《人工智能/21世纪高等学校计算机专业实用规划教材》系统介绍了人工智能的基本原理、基本技术、基本方法和应用领域等内容，比较全面地反映了60年来人工智能领域的进展，并根据人工智能的发展动向对一些传统内容做了取舍。　　《人工智能/21世纪高等学校计算机专业实用规划教材》共9章。第1章介绍人工智能的基本概念、发展历史、应用领域等。其后8章的内容分为两大部分：第1部分（第2～5章）主要讲述传统人工智能的基本概念、原理、方法和技术，涵盖知识表示、搜索策略、确定性推理和不确定推理的相关技术与方法；第二部分（第6～9章）主要讲述现代人工智能的新的技术和方法，涵盖机器学习、数据挖掘、大数据、深度学习的新技术与方法。每章后面附有习题，以供读者练习。　　《人工智能/21世纪高等学校计算机专业实用规划教材》主要作为计算机专业本科生和其他相关学科本科生相关课程教材，也可供研究生和有关科技人员参考。 第1章 绪论1．1 人工智能的定义1．2 人工智能的发展历史1．2．1 孕育阶段1．2．2 形成阶段1．2．3 发展阶段1．3 人工智能的三大学派1．3．1 符号主义1．3．2 连接主义1．3．3 行为主义1．4 人工智能研究内容与应用领域1．4．1 问题求解1．4．2 专家系统1．4．3 机器学习1．4．4 神经网络1．4．5 模式识别1．4．6 数据挖掘和知识发现1．4．7 计算机视觉1．4．8 智能控制1．4．9 计算智能1．4．10 其他1．5 人工智能的发展趋势1．5．1 多学科交叉研究1．5．2 智能应用和智能产业1．6 习题第2章 知识表示2．1 概述2．1．1 知识及知识的分类2．1．2 知识表示2．2 谓词逻辑表示法2．2．1 基本概念2．2．2 谓词逻辑表示法2．2．3 谓词逻辑表示法的经典应用2．2．4 谓词逻辑表示法的特点2．3 产生式表示法2．3．1 概述2．3．2 产生式系统2．3．3 产生式表示法应用举例2．3．4 产生式系统的推理方式2．3．5 产生式系统的特点2．4 语义网络表示法2．4．1 语义网络基本概念2．4．2 语义网络中常用的语义联系2．4．3 语义网络表示知识的方法2．4．4 语义网络的推理过程2．4．5 语义网络表示的特点2．5 框架表示法2．5．1 框架基本结构2．5．2 基于框架的推理2．5．3 框架表示法的特点2．6 习题第3章 搜索策略3．1 搜索的基本概念3．1．1 搜索的含义3．1．2 状态空间法3．1．3 问题归约法3．2 状态空间搜索3．2．1 盲目搜索3．2．2 状态空间的启发式搜索3．3 博弈树的启发式搜索3．3．1 概述3．3．2 极大极小过程3．3．3 ？-饧糁？3．4 习题第4章 确定性推理4．1 推理的基本概念4．1．1 什么是推理4．1．2 推理方法及其分类4．1．3 推理的控制策略及其分类4．1．4 正向推理4．1．5 逆向推理4．1．6 混合推理4．2 推理的逻辑基础4．2．1 谓词公式的解释4．2．2 谓词公式的永真性与可满足性4．2．3 谓词公式的等价性与永真蕴含性4．2．4 谓词公式的范式4．2．5 置换与合一4．3 自然演绎推理4．4 归结演绎推理4．4．1 子句集及其简化4．4．2 鲁滨逊归结原理4．4．3 归结演绎推理的归结策略4．4．4 用归结反演求取问题的解4．5 基于规则的演绎推理4．5．1 规则正向演绎推理4．5．2 规则逆向演绎推理4．6 习题第5章 不确定性推理5．1 概述5．1．1 为什么要采用不确定性推理5．1．2 不确定性推理要解决的问题5．1．3 不确定性推理类型5．2 概率基础5．3 主观贝叶斯方法5．3．1 不确定性的表示5．3．2 组合证据不确定性的计算5．3．3 不确定性的传递算法5．3．4 结论不确定性的合成5．4 可信度方法5．4．1 不确定性的表示5．4．2 组合证据不确定性的计算5．4．3 不确定性的传递算法5．4．4 结论不确定性的合成5．5 证据理论5．5．1 理论基础5．5．2 不确定性表示5．5．3 组合证据不确定性的计算5．5．4 不确定性的更新5．6 模糊推理5．6．1 模糊知识的表示5．6．2 模糊概念的匹配5．6．3 模糊推理5．7 习题第6章 机器学习6．1 概述6．1．1 机器学习的基本概念6．1．2 机器学习的发展历史6．1．3 学习系统的基本模型6．1．4 学习策略6．2 记忆学习6．3 归纳学习6．3．1 示例学习6．3．2 观察与发现学习6．4 决策树学习6．5 类比学习6．5．1 类比学习的基本过程6．5．2 属性类比学习6．5．3 转换类比学习6．5．4 派生类比学习6．5．5 联想类比学习6．6 解释学习6．7 神经学习6．7．1 感知器学习6．7．2 反向传播网络学习6．7．3 Hopfield网络学习6．8 贝叶斯学习6．8．1 贝叶斯定理6．8．2 朴素贝叶斯分类算法6．9 在线机器学习6．9．1 截断梯度法6．9．2 前向后向切分算法6．9．3 正则对偶平均算法6．9．4 FTRL6．10 习题第7章 数据挖掘7．1 数据挖掘概述7．1．1 数据挖掘概念与发展7．1．2 数据挖掘的任务7．1．3 数据挖掘的应用7．1．4 数据挖掘过程与方法7．2 分类7．2．1 决策树分类法7．2．2 基于规则的分类器7．2．3 朴素贝叶斯分类器7．2．4 基于距离的分类算法7．3 聚类7．3．1 概念7．3．2 聚类分析的基本方法7．4 关联规则7．4．1 基本概念7．4．2 关联规则挖掘算法7．4．3 关联规则生成7．5 习题第8章 大数据8．1 大数据概述8．1．1 大数据概念8．1．2 特征8．1．3 发展历程8．1．4 应用8．2 数据获取8．2．1 网络爬虫8．2．2 RSS8．3 数据挖掘8．3．1 概述8．3．2 数据挖掘工具8．3．3 现状与未来8．4 数据分析8．4．1 概述8．4．2 数据分析流程8．4．3 数据分析方法8．4．4 数据分析工具8．5 Hadoop8．5．1 简介8．5．2 分布式离线计算框架MapReduce8．5．3 Hadoop分布式文件系统8．5．4 HBase大数据库8．6 数据可视化8．7 习题第9章 深度学习9．1 深度学习应用背景与概述9．1．1 应用背景9．1．2 概述9．1．3 人脑视觉机理9．2 特征的概念9．2．1 特征表示的粒度9．2．2 初级（浅层）特征表示9．2．3 结构性特征表示9．2．4 特征数量9．3 深度学习基本思想9．4 浅层学习和深度学习9．4．1 浅层学习9．4．2 深度学习9．5 深度学习常用模型和方法9．5．1 自动编码器9．5．2 稀疏编码9．5．3 深度信念网络9．5．4 卷积神经网络9．6 深度学习展望9．7 习题参考文献