【好书推荐】《人工智能：原理与实践》

最近在京东上看到了一本新书**《人工智能：原理与实践》**，觉得内容非常好，很适合项入门人工智能领域的小伙伴，特此推荐!

附上改书的前言部分：
前　　言
“人工智能可能是发生在我们身上的最好的事情，也可能是最坏的事情。”
—斯蒂芬·霍金
人工智能是一个跨学科的领域，包括经典逻辑编程、机器学习和数据挖掘。自这个领域诞生以来，演绎推理和归纳学习之间存在着明显的二分法。在演绎推理的观点中，我们先介绍各种形式的领域知识（通常存储为知识库），然后使用领域知识的形式进行推理。这样的方法具有高度的可解释性。领域知识可用于创建假设，然后利用这些假设进行预测。例如，在国际象棋游戏中，关于棋子的重要性和位置的领域知识可用于创建关于位置质量的假设。这个假设可以通过搜索特定移动数量的可能移动树来预测移动。在学习方法中，数据驱动的证据用于学习如何进行预测。例如，可以使用自我对弈的方式从国际象棋游戏中生成数据，然后学习哪种棋式最适合哪种（类型）位置。由于可能的替代移动序列的数量太大，无法显式计算，因此国际象棋程序通常使用各种类型的机器学习方法将棋盘上的典型棋子图案关联起来，从精心挑选的序列中进行预测。这种方法有点类似于人类移动棋子的方法。尽管归纳学习方法近年来越来越流行，但在早期演绎推理方法更受欢迎。人工智能领域的许多书籍倾向于关注演绎推理，正是因为其早期的主导地位。本书试图找到演绎推理和归纳学习之间的平衡。
归纳学习方法的主要缺点是不可解释，以及通常需要大量的数据。一个关键点是，人类不需要大量的数据来学习。例如，一个孩子通常能够通过少量的例子学会如何识别一辆卡车。虽然人工智能中许多问题的最佳解决方案整合了演绎推理和归纳学习领域的方法，但通常很少讨论这类整合。本书着重介绍人工智能的整合观点，同时讨论人工智能不同观点的优势。
在第1章的概述之后，本书的其余内容主要分为以下三部分。

1. 基于演绎推理的方法：第2～5章讨论演绎推理方法，主要关注领域包括搜索和逻辑。
2. 基于归纳学习的方法：第6～11章讨论归纳学习方法，涵盖的主题包括机器学习、神经网络、无监督学习、强化学习和概率图模型。
   3.基于演绎推理和归纳学习的方法：第12章和第13章讨论一些基于演绎推理和归纳学习的方法，包括知识图谱和神经符号人工智能等技术。
   本书也讨论了一些近期的重要话题，如迁移学习和终身学习。
   在本书中，向量或者多维数据点用上划线标记，如、，其中字母用小写或者大写表示都行，上划线必须要有。向量的点积用中心圆点表示，如·。矩阵则用无上划线的大写斜体字母表示，如R。在本书中，n行d列的矩阵对应整个训练集，用D表示，代表n个数据点和d维特征。因此D中的单个数据点为d维行向量，通常表示为X1, …, Xn。另一方面，数据点的某一个分量上的向量是n维列向量，如n个数据点的n维列变量。观测值yi与预测值的区别在于变量顶部的“^”符号。

美国
纽约州约克敦高地
Charu C. Aggarwal