引言：最近翻到了一个在单位书架的旧书，发现一本讲人工智能的书里面目录说的已经和现在的主流大不一样。后来我又在网上随便搜了一个教材的目录，发现两本的出版年份差了很多，同时我感到了其中的差异，甚至是对人工智能的定义重点都不一样了（详细目录在末尾，有兴趣的读者可以比较一下）

---

----首先放一个人工智能概念的总览，反正是收缩的，可以回来点开看（笑）

# 一、人工智能 基础总论
├─ 1.1 核心定义（两代核心差异）
│  ├─ 经典定义：人类智能模拟、逻辑推理、显式知识复刻（符号派）
│  ├─ 现代定义：数据驱动、自主特征学习、统计泛化、通用认知（深度学习派）
│  └─ 统一本质：感知→理解→推理→决策→执行
├─ 1.2 三大学派（必知）
│  ├─ 符号主义：逻辑、规则、知识工程、专家系统（老教材核心）
│  ├─ 联结主义：神经网络、深度学习、大数据拟合（新教材核心）
│  └─ 行为主义：进化计算、强化学习、感知行动、具身智能
├─ 1.3 发展阶段
│  ├─ 早期：逻辑推理期
│  ├─ 中期：专家系统、知识工程期
│  ├─ 过渡期：浅层机器学习、传统神经网络
│  └─ 现代：深度学习、大模型、多模态、通用AI萌芽
└─ 1.4 层级划分
   ├─ 感知智能：视觉、语音、文本识别
   ├─ 认知智能：理解、推理、创作、决策
   ├─ 执行智能：机器人、智能控制、自主运动
   └─ 通用智能AGI：跨场景泛化、自主进化

# 二、经典人工智能核心（2006老书核心，AI底层根基）
├─ 2.1 知识表示（AI推理的基础载体）
│  ├─ 逻辑类：一阶谓词逻辑、命题逻辑、置换与合一
│  ├─ 结构化表示：语义网络、框架表示、剧本表示、面向对象表示
│  ├─ 规则类：产生式表示、过程式表示
│  └─ 现代增补：知识图谱、本体论、图结构知识表示
├─ 2.2 搜索与问题求解
│  ├─ 盲目搜索：广度优先BFS、深度优先DFS、等代价搜索
│  ├─ 启发式搜索：估价函数、A*算法、有序搜索、贪心搜索
│  ├─ 博弈搜索：极小极大算法、α-β剪枝、博弈树
│  └─ 现代增补：约束满足问题、回溯搜索、局部搜索
├─ 2.3 经典推理技术
│  ├─ 确定性推理：消解原理、规则演绎、正向/反向推理
│  ├─ 不确定性推理：概率推理、贝叶斯推理、模糊逻辑推理
│  └─ 拓展推理：非单调推理、缺省推理、常识推理
├─ 2.4 规划系统
│  ├─ 逻辑规划、积木世界规划
│  ├─ STRIPS规划、分层规划、NOAH规划
│  └─ 延伸：多智能体规划、动态环境规划
├─ 2.5 专家系统（传统AI落地核心）
│  ├─ 架构：知识库、推理机、解释器、综合数据库
│  ├─ 分类：规则型、框架型、模型型专家系统
│  └─ 典型案例：MYCIN医疗专家系统
├─ 2.6 传统计算智能
│  ├─ 进化算法：遗传算法、进化策略
│  ├─ 模拟退火、粒子群优化、蚁群算法
│  └─ 早期浅层神经网络：BP、Hopfield
└─ 2.7 传统AI专项领域
   ├─ 智能控制、分布式人工智能Agent
   ├─ 早期自然语言理解、句法分析、规则式机器翻译
   └─ 数据挖掘、人工生命、智能调度

# 三、现代机器学习体系（新教材核心，当下主流）
├─ 3.1 机器学习基础
│  ├─ 学习范式：监督学习、无监督学习、半监督学习、自监督学习
│  ├─ 模型要素：数据集、特征、损失函数、优化器、评估指标
│  └─ 泛化理论：过拟合、欠拟合、正则化、交叉验证
├─ 3.2 经典传统机器学习算法（必掌握）
│  ├─ 分类任务：逻辑回归、决策树、随机森林、SVM、朴素贝叶斯
│  ├─ 回归任务：线性回归、多项式回归、梯度提升回归
│  ├─ 聚类任务：K-Means、高斯混合GMM、密度聚类DBSCAN
│  └─ 集成学习：Bagging、Boosting、AdaBoost、XGBoost/LightGBM
├─ 3.3 深度学习核心框架
│  ├─ 基础单元：神经元、激活函数、反向传播
│  ├─ 视觉网络：CNN卷积神经网络、残差网络、YOLO系列
│  ├─ 时序网络：RNN、LSTM、GRU循环神经网络
│  ├─ 前沿网络：Transformer、注意力机制、预训练模型
│  └─ 生成模型：GAN、扩散模型、对抗样本与攻防
├─ 3.4 进阶学习范式（补齐两本书短板）
│  ├─ 强化学习RL：DQN、PPO、马尔可夫决策过程（贴合你的兵棋/MARL研究）
│  ├─ 多模态学习：图文音跨模态融合、多特征对齐
│  ├─ 终身学习、持续学习、小样本/少样本学习
│  └─ 图学习：图神经网络GNN、时空图建模
└─ 3.5 大模型专项（2024新增核心）
   ├─ 大模型发展脉络、预训练+微调范式
   ├─ 大模型分类：通用大模型、行业垂类大模型
   └─ 关键能力：上下文理解、逻辑推理、工具调用、智能Agent

# 四、人工智能核心应用领域（理论→落地）
├─ 4.1 计算机视觉CV（工程落地最多）
│  ├─ 基础任务：分类、检测、分割、识别
│  └─ 场景：人脸识别、行人重识别、医疗影像、工业质检
├─ 4.2 自然语言处理NLP
│  ├─ 传统：句法分析、规则翻译、语义理解
│  └─ 现代：大模型对话、机器翻译、文本生成、知识问答
├─ 4.3 行业垂直应用
│  ├─ 医疗：辅助诊断、病灶识别、心理/抑郁筛查
│  ├─ 交通/安防：自动驾驶、行为分析、实时监控
│  └─ 金融/农业：风控预测、智慧种植、智能调度
└─ 4.4 智能系统与硬件
   ├─ 机器人学、具身智能、智能控制
   └─ 边缘AI、嵌入式智能、实时推理部署

# 五、交叉前沿+科研必知方向（补充两本书都缺失内容）
├─ 5.1 多智能体系统（贴合你的MARL、兵棋推演）
│  ├─ 分布式Agent、多智能体协作/对抗
│  └─ 部分可观测环境、对手建模、博弈决策
├─ 5.2 人工智能安全
│  ├─ 对抗攻击、模型后门、数据隐私
│  └─ 模型鲁棒性、安全防御算法
├─ 5.3 伦理与社会影响
│  ├─ AI伦理、算法公平性、隐私合规
│  └─ 就业影响、法律规范、文化冲击
└─ 5.4 未来发展趋势
   ├─ 专用智能 → 通用人工智能AGI
   ├─ 单模态 → 多模态融合
   └─ 模型轻量化、端侧智能、具身落地

想再详细了解的，可以看看我的这篇

从数据挖掘到人工智能的脉络地图_人工智能算法 目标 分类 回归 频繁项发掘 相关性分析 时间序列预测 目标检测-CSDN博客https://blog.csdn.net/sinat_27382047/article/details/147781293?spm=1011.2415.3001.5331

---

----2006 蔡自兴《人工智能基础》vs 2024 杨云《人工智能导论》

一、核心结论：时代底色完全不同

1. 2006 版（传统经典 AI）：以符号主义、逻辑推理、知识工程为绝对核心，属于弱人工智能早期范式，AI 定义聚焦「用机器模拟人类逻辑思维、推理、专家经验」；
2. 2024 版（现代深度学习 AI）：以机器学习、深度学习、大模型、多模态、工程落地为核心，属于大数据 + 算力驱动的统计学习范式，AI 定义聚焦「从数据中自动学习特征、泛化认知、通用化智能」。

二、人工智能定义与核心导向差异（感知最明显的点）

维度	2006 蔡自兴《人工智能基础》	2024 杨云《人工智能导论》
核心定义侧重	思维模拟	数据学习
本质理解	人工智能 =人类智能的计算机模拟，复刻人的推理、逻辑、认知过程；强调「显式知识、人工定义规则」	人工智能 =从海量数据中自主学习、模式挖掘、特征拟合；强调「隐式特征、模型自动迭代、统计泛化」
学派重心	符号主义、联结主义、行为主义三足鼎立，符号主义占主导	弱化学派争论，默认深度学习 / 联结主义为主流，简单带过学派
发展视角	聚焦理论框架、技术路线、学派争论，偏基础理论溯源	聚焦感知→认知、专用→通用、多模态、具身智能，偏前沿演进
智能边界	局限于确定规则、封闭场景、专家系统	延伸至开放世界、通用大模型、跨模态、具身机器人、终身学习

三、整体知识体系 & 目录结构重大差异

1. 2006 版：传统 AI 完整闭环，重「经典理论体系」

整体框架：知识表示→搜索→推理→规划→专家系统→传统机器学习→智能控制→AI 编程语言

• 全书80% 内容为经典符号 AI：谓词逻辑、消解原理、产生式系统、框架 / 剧本表示、STRIPS 规划、专家系统、LISP/PROLOG 编程；
• 机器学习仅为附属章节：只讲基础学习策略、浅层 BP、Hopfield 网络，无深度学习概念；
• 保留大量复古研究方向：人工生命、分布式 Agent、进化计算、智能调度、自动程序设计、智能控制；
• 重视理论底层：推理公理、搜索完备性、不确定性推理（模糊逻辑、非单调推理）。

2. 2024 版：删减老旧理论，重「现代落地技术」

整体框架：AI 概述→前沿趋势→基础理论精简→机器学习→深度学习→工程实战

1. 大幅删减淘汰内容完全砍掉：规划系统、专家系统、智能控制、AI 专用编程语言（LISP/PROLOG）、剧本表示、非单调推理、消解原理等老旧符号 AI 内容；
2. 精简传统基础知识表示、搜索、推理极度压缩，只保留工业界还在用的核心（谓词、产生式、A*、启发式搜索）；
3. 新增 2010 年后核心赛道专属章节：大模型、卷积神经网络 CNN、循环神经网络 RNN、SVM、集成学习、聚类；
4. 全书核心转向实战后半本全部为工程落地案例：人脸识别、行人重识别、YOLO 目标检测、对抗攻击、多模态融合、终身学习、医疗 AI；
5. 新增时代新概念知识图谱、具身智能、多模态、通用人工智能、约束满足问题、模型评估与泛化。

---

四、关键模块内容细节对比

1. 知识表示

• 2006：全面且繁琐，包含剧本表示、过程式表示、语义网络完整推理、面向对象完整体系，服务于专家系统与逻辑推理；
• 2024：只保留实用类型，新增知识图谱表示法，删除剧本、语义网络复杂推理，适配大数据与图谱时代。

2. 搜索与算法

• 2006：博弈树、α-β 剪枝、遗传算法收敛性、模拟退火原理深挖，服务于问题求解与规划；
• 2024：弱化博弈、进化算法理论，新增局部搜索、约束满足问题，贴合现代组合优化、工业调度场景。

3. 推理技术

• 2006：核心重点，消解反演、规则演绎、非单调推理、模糊推理，纯逻辑驱动；
• 2024：仅保留演绎 / 归纳 / 概率推理基础，删掉复杂逻辑演算，为机器学习不确定性建模铺路。

4. 机器学习（差异最大）

• 2006：边缘化章节，以符号学习、解释学习、类比学习、浅层神经网络为主，无深度学习；强化学习仅一笔带过；
• 2024：全书核心支柱，完整覆盖：监督 / 无监督学习、分类回归、决策树、CNN/RNN、SVM、随机森林、GMM 聚类、集成学习，完全接轨现代 AI 教学体系。

5. 自然语言 & 应用

• 2006：句法分析、转移网络、机器翻译传统规则方法，应用以工业控制、调度、专家系统为主；
• 2024：弱化传统 NLP 规则方法，应用聚焦医疗、安防、交通、金融等民生产业，落地导向极强。

---

五、背后的时代技术背景（理解差异的根源）

1. 2006 年行业现状深度学习尚未爆发（2012AlexNet 才拐点），AI 主流还是符号主义 + 专家系统 + 浅层神经网络；算力不足、数据量小，只能依靠人工定义知识和规则解决问题。

2. 2024 年行业现状大数据、GPU 算力、预训练大模型、深度学习全面普及；规则式 AI 彻底退场，所有落地 AI（视觉、NLP、语音、医疗）全部依赖数据驱动模型；通用 AI、多模态、具身智能成为研究热点。

---

六、总结核心差异

1. 老书：AI = 逻辑 + 知识 + 规则，讲的是「人怎么定义智能，机器怎么复刻人的思考」；
2. 新书：AI = 数据 + 模型 + 学习，讲的是「机器怎么从海量数据里自己学会智能」；
3. 老书重理论完整性、学派争论、经典算法原理，偏学术历史；
4. 新书重当下主流技术、产业应用、代码实战、前沿方向，偏现代工程。

----附录

 这本书比较早，是2006年的，目录如下

《人工智能基础》蔡自兴

第1章 绪论

1.1 人工智能的定义与发展

1.1.1 人工智能的定义

1.1.2 人工智能的起源与发展

1.2 人类智能与人工智能

1.2.1 研究认知过程的任务

1.2.2 智能信息处理系统的假设

1.2.3 人类智能的计算机模拟

1.3 人工智能的学派及其争论

1.3.1 人工智能的主要学派

1.3.2 对人工智能基本理论的争论

1.3.3 对人工智能技术路线的争论

1.4 人工智能的研究与应用领域

1.4.1 问题求解

1.4.2 逻辑推理与定理证明

1.4.3 自然语言理解

1.4.4 自动程序设计

1.4.5 专家系统

1.4.6 机器学习

1.4.7 人工神经网络

1.4.8 机器人学

1.4.9 模式识别

1.4.10 机器视觉

1.4.11 智能控制

1.4.12 智能检索

1.4.13 智能调度与指挥

1.4.14 分布式人工智能与Agent

1.4.15 计算智能与进化计算

1.4.16 数据挖掘与知识发现

1.4.17 人工生命

1.4.18 系统与语言工具

1.5 人工智能对人类的影响

1.5.1 人工智能对经济的影响

1.5.2 人工智能对社会的影响

1.5.3 人工智能对文化的影响

1.6 对人工智能的展望

1.6.1 更新的理论框架

1.6.2 更好的技术集成

1.6.3 更成熟的应用方法

第2章 知识表示

2.1 概述

2.2 状态空间法

2.2.1 问题状态描述

2.2.2 状态图示法

2.2.3 状态空间表示举例

2.3 问题归约法

2.3.1 问题归约描述

2.3.2 与或图表示

2.3.3 问题归约机理

2.4 谓词逻辑法

2.4.1 谓词演算

2.4.2 谓词公式

2.4.3 置换与合一

2.5 语义网络法

2.5.1 二元语义网络的表示

2.5.2 多元语义网络的表示

2.5.3 连词和量化的表示

2.5.4 语义网络的推理过程

2．6 框架表示

2．6．1 框架的构成

2．6．2 框架的推理

2．7 面向对象表示

2．7．1 面向对象基础

2．7．2 类与类继承

2．7．3 面向对象表示的实例

2．8 剧本表示

2．8．1 剧本的构成

2．8．2 剧本的推理

2．9 过程式表示

第3章 搜索原理

3．1 盲目搜索

3．1．1 图搜索策略

3．1．2 宽度优先搜索

3．1．3 深度优先搜索

3．1．4 等代价搜索

3．2 启发式搜索

3．2．1 启发式搜索策略

．3．2．2 估价函数”

3．2．3 有序搜索

3．2．4 A*算法

3．3 博弈树搜索

3．3．1 博弈概述

3．3．2 极小极大分析法

3．3．3 α-β剪枝技术

3．4 遗传算法

3．4．1 遗传算法的结构

3．4．2 遗传算法的基本原理

3．4．3 遗传算法的收敛性

3．4．4 遗传算法的性能

3．4．5 进化算法

3．4．6 遗传算法展望

3．5 模拟退火算法

3．5．1 模拟退火算法的模型

3．5．2 模拟退火算法的简单应用

3．5．3 模拟退火算法的参数控制问题

第4章 推理技术

4．1 消解原理

4．1．1 化为子句集

4．1．2 消解推理规则

4．1．3 含有变量的消解式

4．1．4 消解反演求解过程

4．2 规则演绎系统

4．2．1 规则正向演绎系统

4．2．2 规则逆向演绎系统

4．2．3 规则双向演绎系统

4．3 产生式系统

4．3．1 产生式系统的组成及表示

4．3．2 正向与反向推理

4．4 不确定性推理

4．4．1 概率推理

4．4．2 贝叶斯推理

4．4．3 模糊逻辑推理与可能性理论

4．5 非单调推理

4．5．1 缺省推理

4．5．2 非单调推理系统

第5章 机器学习

5．1 机器学习的研究意义与发展历史

5．1．1 机器学习的定义和研究意义

5．1．2 机器学习的发展史

5．2 机器学习的主要策略与基本结构

5．3 常见的几种学习方法

5．3．1 机械学习

5．3．2 基于解释的学习

5．3．3 基于事例的学习

5．3．4 基于概念的学习

5．3．5 基于类比的学习

5．3．6 归纳学习

5．3．7 强化学习

5．4 基于神经网络的学习

5．4．1 神经网络的组成与特性

5．4．2 基于反向传播网络的学习

5．4．3 基于Hopfield网络的学习

5．4．4 基于神经网络的推理

第6章 规划系统

6．1 规划的作用与任务

6．1．1 规划的概念

6．1．2 规划的作用与主要问题

6．2 基于谓词逻辑的规划

6．2．1 规划世界模型的谓词逻辑表示

6．2．2 基于谓词逻辑规划的基本过程

6．3 STRIPS规划系统

6．3．1 积木世界的机器人规划

6．3．2 STRIPS规划系统

6．4 分层规划

6．4．1 长度优先搜索

6．4．2 NOAH规划系统

第7章 专家系统

7．1 专家系统概述

7．1．1 专家系统的一般特点

7．1．2 专家系统的结构与类型

7．2 基于规则的专家系统

7．2．1 基于规则的专家系统的基本结构

7．2．2 基于规则的专家系统举例

7．3 基于框架的专家系统

7．3．1 基于框架的专家系统的概念

7．3．2 基于框架的专家系统举例

7．4 基于模型的专家系统

7．4．1 基于模型的专家系统的概念

7．4．2 基于模型的专家系统举例

7．5 专家系统的设计、评价与开发

7．5．1 专家系统的设计

7．5．2 专家系统的评价

7．5．3 专家系统的开发工具

7．6 专家系统设计举例

7．6．1 专家知识的描述

7．6．2 知识的使用

7．6．3 决策的解释

7．6．4 MYCIN系统概述

第8章 自然语言理解

8．1 语言及其理解的一般问题

8．1．1 语言和语言理解

8．1．2 自然语言理解研究的进展

8．1．3 自然语言理解过程的层次

8．2 句法和语法的自动分析

8．2．1 句法模式匹配和转移网络

8．2．2 扩充转移网络

8．2．3 词汇功能语法

8．2．4 语义的解析

8．3 语言理解

8．3．1 简单句的理解方法

8．3．2 复合句的理解方法

8．4 机器翻译

8．5 语音识别

8．5．1 语音识别的发展历史

8．5．2 语音识别的基本原理

8．5．3 语音识别中的难点

8．5．4 语音识别的关键技术

8．6 应用举例

8．6．1 自然语言自动理解系统

8．6．2 机器翻译系统ARIANE

8．6．3 自然语言问答系统

第9章 智能控制

9．1 智能控制概述

9．1．1 智能控制的产生和发展

9．1．2 智能控制的定义

9．2 智能控制的研究领域

9．3 智能控制的学科结构理论

9．3．1 二元结构理论

9．3．2 三元结构理论

9．3．3 四元结构理论

9．4 智能控制的特点与系统一般结构

9．4．1 智能控制的特点

9．4．2 智能控制系统的一般结构

9．5 智能控制系统

9．5．1 递阶智能控制系统

9．5．2 专家控制系统

9．5．3 模糊控制系统

9．5．4 学习控制系统

9．5．5 神经控制系统

9．5．6 进化控制系统

第10章 人工智能程序设计

10．1 符号和逻辑处理编程语言

10．2 LISP语言

10．2．1 LISP的特点和数据结构

10．2．2 LISP的基本函数

10．2．3 递归和迭代

10．2．4 LISP编程举例

10．3 PROLOG语言

10．3．1 语法与数据结构

10．3．2 PROLOG程序设计原理

10．3．3 PROLOG编程举例

10．4 专用开发工具与人工智能机

这本书是2024年11月出版的

《人工智能导论》 杨云

第一部分 人工智能概述

第1章 绪论 1

1.1 引言 1

1.2 人工智能的定义 2

1.3 人工智能的研究目标和内容 3

1.3.1 人工智能的研究目标 3

1.3.2 人工智能的研究内容 3

1.4 人工智能简史 5

1.5 人工智能的学派 7

第2章 人工智能的发展趋势 10

2.1 引言 10

2.2 感知智能迈向认知智能 11

2.3 专用智能迈向通用智能 12

2.4 多模态融合 13

2.5 具身智能 13

2.6 小结 14

第3章 人工智能的应用 15

3.1 引言 15

3.2 人工智能在医疗领域的应用 15

3.3 人工智能在交通领域的应用 17

3.4 人工智能在安防领域的应用 19

3.5 人工智能在金融领域的应用 21

3.6 人工智能在农业领域的应用 22

3.7 小结 24

第4章 知识表示 25

4.1 引言 25

4.2 知识的概念 26

4.2.1 知识的定义 26

4.2.2 知识的特点 26

4.2.3 知识的表示 26

4.3 一阶谓词表示法 28

4.3.1 谓词及谓词公式 28

4.3.2 语法元素 28

4.3.3 谓词的阶 29

4.3.4 谓词公式 29

4.4 产生式表示法 30

4.4.1 基本产生式表示法 30

4.4.2 BNF范式 31

4.4.3 产生式系统 31

4.5 框架表示法 32

4.5.1 基本概念 32

4.5.2 具体方法 33

4.6 面向对象表示法 34

4.6.1 基本概念 34

4.6.2 面向对象的知识表示 34

4.7 知识图谱表示法 35

4.7.1 本体介绍 35

4.7.2 具体方法 35

4.8 小结 38

第5章 推理技术 39

5.1 引言 39

5.2 推理技术概述 39

5.2.1 发展概况 39

5.2.2 推理分类 40

5.3 演绎推理 40

5.3.1 基本概念 40

5.3.2 演绎推理方法 41

5.3.3 一阶逻辑的推理 41

5.4 归纳推理 42

5.4.1 基本概念 42

5.4.2 归纳推理方法 43

5.5 概率推理 43

5.5.1 不确定性推理 43

5.5.2 基本概念 44

5.5.3 概率推理方法 44

5.6 综合应用案例 45

5.7 小结 47

第6章 搜索策略 48

6.1 引言 48

6.2 搜索策略概述 48

6.2.1 搜索策略的定义 48

6.2.2 搜索的基本组件 49

6.3 盲目搜索算法 50

6.3.1 广度优先搜索 50

6.3.2 深度优先搜索 51

6.3.3 DFS和BFS的比较 52

6.4 启发式搜索算法 53

6.4.1 启发式函数 53

6.4.2 A*搜索算法 53

6.4.3 贪心最佳优先搜索算法 54

6.5 局部搜索算法 55

6.5.1 爬山算法 55

6.5.2 模拟退火算法 56

6.5.3 遗传算法 56

6.6 约束满足问题 57

6.6.1 约束满足问题的定义 57

6.6.2 回溯搜索算法 58

6.6.3 前向检查 58

6.7 搜索策略的评估和选择 59

6.7.1 搜索策略的效率和复杂性 59

6.7.2 案例研究和实际应用示例 60

6.8 未来趋势和挑战 61

6.8.1 搜索策略的最新发展 61

6.8.2 搜索策略面临的挑战 61

6.9 小结 61

第7章 人工智能大模型 63

7.1 引言 63

7.2 大模型的定义 63

7.3 大模型的发展历程 65

7.4 大模型的分类 66

7.5 小结 71

第二部分 机器学习关键技术

第8章 机器学习概述 72

8.1 引言 72

8.2 机器学习的历史 73

8.3 机器学习的基本原理 74

8.3.1 监督学习与无监督学习 74

8.3.2 机器学习生命周期 76

8.4 机器学习的应用领域 77

第9章 分类与回归 79

9.1 引言 79

9.2 任务概述 79

9.2.1 监督学习基础 79

9.2.2 应用场景与重要性 80

9.3 分类任务 80

9.3.1 二分类与多分类 80

9.3.2 常见的分类算法 81

9.3.3 分类模型评估 82

9.4 回归任务 83

9.4.1 线性回归 83

9.4.2 常见的回归算法 84

9.4.3 回归模型评估 84

9.5 经典案例 85

9.5.1 分类问题案例分析 85

9.5.2 回归问题案例分析 87

9.6 未来发展趋势 88

9.7 小结 89

第10章 决策树 91

10.1 引言 91

10.2 决策树的生成 92

10.3 分类树 94

10.4 回归树 95

10.5 剪枝 96

10.6 小结 98

第11章 神经网络 99

11.1 引言 99

11.2 神经元与神经网络 100

11.3 前馈神经网络 102

11.4 循环神经网络 103

11.5 卷积神经网络 106

11.6 小结 109

第12章 支持向量机 111

12.1 引言 111

12.2 间隔与支持向量 111

12.2.1 函数间隔与几何间隔 112

12.2.2 间隔最大化 113

12.2.3 支持向量 113

12.3 对偶问题 114

12.4 线性支持向量机 115

12.4.1 软间隔 115

12.4.2 合页损失函数 117

12.5 核技巧与非线性支持向量机 118

12.5.1 核技巧 118

12.5.2 非线性支持向量机 120

12.6 小结 121

第13章 聚类 122

13.1 引言 122

13.2 相似度或距离 123

13.3 性能度量 124

13.4 k均值聚类 126

13.4.1 聚类目标 126

13.4.2 算法 127

13.5 高斯混合聚类 128

13.5.1 高斯混合模型 128

13.5.2 期望极大化算法估计参数 129

13.6 密度聚类 131

13.7 小结 133

第14章 集成学习 135

14.1 引言 135

14.2 Bagging算法与随机森林算法 136

14.2.1 Bagging算法 136

14.2.2 随机森林算法 139

14.3 Boosting算法 140

14.3.1 AdaBoost算法 140

14.3.2 梯度提升算法 143

14.4 模块融合策略 144

14.4.1 投票法 144

14.4.2 平均法 145

14.5 多样性 145

14.5.1 误差-分歧分解 145

14.5.2 多样性测量指标 147

14.6 小结 148

第三部分 人工智能应用实战

第15章 复杂场景下的人脸识别系统 150

15.1 引言 150

15.2 人脸识别介绍 151

15.3 FaceNet 152

15.3.1 模型结构 152

15.3.2 三元组损失函数 153

15.3.3 三元组选择策略 154

15.4 人脸识别数据集 154

15.5 算法实现 155

15.5.1 加载数据集 155

15.5.2 定义模型 157

15.5.3 损失计算 159

15.5.4 模型训练 160

15.6 人脸识别实践 163

15.6.1 实验设置 163

15.6.2 实验结果 163

15.7 小结 164

第16章 多目标跨摄像头的实时行人重识别系统 166

16.1 引言 166

16.2 行人重识别介绍 166

16.3 行人重识别算法介绍 168

16.3.1 非局部注意力机制的融合 169

16.3.2 广义平均池化 169

16.3.3 加权正则化的三元组损失函数 169

16.3.4 中心损失函数 169

16.3.5 分类损失函数 170

16.3.6 训练策略 170

16.4 行人重识别数据集 171

16.5 算法实现 171

16.5.1 定义数据集 171

16.5.2 定义模型 174

16.5.3 定义损失函数 178

16.5.4 模型训练 180

16.6 行人重识别实践 181

16.6.1 实验设置 181

16.6.2 实验结果 181

16.7 小结 182

第17章 单阶段实时目标检测系统 184

17.1 引言 184

17.2 基于深度学习的目标检测算法 186

17.2.1 两阶段目标检测器 186

17.2.2 单阶段目标检测器 188

17.3 YOLO目标检测框架 189

17.3.1 边界框的位置参数 191

17.3.2 边界框的置信度 192

17.3.3 类别置信度 192

17.4 YOLOv8目标检测实践 193

17.4.1 YOLOv8快速安装及使用 194

17.4.2 模型训练 196

17.4.3 模型验证 197

17.4.4 模型预测 198

17.5 小结 200

第18章 基于对抗攻击的图像/视频安全攻防系统 202

18.1 引言 202

18.2 对抗样本攻击介绍 203

18.2.1 基于优化的对抗攻击 203

18.2.2 基于梯度的对抗攻击 204

18.2.3 基于敏感特征的对抗攻击 204

18.2.4 基于几何变换的对抗攻击 205

18.2.5 基于生成模型的对抗攻击 205

18.3 对抗防御简介 206

18.3.1 对抗样本存在的原因 206

18.3.2 对抗防御手段 207

18.4 FGSM对抗攻击实践 207

18.4.1 数据集说明与使用 208

18.4.2 训练蜜蜂与蚂蚁识别网络 210

18.4.3 FGSM对抗攻击 214

18.5 小结 216

第19章 基于面部视频流数据的抑郁症辅助诊断系统 218

19.1 引言 218

19.2 面部表情识别与抑郁症识别 219

19.3 抑郁症数据集的制作及使用 221

19.3.1 抑郁症数据收集 221

19.3.2 公开的抑郁症数据集 222

19.4 面部视频流抑郁症识别实践 223

19.4.1 视频流数据采样 223

19.4.2 人脸检测与剪裁 224

19.4.3 预训练模型的特征提取 226

19.4.4 基于面部表情的抑郁症识别 227

19.5 小结 228

第20章 基于多模态的抑郁症辅助诊断系统 230

20.1 引言 230

20.2 基于多模态的抑郁症识别 231

20.3 基于多模态的抑郁症识别实践 234

20.3.1 图像特征提取 234

20.3.2 音频特征提取 235

20.3.3 文本特征提取 237

20.3.4 多模态特征融合 239

20.4 小结 240

第21章 基于终身学习的抑郁症辅助诊断系统 242

21.1 引言 242

21.2 终身学习研究现状 243

21.2.1 基于样本重演的终身学习方法 244

21.2.2 基于正则化的终身学习方法 244

21.2.3 基于参数孤立的终身学习方法 245

21.3 持续表征对比学习 245

21.3.1 全局与局部混合数据对比一致性学习 246

21.3.2 持续表征融合 248

21.4 终身学习算法实践 249

21.5 小结 252

参考文献 253

对比可以发现，后面的随着深度学习以及大模型的出现，比重已经变成了主要地位。还有，过去的“机器人学”现在改叫做“具身智能”了，概念也在与时俱进。