描述
开 本: 16开纸 张: 胶版纸包 装: 精装是否套装: 否国际标准书号ISBN: 9787030797469
内容简介
《人工智能原理——从计算到谋算的模型、原理与方法》是人工智能基本原理的纲领性科学总结。《人工智能原理——从计算到谋算的模型、原理与方法》由五部分构成。**部分分析现有的物理世界科学体系下的人工智能技术的根本缺陷;第二部分介绍基于数理逻辑与计算原理的人工智能原理与技术;第三部分介绍基于深度神经网络的机器学习的数学原理、计算原理;第四部分介绍人工智能的博弈理论和量子人工智能;第五部分介绍我国学者创立的人工智能的信息科学原理。提出人工智能的智能论题:一个自我意识主体的智能就是该自我意识主体的信息,即智能=信息。实现了基于科学原理的“有算有谋”的人工智能,奠定了人工智能科学的基础。
目 录
目录
**部分 人工智能总论
第1章 人工智能简介 3
1.1 人工智能的科学思想起源 3
1.2 人工智能的数理逻辑原理 5
1.3 人工智能的计算原理 6
1.4 图灵对机器智能的研究 8
1.5 人工智能研究的兴起 9
1.6 符号主义人工智能 9
1.7 连接主义人工智能 10
1.8 行为主义人工智能 11
1.9 人工智能的数学、物理挑战 12
1.10 人工智能的重大科学挑战 12
1.10.1 数学、物理对象的可分性 12
1.10.2 信息世界对象的不可分性 13
1.10.3 信息世界对象的可定义性问题 14
1.10.4 人学习的基本问题 14
1.10.5 自我意识的基本问题 15
1.10.6 博弈/谋算的基本科学问题 16
1.10.7 本节小结 16
1.11 信息科学重大挑战性问题 16
1.11.1 **信息论 16
1.11.2 生成策略 18
1.11.3 解码策略 19
1.11.4 信息的模型 19
1.11.5 信息基本定律 20
1.11.6 信息科学的定义 20
1.11.7 信息的数学理论 21
1.12 信息科学原理 21
1.13 本章小结 22
参考文献 23
第二部分 逻辑推理人工智能与计算人工智能
第2章 符号主义人工智能 27
2.1 命题知识表示与推理 27
2.1.1 命题逻辑 27
2.1.2 命题推理问题 29
2.1.3 命题可满足性求解方法 30
2.1.4 模型计数 31
2.1.5 知识编译 32
2.2 自动定理证明 33
2.2.1 自动定理证明的起源、发展与现状 33
2.2.2 Herbrand定理 35
2.2.3 合一与匹配 36
2.2.4 归结原理 37
2.2.5 归结原理的改进策略 39
2.2.6 等词推理 40
2.2.7 几何定理证明和数学机械化 42
2.2.8 定理证明器竞赛和著名定理证明器 42
2.3 约束可满足性求解 43
2.4 基于模型的诊断 45
2.4.1 MBD问题 46
2.4.2 国内外总体研究现状 47
2.5 神经符号系统 48
2.5.1 神经符号系统的背景 48
2.5.2 神经符号系统研究现状 49
2.5.3 神经符号系统的挑战及未来研究方向 51
参考文献 53
第3章 大数据算法与可信计算理论 62
3.1 大数据算法计算模型 62
3.1.1 亚线性时间算法 63
3.1.2 亚线性空间算法 63
3.1.3 动态图算法 64
3.1.4 大规模并行计算 65
3.1.5 数据降维 65
3.2 满足可信需求的算法 65
3.2.1 鲁棒性 66
3.2.2 公平公正 66
3.2.3 隐私保护 67
第4章 难解问题的智能算法 68
4.1 难解问题图学习方法求解 70
4.1.1 路径规划问题 72
4.1.2 *大割问题 74
4.1.3 作业调度问题 75
4.1.4 其他难解问题 76
4.2 难解问题强化学习求解 76
4.2.1 基于无模型的强化学习方法 77
4.2.2 基于有模型的强化学习方法 79
4.3 总结与展望 80
参考文献 83
第三部分 神经网络人工智能与生物人工智能
第5章 神经网络的数学原理 89
5.1 神经网络的背景及意义 89
5.1.1 神经网络的发展历史 89
5.1.2 神经网络对人工智能发展的作用 90
5.1.3 神经网络给人工智能带来的挑战 91
5.2 神经网络的数学原理的内涵 92
5.2.1 研究意义 92
5.2.2 分析视角 92
5.2.3 基本框架 94
5.2.4 研究趋势 95
5.3 神经网络的传统理论 95
5.3.1 表达能力 95
5.3.2 泛化能力 96
5.3.3 优化能力 96
5.4 前沿发展 96
5.4.1 对自适应优化器的分析 96
5.4.2 基于神经网络结构的优化分析 97
5.4.3 优化器的隐式正则分析 97
5.4.4 神经网络的精确泛化估计 97
5.4.5 表示所需参数量下界 97
5.5 未来展望 98
5.5.1 设计适用不同场景的安全性度量 98
5.5.2 构建以安全为中心的神经网络理论 98
5.5.3 发展可信可控的神经网络模型 99
第6章 神经网络的计算原理 100
6.1 **神经网络的计算原理 100
6.1.1 表示学习 100
6.1.2 前馈神经网络 103
6.1.3 神经网络训练 105
6.2 面向序列数据的神经网络 108
6.2.1 循环神经网络 109
6.2.2 转换器 111
6.2.3 时序卷积神经网络 115
6.3 图神经网络 116
6.3.1 图表示学习 116
6.3.2 图神经网络的基础原理 118
6.3.3 图神经网络前沿 120
参考文献 132
第四部分 数学人工智能与物理人工智能
第7章 人工智能的博弈理论 139
7.1 均衡计算 139
7.1.1 纳什均衡 140
7.1.2 纳什均衡的存在性 141
7.1.3 纳什均衡的计算 143
7.1.4 纳什均衡的计算复杂性 147
7.2 人工智能中的合作博弈 149
7.2.1 合作博弈 150
7.2.2 合作博弈的表示和算法 154
7.2.3 合作博弈在多智能体系统中的应用 155
7.2.4 结论 157
7.3 本章小结 157
参考文献 157
第8章 量子人工智能 160
8.1 概述 160
8.2 量子学习方法介绍 160
8.2.1 HHL算法 160
8.2.2 量子奇异值变换 162
8.2.3 量子吉布斯采样 163
8.2.4 变分量子电路 165
8.3 量子学习应用场景 169
8.3.1 传统机器学习问题的量子化 170
8.3.2 量子无监督学习 174
8.3.3 量子有监督学习 177
8.3.4 量子强化学习 180
8.3.5 量子层析 184
参考文献 184
第五部分 信息主义人工智能:层谱抽象认知模型人工智能
第9章 信息定律与信息模型 195
9.1 信息科学的研究对象 195
9.2 物理世界对象基本定律 195
9.3 信息性质/知识的定义 196
9.4 现实世界对象的物理性质与信息性质 197
9.5 策略 197
9.6 信息的模型 198
9.7 学习的数学实质 198
9.8 知识是信息在某一个模型下的解释 199
9.9 抽象 200
9.10 层谱抽象 200
9.11 科学范式定律 202
9.11.1 物理对象科学范式定律 202
9.11.2 信息世界的科学范式定律 202
9.12 个体定律 202
9.12.1 个体定律Ⅰ 203
9.12.2 个体定律Ⅱ 203
9.12.3 个体定律Ⅲ 203
9.12.4 个体定律Ⅳ 204
9.13 信息定律 204
9.13.1 信息定律Ⅰ 204
9.13.2 信息定律Ⅱ 204
9.13.3 信息定律Ⅲ 204
9.14 运动定律 205
9.14.1 运动定律Ⅰ 205
9.14.2 运动定律Ⅱ 205
9.14.3 运动定律Ⅲ 205
9.15 竞争定律 205
9.15.1 竞争定律Ⅰ 205
9.15.2 竞争定律Ⅱ 206
9.15.3 竞争定律Ⅲ 206
9.16 认知模型定律 206
9.17 观察定律 206
9.17.1 观察定律Ⅰ 206
9.17.2 观察定律Ⅱ 207
9.18 知识表示定律 207
9.19 知识定律 208
9.19.1 知识二元律 208
9.19.2 知识三元律 208
9.19.3 知识四元律 208
9.20 规律的定义 209
9.21 创造策略 209
9.22 学习的可解释性原理 210
9.23 自我意识定律 210
9.23.1 自我意识定律Ⅰ 210
9.23.2 自我意识定律Ⅱ 210
9.24 系统定律 210
9.24.1 系统定律Ⅰ 210
9.24.2 系统定律Ⅱ 210
9.24.3 系统定律Ⅲ 211
9.24.4 系统定律Ⅳ 211
9.25 本章小结 211
第10章 信息演算理论 212
10.1 信息系统的数学表示 212
10.2 一维结构熵 214
10.3 信息系统的编码树 214
10.4 在一个层谱抽象策略下的结构熵 215
10.5 信息系统的结构熵 215
10.6 结构熵极小化原理 216
10.7 解码信息 217
10.8 层谱抽象策略的压缩信息 217
10.9 压缩/解码原理 218
10.10 层谱抽象解码原理 219
10.11 层谱抽象可定义性 219
10.12 层谱抽象的结构熵 220
10.13 基于结构熵的推理演算 220
10.14 基于解码信息的推理 222
10.15 推理的数学理论 223
10.16 信息生成原理 223
10.17 解码信息原理 224
10.18 本章小结 225
参考文献 225
第11章 (观察)学习的数学理论 226
11.1 先验认知模型 227
11.2 观察的数学实质 227
11.3 学习的数学定义 228
11.4 人的先验分析方法 229
11.5 学习的主体与客体 229
11.6 学习的目的与目标 229
11.7 知识的定义 230
11.8 规律的定义 230
11.9 学习过程表示:层谱抽象 231
11.10 学习的数学模型 231
11.11 创造策略的理解与实现 233
11.12 局部观察学习 234
11.13 全局观察学习 235
11.14 学习模型中的生成策略与生成原理 236
11.15 学习模型中的解码策略与解码原理 236
11.16 知识树 237
11.17 知识的一致性准则 237
11.18 知识的度量 238
11.19 知识演算推理 238
11.20 学习的极限 240
11.21 学习的数学理论总结 241
第12章 自我意识的数学理论 243
12.1 自我意识体的先验感知模型 244
12.2 自我意识体的可定义性 246
12.3 自我意识体五维认知 247
12.4 自我意识的数学实质 248
12.5 生命定律 249
12.5.1
**部分 人工智能总论
第1章 人工智能简介 3
1.1 人工智能的科学思想起源 3
1.2 人工智能的数理逻辑原理 5
1.3 人工智能的计算原理 6
1.4 图灵对机器智能的研究 8
1.5 人工智能研究的兴起 9
1.6 符号主义人工智能 9
1.7 连接主义人工智能 10
1.8 行为主义人工智能 11
1.9 人工智能的数学、物理挑战 12
1.10 人工智能的重大科学挑战 12
1.10.1 数学、物理对象的可分性 12
1.10.2 信息世界对象的不可分性 13
1.10.3 信息世界对象的可定义性问题 14
1.10.4 人学习的基本问题 14
1.10.5 自我意识的基本问题 15
1.10.6 博弈/谋算的基本科学问题 16
1.10.7 本节小结 16
1.11 信息科学重大挑战性问题 16
1.11.1 **信息论 16
1.11.2 生成策略 18
1.11.3 解码策略 19
1.11.4 信息的模型 19
1.11.5 信息基本定律 20
1.11.6 信息科学的定义 20
1.11.7 信息的数学理论 21
1.12 信息科学原理 21
1.13 本章小结 22
参考文献 23
第二部分 逻辑推理人工智能与计算人工智能
第2章 符号主义人工智能 27
2.1 命题知识表示与推理 27
2.1.1 命题逻辑 27
2.1.2 命题推理问题 29
2.1.3 命题可满足性求解方法 30
2.1.4 模型计数 31
2.1.5 知识编译 32
2.2 自动定理证明 33
2.2.1 自动定理证明的起源、发展与现状 33
2.2.2 Herbrand定理 35
2.2.3 合一与匹配 36
2.2.4 归结原理 37
2.2.5 归结原理的改进策略 39
2.2.6 等词推理 40
2.2.7 几何定理证明和数学机械化 42
2.2.8 定理证明器竞赛和著名定理证明器 42
2.3 约束可满足性求解 43
2.4 基于模型的诊断 45
2.4.1 MBD问题 46
2.4.2 国内外总体研究现状 47
2.5 神经符号系统 48
2.5.1 神经符号系统的背景 48
2.5.2 神经符号系统研究现状 49
2.5.3 神经符号系统的挑战及未来研究方向 51
参考文献 53
第3章 大数据算法与可信计算理论 62
3.1 大数据算法计算模型 62
3.1.1 亚线性时间算法 63
3.1.2 亚线性空间算法 63
3.1.3 动态图算法 64
3.1.4 大规模并行计算 65
3.1.5 数据降维 65
3.2 满足可信需求的算法 65
3.2.1 鲁棒性 66
3.2.2 公平公正 66
3.2.3 隐私保护 67
第4章 难解问题的智能算法 68
4.1 难解问题图学习方法求解 70
4.1.1 路径规划问题 72
4.1.2 *大割问题 74
4.1.3 作业调度问题 75
4.1.4 其他难解问题 76
4.2 难解问题强化学习求解 76
4.2.1 基于无模型的强化学习方法 77
4.2.2 基于有模型的强化学习方法 79
4.3 总结与展望 80
参考文献 83
第三部分 神经网络人工智能与生物人工智能
第5章 神经网络的数学原理 89
5.1 神经网络的背景及意义 89
5.1.1 神经网络的发展历史 89
5.1.2 神经网络对人工智能发展的作用 90
5.1.3 神经网络给人工智能带来的挑战 91
5.2 神经网络的数学原理的内涵 92
5.2.1 研究意义 92
5.2.2 分析视角 92
5.2.3 基本框架 94
5.2.4 研究趋势 95
5.3 神经网络的传统理论 95
5.3.1 表达能力 95
5.3.2 泛化能力 96
5.3.3 优化能力 96
5.4 前沿发展 96
5.4.1 对自适应优化器的分析 96
5.4.2 基于神经网络结构的优化分析 97
5.4.3 优化器的隐式正则分析 97
5.4.4 神经网络的精确泛化估计 97
5.4.5 表示所需参数量下界 97
5.5 未来展望 98
5.5.1 设计适用不同场景的安全性度量 98
5.5.2 构建以安全为中心的神经网络理论 98
5.5.3 发展可信可控的神经网络模型 99
第6章 神经网络的计算原理 100
6.1 **神经网络的计算原理 100
6.1.1 表示学习 100
6.1.2 前馈神经网络 103
6.1.3 神经网络训练 105
6.2 面向序列数据的神经网络 108
6.2.1 循环神经网络 109
6.2.2 转换器 111
6.2.3 时序卷积神经网络 115
6.3 图神经网络 116
6.3.1 图表示学习 116
6.3.2 图神经网络的基础原理 118
6.3.3 图神经网络前沿 120
参考文献 132
第四部分 数学人工智能与物理人工智能
第7章 人工智能的博弈理论 139
7.1 均衡计算 139
7.1.1 纳什均衡 140
7.1.2 纳什均衡的存在性 141
7.1.3 纳什均衡的计算 143
7.1.4 纳什均衡的计算复杂性 147
7.2 人工智能中的合作博弈 149
7.2.1 合作博弈 150
7.2.2 合作博弈的表示和算法 154
7.2.3 合作博弈在多智能体系统中的应用 155
7.2.4 结论 157
7.3 本章小结 157
参考文献 157
第8章 量子人工智能 160
8.1 概述 160
8.2 量子学习方法介绍 160
8.2.1 HHL算法 160
8.2.2 量子奇异值变换 162
8.2.3 量子吉布斯采样 163
8.2.4 变分量子电路 165
8.3 量子学习应用场景 169
8.3.1 传统机器学习问题的量子化 170
8.3.2 量子无监督学习 174
8.3.3 量子有监督学习 177
8.3.4 量子强化学习 180
8.3.5 量子层析 184
参考文献 184
第五部分 信息主义人工智能:层谱抽象认知模型人工智能
第9章 信息定律与信息模型 195
9.1 信息科学的研究对象 195
9.2 物理世界对象基本定律 195
9.3 信息性质/知识的定义 196
9.4 现实世界对象的物理性质与信息性质 197
9.5 策略 197
9.6 信息的模型 198
9.7 学习的数学实质 198
9.8 知识是信息在某一个模型下的解释 199
9.9 抽象 200
9.10 层谱抽象 200
9.11 科学范式定律 202
9.11.1 物理对象科学范式定律 202
9.11.2 信息世界的科学范式定律 202
9.12 个体定律 202
9.12.1 个体定律Ⅰ 203
9.12.2 个体定律Ⅱ 203
9.12.3 个体定律Ⅲ 203
9.12.4 个体定律Ⅳ 204
9.13 信息定律 204
9.13.1 信息定律Ⅰ 204
9.13.2 信息定律Ⅱ 204
9.13.3 信息定律Ⅲ 204
9.14 运动定律 205
9.14.1 运动定律Ⅰ 205
9.14.2 运动定律Ⅱ 205
9.14.3 运动定律Ⅲ 205
9.15 竞争定律 205
9.15.1 竞争定律Ⅰ 205
9.15.2 竞争定律Ⅱ 206
9.15.3 竞争定律Ⅲ 206
9.16 认知模型定律 206
9.17 观察定律 206
9.17.1 观察定律Ⅰ 206
9.17.2 观察定律Ⅱ 207
9.18 知识表示定律 207
9.19 知识定律 208
9.19.1 知识二元律 208
9.19.2 知识三元律 208
9.19.3 知识四元律 208
9.20 规律的定义 209
9.21 创造策略 209
9.22 学习的可解释性原理 210
9.23 自我意识定律 210
9.23.1 自我意识定律Ⅰ 210
9.23.2 自我意识定律Ⅱ 210
9.24 系统定律 210
9.24.1 系统定律Ⅰ 210
9.24.2 系统定律Ⅱ 210
9.24.3 系统定律Ⅲ 211
9.24.4 系统定律Ⅳ 211
9.25 本章小结 211
第10章 信息演算理论 212
10.1 信息系统的数学表示 212
10.2 一维结构熵 214
10.3 信息系统的编码树 214
10.4 在一个层谱抽象策略下的结构熵 215
10.5 信息系统的结构熵 215
10.6 结构熵极小化原理 216
10.7 解码信息 217
10.8 层谱抽象策略的压缩信息 217
10.9 压缩/解码原理 218
10.10 层谱抽象解码原理 219
10.11 层谱抽象可定义性 219
10.12 层谱抽象的结构熵 220
10.13 基于结构熵的推理演算 220
10.14 基于解码信息的推理 222
10.15 推理的数学理论 223
10.16 信息生成原理 223
10.17 解码信息原理 224
10.18 本章小结 225
参考文献 225
第11章 (观察)学习的数学理论 226
11.1 先验认知模型 227
11.2 观察的数学实质 227
11.3 学习的数学定义 228
11.4 人的先验分析方法 229
11.5 学习的主体与客体 229
11.6 学习的目的与目标 229
11.7 知识的定义 230
11.8 规律的定义 230
11.9 学习过程表示:层谱抽象 231
11.10 学习的数学模型 231
11.11 创造策略的理解与实现 233
11.12 局部观察学习 234
11.13 全局观察学习 235
11.14 学习模型中的生成策略与生成原理 236
11.15 学习模型中的解码策略与解码原理 236
11.16 知识树 237
11.17 知识的一致性准则 237
11.18 知识的度量 238
11.19 知识演算推理 238
11.20 学习的极限 240
11.21 学习的数学理论总结 241
第12章 自我意识的数学理论 243
12.1 自我意识体的先验感知模型 244
12.2 自我意识体的可定义性 246
12.3 自我意识体五维认知 247
12.4 自我意识的数学实质 248
12.5 生命定律 249
12.5.1
评论
还没有评论。