本书主要介绍与人工智能相关的一些基础知识，主要面向将人工智能基础理论作为学习工具的读者。第1章简要介绍人工智能的发展及国内外研究现状，第2章详细给出学习人工智能需要具备的基础数学知识，第3～8章分别介绍不同的人工智能技术，第9章给出具体的应用实例。本书可为读者进一步学习或应用人工智能相关理论与技术奠定一定的基础。另外，为便于读者理解及巩固所学知识点，各章在必要之处均列有例题，并在各章后配有一定数量的习题，最后附有习题的详细解答。
本书可以作为高等院校人工智能相关专业本科生或研究生的教学参考书。

宋永端，教授/博导，IEEE Fellow,国际欧亚科学院院士，国家“千人计划“专家（首批），注册职业工程师（美国），美国教师名人录，中国自动化学会常务理事，重庆大学自动化学院院长。1992年获美国田纳西理工大学电气及计算机工程博士学位，长期从事控制理论及应用，机器人及智能系统方面的研究，著有中英文著作8部。

第1章 人工智能简介
1.1 人工智能定义
1.2 人工智能发展历史与三大学派
1.2.1 人工智能发展历史
1.2.2 三大学派
1.3 国内外发展现状、挑战与未来趋势
1.3.1 国内外发展现状
1.3.2 面临的问题
1.3.3 未来发展趋势
习题
参考文献
第2章 数学基础
2.1 矩阵及其运算
2.1.1 向量
2.1.2 矩阵
2.1.3 矩阵运算
2.1.4 范数
2.2 导数与微分
2.2.1 导数
2.2.2 微分
2.2.3 偏导数
2.3 泰勒展开式
2.4 梯度及其运算
2.4.1 梯度
2.4.2 梯度下降
2.5 概率论相关知识
2.5.1 概率
2.5.2 条件概率
2.5.3 随机变量的分布函数
2.5.4 数学期望
习题
参考文献
第3章 机器学习的起点： 线性回归
3.1 线性回归模型建立
3.1.1 机器学习角度
3.1.2 统计学角度
3.2 线性回归原理
习题
参考文献
第4章 支持向量机
4.1 线性可分支持向量机
4.1.1 线性可分支持向量机的定义
4.1.2 函数间隔与几何间隔
4.1.3 间隔最大化
4.1.4 线性可分支持向量机学习的对偶算法
4.2 线性支持向量机
4.2.1 线性支持向量机的定义
4.2.2 线性支持向量机学习的对偶算法
4.2.3 支持向量
4.2.4 合页损失函数
4.3 非线性支持向量机
4.3.1 核技巧
4.3.2 常见的核函数
4.3.3 非线性支持向量机
习题
参考文献
第5章 神经网络及基本结构
5.1 神经元介绍
5.2 感知机
5.3 神经网络的基本结构
5.4 反向传播
5.5 梯度下降算法
习题
参考文献
第6章 卷积神经网络
6.1 卷积神经网络发展历史
6.2 卷积神经网络结构
6.2.1 卷积层
6.2.2 池化层
6.2.3 softmax分类函数
6.3 卷积神经网络常用的损失函数
6.4 卷积神经网络常用的训练算法
6.4.1 随机梯度下降算法
6.4.2 RMSProp优化算法
6.4.3 Adam优化算法
习题
参考文献
第7章 循环神经网络
7.1 循环神经网络原理
7.1.1 RNN的基本结构
7.1.2 RNN的前向传播
7.1.3 RNN的反向传播
7.1.4 双向RNN
7.1.5 基于编码解码的序列到序列架构
7.2 长期依赖问题及优化
7.3 基于门结构的RNN
7.3.1 门结构
7.3.2 LSTM
7.3.3 GRU
7.4 注意力机制
7.4.1 NLP中注意力机制的起源
7.4.2 注意力机制的标准形式
7.4.3 注意力机制的变形
习题
参考文献
第8章 分类与聚类
8.1 基于判别函数的分类方法
8.1.1 广义判别函数法
8.1.2 分段线性判别函数法
8.2 基于已知样本类别的分类方法
8.2.1 参数估计法
8.2.2 非参数估计
8.3 基于未知样本类别的聚类方法
8.3.1 基于距离阈值的聚类算法
8.3.2 层次聚类法
8.3.3 动态聚类算法
习题
参考文献
第9章 应用实例
9.1 MATLAB基础
9.1.1 常量
9.1.2 变量
9.1.3 数组
9.1.4 矩阵
9.1.5 函数
9.1.6 循环语句
9.1.7 条件语句
9.2 几个典型案例
9.2.1 房价预测
9.2.2 支持向量机的二分类应用
9.2.3 豆瓣读书评价分析
9.2.4 手写数字识别
9.2.5 基于循环神经网络的情感分类
9.2.6 国民健康状况研究
参考文献
参考答案