本书全面系统地阐述了人工智能的基本原理，勾画了人工智能理论和技术体系的基本框架，内容涵盖了人工智能各个分支领域的基本知识和主要内容，并体现了人工智能的最 新进展。本书内容全面、基础、新颖、实用，为读者进一步学习和研发奠定了基础，指引了方向。全书共分为六篇，每篇为一个知识单元。本书结构风格独特，条理清楚，语言精练，图文并茂，理例结合，深入浅出，易读易懂，易教易学。本书适合于人工智能、数据科学、计算机、自动化、软件工程、网络工程、电子信息等专业使用，亦可供其他专业的师生和相关工程技术人员自学或参考。

在互联网、大数据和高速计算的支持下，以深度学习的成功应用为标志和引信，近年来蓄势已久的人工智能研究和应用出现了井喷式爆发。人工智能的迅猛发展引起了各国政府的高度重视，各国政府纷纷制定、颁布相关的规划和政策。2017年7月，国务院发布了《新一代人工智能发展规划》。2018年4月，教育部又发布了《高等学校人工智能创新行动计划》。此后，国内各高等院校纷纷开设了人工智能课程，有不少高校设置了人工智能专业，甚至成立了人工智能学院。

正是在这样的背景下，笔者才撰写了这本《人工智能导论》，并荣幸地被清华大学出版社列选和出版。但本书并非一部全新之作，它实际上是在《人工智能技术导论》（第三版）的基础上扩充而成的。

2000年1月，笔者的《人工智能技术导论》一书在西安电子科技大学出版社出版。2002年推出该书第二版，2007年推出第三版。其中，第二版被评为科技类全国优秀畅销书并荣获省部级教学成果二等奖，第三版则为国家“十一五”规划教材并再次获省级二等奖。从2000年起，这三部教材相继发行至今，已被国内百余所院校所采用，并被数十部同类教材或书籍所参考，还被百余篇有关学术论文所引用。

然而，近年来人工智能学科正在以前所未有的速度迅猛发展，新思想、新理论、新技术、新方法不断涌现，新分支、新领域不断开拓，那么，在这样的新形势下，作为人工智能的导论性教材也应该与时俱进，于是，这部新版教材便应需而生。

鉴于已经有了人工智能专业，这部新教材的适用范围就从计算机、信息类专业扩展到人工智能专业。于是，其写作目标被定为： 勾画人工智能学科的总体架构，阐述其各个分支的原理、方法、课题和发展概况，涵盖人工智能的基本知识、经典内容和最新进展，为读者进一步学习和研发奠定基础，指引方向。

面对新的水准和目标，笔者参阅了国内外大量文献资料，一方面博采众长，一方面又不落俗套，大胆创新，在原教材的基础上，对本书的内容进行重新策划，反复斟酌，几经修改，方脱稿成书。具体来讲，对于本书的撰写，笔者主要从以下几个方面做了努力和探索，这也可算是本书的一些特色。

——结合人工智能学科的已有成果与研究现状，以及自己的教学和研究实践，在第1章中系统地介绍了人工智能的基本概念、研究内容、研究方法、分支领域、应用前景、历史沿革、现状与趋势，全方位地归纳和总结了人工智能的基本原理，构成了全书的导引和平台。

——将人工智能学科的研究内容归纳概括为： 搜索与求解、知识与推理、学习与发现、发明与创造、感知与响应、理解与交流、记忆与联想、竞争与协作、系统与建造、应用与工程等十个方面，它们构成了人工智能学科的总体架构； 进而在此基础上组织教材，将教材内容分为搜索与求解、知识与推理、学习与发现、感知与决策和理解与交流、系统与建造等五个知识单元，再加上第一单元共六个单元。这六个知识单元构成了本书独特的结构风格。

——在选材方面，以全面、基础、典型、新颖为原则，以人工智能的经典著作为依据，并参考ACM和IEEECS中对人工智能课程内容的要求，同时又兼顾该学科的当前热点，确定各篇、章、节的具体内容和详略程度。书中收编了人工智能的最新成果，但又不刻意赶时髦、追风头； 书中涉及人工智能的诸多课题，但对于较深入和较专门的内容则点到为止。另外，书中还融入了笔者自己的一些学术观点和研究成果（书中第8.5.1节～8.5.3节和第14章取材于笔者的专著： Principles of ImpreciseInformation Processing: A New Theoretical and Technological System（Springer Nature, 2016），这些可作为选讲内容）。

还需说明的是，考虑到本书的专业性质，故选材较为宽泛和基础。其中有些内容看起来似乎不那么时髦和热门，但对于人工智能专业和计算机类专业的学生来讲，则是必备的基础知识。这些内容即使课堂上不讲或不全讲，也至少可以作为学生的专业资料积累和知识储备。

——从整书到各篇、章、节，基本上都是“概述”+“实例”——这种近乎“分形”式的结构模式和行文风格，从而使教材内容泛而不空，虚中有实，而使读者能够既概略又具体地了解和掌握人工智能的基本知识和技能。

——本书在写作上所追求的目标和效果是： 将道理讲清楚，让读者看明白。为此，本书在写法上继续保持层次分明、条理清楚、理例结合、图文并茂、深入浅出、详略得当的行文风格，并力求将复杂问题简单化，将艰涩理论通俗化，使得本书更加易读易懂、易教易学。

——为了体现和突出“导论”性，书中每一篇的开头都有导语，大部分章节开头都有引言或概述，有些章节末尾还有进一步的延伸学习导引。

——除了习题外，书中还安排了上机实习及指导。书末还附有中英文名词对照及索引——相当于一本小型人工智能辞典。另外，对任课老师还配备了一整套教学资源，包括教学大纲、教学课件、电子教案、在线作业、教学计划表和微课视频，可供使用或参考。

——本书的结构特点使本书具有很好的适应性。事实上，任课老师和读者可以以第1章为基础和平台，再根据各自的需要，灵活地选取书中的篇、章、节甚至小节，组织自己的教学内容。也就是说，本书可适应多种不同课时和要求的教学。

以上特点使得本书还特别适合自学。

资源下载提示

课件等资源： 扫描封底的“课件下载”二维码，在公众号“书圈”下载。

教材(源码)等资源： 扫描目录上方的二维码下载。

在线作业： 扫描封底刮刮卡中的二维码，可以登录在线作业平台。

总之，较之前的《人工智能技术导论》（第三版），本书内容更加充实和精练，质量又有了进一步提升。虽然如此，但之前教材的影子仍隐约可见。也就是说，使用过《人工智能技术导论》（第三版）的院校和老师很容易转到这部新教材上来。

全书共有6篇19章，全部讲授大约需要80学时。目录中带星号的章节可作为选讲内容。另外，还有10学时的上机实习。

经过60余年的发展，人工智能已有了长足进步，内容已非常丰富； 但它仍然是一个发展中的学科，尚未形成一个公认的定型的理论和技术体系。所以，要编撰一部高质量、有特色的导论性教材并非易事。加之视野和水平有限，所以，尽管自己付出了很大努力，但书中肯定仍有一些不尽如人意甚至错误之处。故恳请专家、同行不吝赐教，也希望选用本书的各位老师和同学及读者提出宝贵意见和建议。

在本书出版之际，我要衷心感谢清华大学出版社计算机与信息分社社长魏江江和王冰飞编辑，正是在他们的支持和付出下，本书才得以顺利完成和出版。同时，我还要感谢那些为本书提供了知识资源的国内外专家、学者以及所有为本书的撰写和出版提供过帮助和支持的人士！

作者2020年4月

配套资源下载

第1篇概述与工具

第1章人工智能概述

1.1什么是人工智能

1.1.1人工智能的概念

1.1.2图灵测试和中文屋子

1.1.3脑智能和群智能

1.1.4符号智能和计算智能

1.1.5统计智能和交互智能

1.2为什么要研究人工智能

1.2.1研究人工智能的意义

1.2.2人工智能的研究目标和策略

1.3人工智能的相关学科

1.4人工智能的研究内容

1.4.1搜索与求解

1.4.2知识与推理

1.4.3学习与发现

1.4.4发明与创造

1.4.5感知与响应

1.4.6理解与交流

1.4.7记忆与联想

1.4.8竞争与协作

1.4.9系统与建造

1.4.10应用与工程

1.5人工智能的研究途径与方法

1.5.1心理模拟，符号推演

1.5.2生理模拟，神经计算

1.5.3行为模拟，控制进化

1.5.4群体模拟，仿生计算

1.5.5博采广鉴，自然计算

1.5.6着眼数据，统计建模

1.6人工智能的应用

1.6.1难题求解

1.6.2自动规划、调度与配置

1.6.3机器博弈

1.6.4机器翻译与机器写作

1.6.5机器定理证明

1.6.6自动程序设计

1.6.7智能控制

1.6.8智能管理

1.6.9智能决策

1.6.10智能通信

1.6.11智能预测

1.6.12智能仿真

1.6.13智能设计与制造

1.6.14智能车辆与智能交通

1.6.15智能诊断与治疗

1.6.16智能生物信息处理

1.6.17智能教育

1.6.18智能人机接口

1.6.19模式识别

1.6.20智能机器人

1.6.21数据挖掘与知识发现

1.6.22计算机辅助创新

1.6.23计算机文艺创作

1.7人工智能的分支领域与研究方向

1.8人工智能学科发展概况

1.8.1孕育与诞生

1.8.2符号主义先声夺人

1.8.3连接主义不畏坎坷

1.8.4计算智能异军突起

1.8.5统计智能默默奉献

1.8.6智能主体一统江湖，Agent & Robot

1.8.7知识工程东山再起，机器学习领衔高歌

1.8.8现状与趋势

习题1

第2章人工智能程序设计语言

2.1概述

2.1.1函数型语言

2.1.2逻辑型语言

2.1.3面向对象语言

2.1.4计算型语言

2.1.5混合型语言

2.2知识工程经典语言PROLOG

2.2.1PROLOG的语句

2.2.2PROLOG的程序

2.2.3PROLOG程序的运行机理

2.3机器学习流行语言Python

2.3.1Python语言的特点和优势

2.3.2Python程序举例

习题2

第2篇搜索与求解

第3章图搜索与问题求解

3.1状态图与状态图搜索

3.1.1状态图

3.1.2状态图搜索

3.1.3穷举式搜索

3.1.4启发式搜索

3.1.5加权状态图搜索

3.1.6A算法和A*算法

3.1.7状态图搜索策略小结

3.2状态图搜索问题求解

3.2.1问题的状态图表示

3.2.2状态图问题求解程序举例

3.3与或图与与或图搜索 

3.3.1与或图

3.3.2与或图搜索

3.3.3启发式与或树搜索

3.4与或图搜索问题求解

3.4.1问题的与或图表示

3.4.2与或图问题求解程序举例

3.5博弈树搜索*

3.5.1博弈树的概念

3.5.2极小极大分析法

3.5.3αβ剪枝技术

习题3

第4章基于遗传算法的随机优化搜索

4.1基本概念

4.2基本遗传算法

4.3遗传算法应用举例

4.4遗传算法的特点与优势

习题4

第3篇知识与推理

第5章基于一阶谓词的机器推理

5.1一阶谓词逻辑

5.1.1谓词，函数，量词

5.1.2谓词公式

5.1.3永真式与推理规则

5.1.4自然语言命题的谓词形式表示

5.1.5基于谓词公式的形式演绎推理

5.2归结演绎推理

5.2.1子句与子句集

5.2.2命题逻辑中的归结原理

5.2.3替换与合一

5.2.4谓词逻辑中的归结原理

5.3应用归结原理求取问题答案

5.4归结策略*

5.4.1问题的提出

5.4.2常用的归结策略

5.4.3归结策略的类型

5.5归结反演程序举例*

5.6Horn子句逻辑与逻辑程序设计语言*

5.6.1子句的蕴涵表示形式

5.6.2Horn子句逻辑与计算机程序语言

延伸学习导引

习题5

第6章基于产生式规则的机器推理

6.1产生式规则

6.1.1产生式规则与推理网络

6.1.2基于产生式规则的推理模式

6.2产生式系统

6.2.1系统结构

6.2.2运行过程

6.2.3控制策略与常用算法

6.2.4程序实现

6.3产生式系统与图搜索问题求解

习题6

第7章几种结构化知识表示及其推理

7.1元组

7.2框架

7.2.1框架的概念

7.2.2框架的表达能力

7.2.3基于框架的推理

7.2.4框架的程序语言实现

7.3语义网络

7.3.1语义网络的概念

7.3.2语义网络的表达能力

7.3.3基于语义网络的推理

7.3.4语义网络的程序语言实现

7.4知识图谱

7.5类与对象

习题7

第8章不确定和不确切性知识的表示与推理

8.1概述

8.2不确定性知识的表示及推理

8.2.1不确定性知识的表示

8.2.2不确定性推理

8.3几种经典的不确定性推理模型*

8.3.1确定性理论

8.3.2主观贝叶斯方法

8.3.3证据理论

8.4基于贝叶斯网络的概率推理

8.4.1什么是贝叶斯网络

8.4.2用贝叶斯网络表示不确定性知识

8.4.3基于贝叶斯网络的概率推理

8.5不确切性知识的表示及推理

8.5.1软语言值及其数学模型

8.5.2不确切性知识的表示

8.5.3基于软语言规则的推理*

8.5.4基于模糊集合与模糊关系的模糊推理*

8.5.5对模糊推理的简单评述*

延伸学习导引

习题8

第4篇学习与发现

第9章机器学习： 符号学习与交互学习

9.1机器学习概述

9.1.1机器学习的概念

9.1.2机器学习的原理

9.1.3机器学习的分类

9.2几种典型的(符号)学习方法

9.2.1记忆学习

9.2.2示例学习

9.2.3演绎学习

9.2.4类比学习

9.2.5解释(分析)学习

9.2.6发现学习

9.3决策树学习

9.3.1什么是决策树

9.3.2如何学习决策树

9.3.3决策树学习的ID3算法

9.3.4决策树学习的发展

9.4强化学习

9.4.1简单原理

9.4.2值函数、Q函数和Q学习算法

9.4.3强化学习的发展概况

习题9

第10章统计学习

10.1概述

10.2几种基本判别模型的学习

10.2.1回归问题的线性函数模型学习，梯度下降法

10.2.2分类问题的线性判别函数模型学习

10.2.3分类问题的Logistic回归模型学习，梯度上升法

10.3监督学习中的几个进一步的问题

10.3.1监督学习的主要工作及步骤

10.3.2准则函数的演变

10.3.3过拟合、欠拟合、正则化

10.3.4模型与学习方法的分类

10.4支持向量机简介

10.4.1最大间隔超平面

10.4.2线性可分支持向量机

10.4.3线性支持向量机和非线性支持向量机

延伸学习导引

习题10

第11章神经网络学习

11．1从生物神经元到人工神经元

11．2神经网络及其学习

11．2．1神经网络的拓扑结构与功能

11.2.2神经网络的学习机理与方法

11.2.3神经网络模型及其分类

11.3感知器及其学习举例

11.4BP网络及其学习举例

11.5深度学习

11.5.1什么是深度学习

11.5.2深度学习的优势

11.5.3深度学习的发展和扩展

11.5.4深度学习框架与平台

延伸学习导引

习题11

第12章数据挖掘与知识发现

12.1引言

12.2概述

12.2.1数据挖掘的一般过程

12.2.2数据挖掘的对象

12.2.3数据挖掘的任务

12.2.4数据挖掘的方法

12.2.5数据挖掘工具与平台

12.3关联规则发现

12.3.1什么是关联规则

12.3.2关联规则的发现机理和方法

12.3.3发现关联规则的Apriori算法

12.3.4关联规则的类型和挖掘算法

12.4k均值聚类算法

12.5大数据挖掘与分布式学习

12.5.1分布式并行计算模型和框架

12.5.2Spache Hadoop(MapReduce)简介

12.5.3基于MapReduce的分布式机器学习

习题12

第5篇感知与响应，理解与交流

第13章模式识别

13.1概述

13.1.1模式、模式类与模式识别

13.1.2模式的表示

13.1.3模式识别系统工作原理

13.1.4模式识别方法分类

13.2统计模式识别

13.2.1距离分类法

13.2.2几何分类法

13.2.3概率分类法

13.3朴素贝叶斯分类算法

13.4概率密度函数估计

13.4.1概述

13.4.2最大似然估计

延伸学习导引

习题13

第14章数语互换*

14.1数语转换——从感知到表达

14.2语数转换——从决策到行动

14.3带数语互换接口的推理系统

延伸学习导引

习题14

第15章自然语言处理

15.1自然语言处理的途径、方法和学派

15.2基于规则的自然语言理解

15.2.1简单句理解

15.2.2复合句理解

15.2.3转换文法和转换网络

15.3统计语言模型

延伸学习导引

习题15

第6篇系统与建造

第16章专家(知识)系统

16.1基本概念

16.1.1什么是专家系统

16.1.2专家系统的特点

16.1.3专家系统的类型

16.1.4专家系统与基于知识的系统

16.1.5专家系统与知识工程

16.2系统结构

16.2.1概念结构

16.2.2实际结构

16.2.3黑板模型

16.2.4网络与分布式结构

16.3实例分析*

16.4系统设计与实现

16.4.1一般步骤与方法

16.4.2快速原型法和增量式开发

16.4.3知识获取

16.4.4知识表示与知识描述语言设计

16.4.5知识库与知识库管理系统设计

16.4.6推理机与解释机制设计

16.4.7系统结构设计

16.4.8人机界面设计

16.5开发工具与环境

16.5.1开发工具

16.5.2开发环境

16.6专家系统的发展

16.6.1深层知识专家系统

16.6.2自学习专家系统

16.6.3神经网络专家系统

16.6.4大型协同分布式专家系统

习题16

第17章Agent系统

17.1什么是Agent

17.1.1Agent的概念

17.1.2Agent的类型

17.2Agent的结构

17.3Agent实例——Web Agent

17.4多Agent系统

17.4.1多Agent系统的特征和研究内容

17.4.2多Agent系统的体系结构

17.4.3多Agent的合作与学习

17.5Agent的实现

17.6Agent技术的发展与应用

习题17

第18章智能机器人

18.1智能机器人的概念

18.2机器人感知

18.3机器人规划

18.4机器人控制

18.5机器人系统的软件结构

18.6机器人程序设计与语言

18.6.1机器人程序设计

18.6.2机器人程序设计语言

18.7机器人技术进展

习题18

第19章智能计算机与智能化网络

19.1智能计算机

19.1.1智能硬件平台和智能操作系统

19.1.2LISP机和PROLOG机

19.1.3人工智能芯片

19.1.4神经网络计算机，类脑芯片

19.1.5智能计算机发展展望

19.2智能化网络

19.2.1智能网

19.2.2智能Web

19.2.3网络的智能化管理与控制

19.2.4网上信息的智能化检索

19.2.5推荐系统

习题19

上机实习及指导

实习一PROLOG语言编程练习

实习二图搜索问题求解

实习三小型专家系统设计与实现

实习四Python语言统计学习编程练习

实习五Python语言神经网络学习编程练习

实习六深度学习框架应用练习

附录A函数型程序设计语言LISP

中英文名词对照及索引

参考文献

本书内容全面、基础、新颖、实用，为读者进一步学习和研发奠定了基础，指引了方向。本书结构风格独特，条理清楚，语言精练，图文并茂，理例结合，深入浅出，易读易懂，易教易学。