一阶谓词逻辑知识表示法
2.2.6 一阶谓词逻辑表示法的特点
2.3 产生式表示法
2.3.1 产生式
2.3.2 产生式系统
2.3.3 产生式系统的例子——动物识别系统
2.3.4 产生式表示法的特点
2.4 框架表示法
2.4.1 框架的一般结构
2.4.2 用框架表示知识的例子
2.4.3 框架表示法的特点
2.5 小结
思考题
第3章 确定性推理方法
3.1 推理的基本概念
3.1.1 推理的定义
3.1.2 推理方式及其分类
3.1.3 推理的方向
3.1.4 冲突消解策略
3.2 自然演绎推理
3.3 谓词公式化为子句集的方法
3.4 鲁滨逊归结原理
3.5 归结反演
3.6 小结
思考题
第4章 智能算法及其应用
4.1 进化算法的产生与发展
4.1.1 进化算法的概念
4.1.2 进化算法的生物背景
4.1.3 进化算法的设计原则
4.2 遗传算法
4.2.1 遗传算法的基本思想
4.2.2 遗传算法的发展历史
4.2.3 编码
4.2.4 实数编码和浮点数编码
4.2.5 群体设定
4.2.6 适应度函数
4.2.7 选择
4.2.8 交叉
4.2.9 变异
4.2.10 遗传算法的一般步骤
4.2.11 遗传算法的特点
4.3 遗传算法的改进算法
4.3.1 改进算法
4.3.2 双种群遗传算法
4.3.3 自适应遗传算法
4.4 粒子群优化算法
4.4.1 粒子群优化算法的基本原理
4.4.2 粒子群优化算法的参数分析
4.5 蚁群算法
4.5.1 基本蚁群算法模型
4.5.2 蚁群算法的参数选择
4.6 小结
思考题
第5章 机器学习
5.1 机器学习简介
5.1.1 专业术语
5.1.2 分类
5.2 特征工程
5.2.1 目的与基本流程
5.2.2 数据获取
5.2.3 特征处理
5.2.4 特征选择
5.2.5 特征提取和数据降维
5.3 模型评估
5.3.1 评估方法
5.3.2 调参与最终模型
5.3.3 性能度量
5.3.4 比较检验
5.3.5 偏差与方差
5.4 有监督学习
5.4.1 线性回归
5.4.2 线性对数几率回归
5.4.3 贝叶斯分类
5.4.4 决策树
5.4.5 支持向量机
5.5 无监督学习
5.5.1 基本模型
5.5.2 K均值
5.5.3 高斯混合聚类
5.5.4 密度聚类
5.5.5 层次聚类
5.6 小结
思考题
第6章 神经网络
6.1 神经元和神经网络
6.1.1 生物神经元和人工神经元
6.1.2 神经网络简介
6.2 线性神经网络和全连接神经网络
6.2.1 线性神经网络
6.2.2 全连接神经网络
6.3 BP神经网络
6.3.1 标准BP神经网络算法和流程
6.3.2 标准BP神经网络分析和改进
6.4 卷积神经网络
6.4.1 卷积的基本知识
6.4.2 卷积神经网络的产生动机
6.4.3 卷积神经网络的结构
6.5 循环神经网络
6.5.1 导师驱动过程
6.5.2 计算循环神经网络的梯度
6.5.3 双向循环神经网络
6.6 生成对抗神经网络
6.7 小结
思考题
第7章 深度学习
7.1 深度学习的概念
7.1.1 深度学习的简介
7.1.2 深度学习的特点
7.1.3 深度学习的发展
7.2 深度卷积神经网络
7.2.1 深度卷积神经网络的简介
7.2.2 深度卷积神经网络的结构
7.3 深度残差网络
7.3.1 深度残差网络的简介
7.3.2 深度残差网络的结构
7.4 深度循环神经网络
7.4.1 深度循环神经网络的简介
7.4.2 深度循环神经网络的结构
7.5 门控循环单元
7.5.1 门控循环单元的简介
7.5.2 门控循环单元的结构
7.6 长短期记忆网络
7.6.1 长短期记忆网络的简介
7.6.2 长短期记忆网络的结构
7.7 注意力机制
7.7.1 注意力机制的简介