关于亚利桑那州立大学计算机科学专业中的人工智能课程介绍

人工智能（AI）领域开发了设计自主代理的原则和流程。本课程涉及设计自主代理的核心概念，这些代理可以推理，学习和行动以实现用户给定的目标，并使学生准备好使用该领域的原则方法应对新出现的技术和道德挑战。主要主题包括为自动驾驶汽车、个人数字助理、决策支持系统、语音识别和自然语言处理、自主游戏代理和家用机器人的现代应用和未来技术开发提供支持的原理和算法。

本课程涵盖的具体主题包括：

神经网络。
经典规划。
建模和推理。
强化学习。
马尔可夫决策过程（MDP）。
部分可观察马尔可夫决策过程（POMDP）。
贝叶斯网络。
感知传感器
基于感知的识别。
实际应用。
机器人。

本课程所需的先验知识和技能

本课程将非常具有挑战性，因此学习者应具备所需的先验知识和技能和/或在自己的时间学习它和必要的技术。

熟练的数学技能和理论理解：

代数。
线性代数。
概率和统计。
算法。
数据结构。
计算机组织和体系结构。
操作系统。
离散数学。

较强的应用能力：

用 Python 编程。
能够有效地阅读Python代码。
执行至少一种编程语言的信心：Python，Matlab，R.
ROS。

注意：课程项目将使用学习者选择的语言完成。但是，如果学习者选择任何非 Python 或 Matlab 的语言，课程团队将无法帮助他们。

熟练的经验：

高级编程语言（Python或Matlab）。
能够使用Python实现AI算法。
数字绘图工具（例如，用于构建解析树）。
熟悉以下任一框架：Jupyter Notebook、Google Colab、Pytorch。
熟悉以下工具/库：Numpy，Pandas，Tensorflow，Keras，Matplotlib，Scikit Learn。
微软办公软件 Office 365。

学习成果：

完成本课程的学习者将能够：

应用逻辑推理和编程来为现实世界的问题生成解决方案。
使用概率推理有效地导航不确定的信息。
为给定方案或数据集确定适当的机器学习方法。
评估 AI 感知系统面临的挑战。
利用传感器执行感知任务及其在智能系统中的应用。
应用算法来训练图像分类器。
设计一个可以使用噪声传感器和执行器进行计划和行动以实现给定目标的代理。

亚利桑那州立大学计算机科学专业中的人工智能课程的参考学习书籍介绍：

《融合：人工智能和量子计算：社会、经济和政策影响》

为 AI 和量子计算即将实现的融合做好准备

《融合：人工智能和量子计算》汇集了 20 位在工业界、学术界和政府工作的知名国际作家的论文集，解释了人工智能和量子计算即将融合。提出了不同的观点，每个观点都对即将到来的分水岭事件提出了自己的看法。

在这本书中，你会发现我们正处于看到科幻小说成为现实的风口浪尖，这对撕裂现有的社会结构、全球经济和当前的地缘政治秩序有着巨大的影响。除了雨果奖和星云奖得主大卫·布林（David Brin）的精辟前言外，您还将发现：

探索日益加快的技术发展步伐
解释为什么看似不寻常和令人惊讶的突破可能即将到来
地图导航潜在的雷区，随着人工智能和量子计算的结合，等待着我们

《Convergence（融合）》汇集了世界上一些领先技术声音的见解，令人信服地认为，我们应该为一个很少会保持不变的世界做好准备，并向我们展示了如何做好准备。

《医疗决策支持系统中的可解释人工智能》

医疗决策支持系统（MDSS）是基于计算机的程序，用于分析患者医疗记录中的数据，以提供问题、提示或提醒，以协助临床医生在护理点。将患者的数据、症状或当前治疗方案输入 MDSS，临床医生可以协助识别或消除最可能的潜在医疗原因，从而更快地发现一组适当的诊断或治疗计划。可解释AI（XAI）是人工智能的“白盒”模型，其中解决方案的结果可以被用户理解，他们可以看到模型预测中每个特征的加权重要性的估计，并了解不同特征如何相互作用以达到特定决策。

本书讨论了针对患者特定MDSS的基于XAI的分析，以及与处理患者数据相关的安全和隐私问题。它提供了对 MDSS 中 XAI 的部署、应用程序、管理和相关优势的实际方案的见解。本书概述了MDSS的框架，并探讨了XAI对MDSS的适用性，前景和法律影响。探讨了XAI在MDSS中的应用，例如XAI在机器人辅助手术，医学图像分割，癌症诊断以及糖尿病和心脏病预测中的应用。

《人工智能实现工业4.0的路线图》

《人工智能实现工业4.0的路线图》一书为人工智能在工业4.0中的应用提供了全面和最新的技术解决方案。

工业4.0愿景已经讨论了很长一段时间，使能技术现在已经足够成熟，可以早日将这一愿景变成宏伟的现实。第四次工业革命或工业4.0涉及将技术支持的更深入和决定性的自动化注入制造过程和活动。几种信息和通信技术（ICT）正在被整合并用于实现制造过程的加速和增强。本书探讨和教育了区块链技术、人工智能、制造业供应链、加密货币的最新进展，以及它们对实现工业4.0目标的关键影响。因此，本书为决策者实施这一转型提供了一个概念框架和路线图。

计算机和人工智能科学家、信息和通信技术专家以及电子和工业制造工程师会发现这本书非常有用。

《人工智能、机器人和哲学》

本书收录了《人工智能、机器人与哲学》特刊上发表的所有论文，以及《生命哲学杂志》，13年第1卷第2023期，第1-146页的论文。在本书中作者讨论了各种主题，例如科幻小说和太空伦理，人工智能哲学，自主代理伦理和良性机器人。通过他们的讨论，读者能够深入思考现代技术的本质和人类的未来。

《数字全息成像中的人工智能：技术基础与生物医学应用》

《人工智能在数字全息成像中的应用：技术基础及生物医学应用》是关于 3D 光学传感、成像、分析和模式识别的令人大开眼界的讨论；

人工智能（AI）近年来取得了长足的进步。数字全息成像最近成为一种强大的新技术，非常适合探索细胞结构和动力学，具有纳米轴向灵敏度和识别新细胞生物标志物的能力。通过将数字全息术与人工智能技术相结合，包括最近的深度学习方法，该系统可以在非侵入性、无标记的细胞表型筛选中实现创纪录的高精度。它为数据驱动的诊断开辟了一条新的道路。

《数字全息成像中的人工智能》介绍了人工智能的关键概念和算法，展示了如何利用人工神经网络、卷积神经网络和生成对抗网络的技术构建智能全息成像系统。读者将能够了解在全息成像系统设计中实现人工智能的基础知识，并将数字全息术与智能模型中的各种人工智能算法相结合而产生的实际生物医学问题联系起来。

《数字全息成像中的人工智能》的内容介绍：

数字全息术介绍背景
数字全息成像的关键概念
全息成像的深度学习技术
全息图像分析中的 AI 技术
全息图像分类模型
活细胞的自动表型分析

本书针对不同背景的读者，详细探讨了智能全息成像系统在生物医学领域应用前景巨大的应用。

《制造业中的人工智能视角》

本书调查了人工智能（AI）的快速发展及其以有效和具有成本效益的方式解决制造领域问题的能力。本书介绍并讨论了与制造过程、机器人、自动化和制造系统设计和控制相关的人工智能的许多制造应用。本书还包括对通过人工智能实现智能制造的发展展望。人工智能在制造业中的真正好处不仅在于任务的自动化，还在于提供新的自主性水平，这将使全新的应用程序成为可能，并在制造业中引入新的业务流程。

《电子健康中的人工智能与大数据发展趋势》

本书旨在介绍人工智能（AI）和大数据在医疗保健领域对医学决策和数据分析的影响，包括放射学、影像组学、放射基因组学、肿瘤学、药理学、COVID-19预后、心脏成像、神经放射学、精神病学等。这将包括物联网（AIOT），可解释人工智能（XAI），分布式学习，物联网区块链（BIOT），网络安全和（医疗）物联网（IoTs）等主题。

医疗保健提供商将学习如何利用大数据分析和人工智能作为基于其临床数据存储库和临床决策支持的准确分析方法。识别模式并将大量数据转换为精准医疗可用信息的能力有助于医疗保健专业人员实现这些目标。智能健康有可能监测有潜在疾病风险的患者，并跟踪他们在治疗期间的进展。使用这些技术的一些最大挑战是基于使用医疗数据以及充分代表和服务不同患者群体的法律和道德问题。这项技术的一个主要潜在好处是使卫生系统更具可持续性和标准化。隐私和数据安全、建立协议、适当的治理和改进技术将是医疗保健数字化转型的关键优先事项之一。

《人工智能健康4.0：挑战与应用》

医疗保健是我们这个时代的主要成功故事之一。医学科学迅速发展，提高了全世界的预期寿命。然而，随着寿命的增加，医疗保健系统面临着对其服务的需求不断增长、成本上升以及难以满足患者需求的劳动力。医疗保健是更广泛的大数据领域中最关键的部门之一，因为它在高效、繁荣的社会中发挥着重要作用。在自动化的基础上，人工智能（AI）有可能彻底改变医疗保健，并帮助解决上述一些挑战。

人工智能在医疗保健数据中的应用实际上可能是一个生死攸关的问题。人工智能可以帮助医生、护士和其他医护人员进行日常工作。医疗保健中的人工智能可以增强预防保健和生活质量，产生更准确的诊断和治疗计划，并导致更好的整体患者结果。

本书深入探讨了人工智能在生物医学中应用的最新发展，包括疾病诊断、制药加工、患者护理和监测、生物医学信息和生物医学研究。它还概述了人工智能在医疗保健领域应用的最新突破，描述了构建有效、可靠和安全的人工智能系统的路线图，并讨论了人工智能增强医疗系统的未来可能方向。

人工智能在医疗保健领域有无数的应用。无论是用于发现遗传密码之间的联系，为手术机器人提供动力，还是最大限度地提高医院效率;人工智能一直是医疗保健行业的福音。

《人工智能和深度学习的实用数学：计算机视觉、NLP、复杂深度神经网络和机器学习基础简明而深入的指南》

数学密码本，用于在快速变化的 AI 环境中导航；

本书的主要功能：

● 通过简单易懂的示例学习行业认可的 AI 方法和深度学习数学。
● 包括 MDP 建模、贝尔曼方程、自回归模型、BERT 和变压器。
● 详细的逐行算法图，以及它们执行的数学计算。

对本书内容的描述：
为了构建一个可能被称为“人工智能”的系统，重要的是要开发能够在不确定条件下执行基于数据的自动决策的算法设计能力。现在，为了实现这一目标，需要深入了解线性代数、向量微积分、概率和统计等更复杂的组成部分。本书将引导您了解每种数学算法，以及其架构，操作和设计，以便您了解任何人工智能系统的运作方式。

本书将教你人工智能中使用的常用术语，如模型、数据、模型参数、因变量和自变量。从零开始探索贝叶斯线性回归、高斯混合模型、随机梯度下降和反向传播算法。解释和比较了复杂 AI 计算所需的绝大多数复杂数学，例如自回归模型、周期 GAN 和 CNN 优化。
在阅读本书时，您将获得超越数学的知识。具体来说，您将熟悉许多AI训练方法，各种NLP任务以及降低数据维度的过程。
通过本书你将学到什么：

● 通过选择性能最佳的 AI 算法，学会像专业数据科学家一样思考。
● 扩展您的数学视野，包括最前沿的 AI 方法。
● 了解变压器网络、提高 CNN 性能、降维和生成模型。
● 探索多种神经网络设计，作为构建自己的 NLP 和计算机视觉架构的起点。
● 为给定的业务应用程序创建专门的损失函数和量身定制的 AI 算法。
本书适合的读者对象：

每个对人工智能及其计算基础（包括机器学习、数据科学、深度学习、计算机视觉和自然语言处理（NLP））感兴趣的研究人员和专业人士都会发现这本书是一个很好的伴侣。对于已经使用各种数学主题但不完全理解基本原理的从业者来说，本书可以作为快速参考。

《在资源受限的物联网边缘设备上执行卷积神经网络的早期软错误可靠性评估》

本书描述了通过超过14万次错误注入对来自不同领域的卷积神经网络（CNN）模型进行广泛而一致的软误差评估，考虑了不同的精度位宽配置、优化参数和处理器模型。作者还评估了不同CNN模型的相对性能，内存利用率和软错误可靠性权衡分析，考虑了基于编译器的技术与传统冗余方法。

《系统工程神经网络》

《系统工程神经网络》是对系统工程和神经网络的完整而权威的讨论；

在《系统工程神经网络》中，一组杰出的研究人员对支持创建和改进具有系统工程思维的神经网络的基本概念进行了彻底的探索。在这本书中，你会发现系统工程和神经网络的一般理论讨论，以及相关和特定主题的报道，从深度学习基础知识到体育商业中的应用。

读者将发现来自多年工程经验的深入示例、带有进一步阅读链接的综合词汇表以及补充在线内容。作者还包括用Python 3和Microsoft Excel编程的各种应用程序。

该书提供：

全面介绍神经网络，作为复杂系统的关键元素引入
关于系统工程和预测、复杂性理论和优化的实际讨论，以及如何使用这些技术来支持传统人工智能领域之外的应用
全面探索神经网络中的输入输出、隐含层和偏差，以及激活函数、成本函数和反向传播
将神经网络与系统工程方法相结合的软件开发指南

《系统工程神经网络》非常适合渴望将机器学习技术融入其产品和流程的学生和专业人士，还将在涉及神经网络领域的管理人员和研究人员的书库中占有一席之地。

《神经网络统计机理》

本书重点介绍了神经网络内部工作原理下的基本统计机理。本书详细讨论了重要的概念和技术，包括空腔法、平均场理论、复制技术、西森条件、变分法、动态平均场理论、无监督学习、联想记忆模型、感知器模型、递归神经网络的混沌理论和神经网络的特征谱，引导新学习者了解理解和使用神经网络的理论和必备技能。本书重点介绍了神经网络模型的定量框架，其中潜在的机制可以通过数学美的物理学和理论预测精确地分离出来。对于神经网络领域的学生、研究人员和从业者来说，这是一个很好的参考书籍。

亚利桑那州立大学计算机科学专业中的人工智能课程和参考书籍介绍