本书是新一代人工智能实践系列教材之一，是一本系统介绍人工智能基础知识和基本原理的入门书籍，从经典人工智能入手，介绍知识表示、确定性推理、不确定性推理、专家系统和演化算法等。同时，也介绍了典型机器学习和深度学习的学习框架和方法，如决策树、支持向量机、卷积神经网络、循环神经网络和生成对抗网络等。另外，本书以PyTorch、sklearn等为基础通过实践项目巩固人工智能的基础知识，帮助读者从理论和实践中提高人工智能的知识水平。
本书适合作为高等学校人工智能专业及计算机类相关专业的本科生、研究生学习人工智能的教材，也可作为人工智能领域从业人员或对人工智能感兴趣的读者的参考书。

徐增林，哈尔滨工业大学（深圳）教授，博士生导师，曾在香港中文大学、密西根州立大学、马克斯普朗克计算机研究所、普度大学、电子科技大学等单位从事科研工作。主要研究方向为机器学习及应用，在人工智能领域发表一百多篇国际会议和期刊论文，发表专著一部，任国际神经网络学会成都学会主席，担任Neural Networks、Neurocomputing等期刊编委。获国际神经网络学会青年研究者奖，获国家、四川省、深圳市等高层次人才称号。

第1章 绪论
内容导读
1.1 人工智能定义
1.2 人工智能发展历程
1.3 人工智能学派
1.3.1 符号主义
1.3.2 连接主义
1.3.3 行为主义
1.4 人工智能应用
1.5 人工智能伦理
1.6 人工智能展望
习题
参考文献
第2章 知识表示
内容导读
2.1 知识的基本概念
2.1.1 知识的特性
2.1.2 知识的分类
2.1.3 知识的表示
2.2 图表示
2.2.1 邻接矩阵表示法
2.2.2 邻接表表示法
2.2.3 图嵌入
2.3 谓词逻辑表示
2.3.1 命题逻辑
2.3.2 谓词逻辑
2.3.3 命题函数与量词
2.3.4 谓词逻辑表示法的特点
2.3.5 谓词逻辑表示法的局限性
2.4 产生式表示
2.4.1 产生式系统
2.4.2 产生式系统的工作过程
2.4.3 产生式表示法的特点
2.4.4 产生式表示法的局限性
2.5 框架表示
2.5.1 框架的组成结构
2.5.2 框架系统问题求解
2.6 语义网络表示
2.6.1 语义网络
2.6.2 语义联系
2.6.3 语义网络求解过程
2.7 脚本表示
2.8 本体和知识图谱
2.8.1 本体概念
2.8.2 知识图谱概念
2.8.3 本体和知识图谱的异同
习题
参考文献
第3章 确定性推理
内容导读
3.1 图搜索策略
3.2 盲目搜索
3.2.1 宽度优先搜索
3.2.2 深度优先搜索
3.3 启发式搜索
3.3.1 启发式搜索策略与估价函数
3.3.2 有序搜索
3.3.3 A算法
3.4 归结演绎推理
3.4.1 子句集
3.4.2 归结原理
3.4.3 基于归结的问题求解
3.5 规则演绎推理
3.5.1 规则正向演绎推理
3.5.2 规则逆向演绎推理
习题
参考文献
第4章 不确定性推理
第5章 专家系统
第6章 演化算法
第7章 机器学习
第8章 监督学习
第9章 无监督学习
第10章 神经网络基础
第11章 深度神经网络
附录
后记