最近几年,媒体频繁报道人工智能的相关信息。从使用了深度学习的图像处理和语音识别,到汽车自动驾驶和机器人等领域,人工智能已经为人们所熟知。特别是 Google 旗下的 DeepMind 公司在 2016 年开发的人工智能围棋系统 AlphaGo(阿尔法围棋)击败了专业围棋选手一事,进一步提升了公众对于人工智能的认知。技术奇点(singularity)来临一事被频繁提及。

2003 年,我因为工作需要开始接触数据分析。当时人工智能这一术语已经存在了很长一段时间,我也使用过神经网络等机器学习方法,但并不觉得有多么智能。当时几乎没有日文版的 R 语言教程,我只能根据 S-PLUS的使用手册来安装 R,然后基于 SOM 和 K-{\rm means} 进行数据分析。

在 2012 年左右,一股大数据热潮席卷而来,使用分布式文件系统和并行分布处理等方法的大规模数据分析变得广为人知,数据科学家成为热门职业。再加上后来的物联网(Internet of Things,IoT)以及机器学习和深度学习,人工智能迎来了一次热潮。

如果站在 2003 年看 10 年后的变化,会有一种恍如隔世的感觉。机器学习和深度学习取得了突飞猛进的发展,人工智能和数据科学的前沿技术以非常快的速度更新着。这时候,我们需要停下脚步,从整体审视人工智能,看看它到底会发展到什么地步,究竟可以为我们做些什么。

本书就在这样的背景下应运而生。书中涵盖人工智能各方面的内容,阅读本书的读者不需要有多么深厚的知识储备。另外,作者不惜笔墨对新技术进行了介绍,希望读者能在多个方面有所斩获,也希望本书能够成为读者深入探索人工智能领域的起点。

本书适用于所有对人工智能和数据分析感兴趣的人。

东京农工大学农学府农学部 特约教授

信息处理学会 IT 论坛“大数据应用论坛”代表

石井一夫

2016 年 12 月吉日

目录

  • 版权声明
  • 前言
  • 关于本书
  • 第 1 章 人工智能的过去、现在和未来
  • 第 2 章 规则系统及其变体
  • 第 3 章 自动机和人工生命程序
  • 第 4 章 权重和寻找最优解
  • 第 5 章 权重和优化程序
  • 第 6 章 统计机器学习(概率分布和建模)
  • 第 7 章 统计机器学习(无监督学习和有监督学习)
  • 第 8 章 强化学习和分布式人工智能
  • 第 9 章 深度学习
  • 第 10 章 图像和语音的模式识别
  • 第 11 章 自然语言处理和机器学习
  • 第 12 章 知识表示和数据结构
  • 第 13 章 分布式计算
  • 第 14 章 人工智能与海量数据和物联网
  • 作者简介