内容推荐 本书系统地介绍了人工智能的基本原理、方法和应用技术,全面反映了国内外人工智能研究领域的最新进展和发展方向。全书共12章。第1章简要介绍了人工智能的概况。第2~6章阐述了人工智能的基本原理和方法,重点论述了知识表示、自动推理、不确定性推理、机器学习和神经网络等。第7章和第8章介绍了专家系统、自然语言处理等应用技术。第9~11章阐述了当前人工智能的研究热点,包括分布式人工智能与智能体、智能机器人和互联网智能等。第12章探讨了类脑智能,展望人工智能的发展。 本书力求科学性、实用性和先进性,可读性强。内容由浅入深、循序渐进,条理清晰,让学生在有限的时间内掌握人工智能的基本原理与应用技术,提高对人工智能习题的求解能力。 本书可以作为高等院校计算机科学与技术、自动化、智能科学与技术等相关专业的研究生和高年级本科生的人工智能课程教材,也可以供从事人工智能研究与应用的科技人员学习参考。 目录 第2版前言 第1版前言 第1章 绪论 1.1 什么是人工智能 1.2 人工智能的发展史 1.3 人工智能研究的基本内容 1.3.1 认知建模 1.3.2 知识表示 1.3.3 自动推理 1.3.4 机器学习 1.4 人工智能研究的主要学派 1.4.1 符号主义 1.4.2 连接主义 1.4.3 行为主义 1.5 人工智能的应用 1.6 小结和展望 习题 第2章 知识表示 2.1 知识表示概述 2.2 谓词逻辑 2.3 产生式表示法 2.4 语义网络 2.4.1 语义网络的概念和结构 2.4.2 复杂知识的表示 2.4.3 常用的语义联系 2.5 框架 2.5.1 框架结构 2.5.2 框架网络 2.5.3 推理方法 2.6 状态空间 2.7 面向对象的知识表示 2.8 脚本 2.8.1 脚本描述 2.8.2 概念依赖关系 2.9 本体 2.10 小结 习题 第3章 自动推理 3.1 自动推理概述 3.2 三段论推理 3.3 盲目搜索 3.3.1 深度优先搜索 3.3.2 宽度优先搜索 3.3.3 迭代加深搜索 3.4 回溯策略 3.5 启发式搜索 3.5.1 启发性信息和评估函数 3.5.2 爬山算法 3.5.3 模拟退火算法 3.5.4 最好优先算法 3.5.5 通用图搜索算法 3.5.6 A*算法 3.5.7 迭代加深A*算法 3.6 与或图启发式搜索 3.6.1 问题归约的描述 3.6.2 与或图表示 3.6.3 AO*算法 3.7 博弈搜索 3.7.1 极大极小过程 3.7.2 α-β过程 3.8 归结演绎推理 3.8.1 子句型 3.8.2 置换和合一 3.8.3 合一算法 3.8.4 归结式 3.8.5 归结反演 3.8.6 答案的提取 3.8.7 归结反演的搜索策略 3.9 产生式系统 3.9.1 产生式系统的基本结构 3.9.2 正向推理 3.9.3 反向推理 3.9.4 混合推理 3.10 自然演绎推理 3.11 非单调推理 3.11.1 默认推理 3.11.2 限制推理 3.12 小结 习题 第4章 不确定性推理 4.1 不确定性推理概述 4.1.1 不确定性知识分类 4.1.2 不确定性推理的基本问题 4.1.3 不确定性推理方法分类 4.2 可信度方法 4.2.1 建造医学专家系统时的问题 4.2.2 可信度模型 4.2.3 确定性方法的说明 4.3 主观贝叶斯方法 4.3.1 贝叶斯公式 4.3.2 知识不确定性的表示 4.3.3 证据不确定性的表示 4.3.4 组合证据不确定性的计算 4.3.5 不确定性的传递算法 4.3.6 结论不确定性的合成 4.4 证据理论 4.4.1 假设的不确定性 4.4.2 证据的组合函数 4.4.3 规则的不确定性 4.4.4 不确定性的组合 4.5 模糊逻辑和模糊推理 4.5.1 模糊集合及其运算 4.5.2 语言变量 4.5.3 模糊逻辑 4.5.4 模糊推理 4.6 小结 习题 第5章 机器学习 5.1 机器学习概述 5.1.1 简单的学习模型 5.1.2 什么是机器学习 5.1.3 机器学习的研究概况 5.2 归纳学习 5.2.1 归纳学习的基本概念 5.2.2 变型空间学习 5.2.3 决策树 5.3 类比学习 5.3.1 相似性 5.3.2 转换类比 5.3.3 基于案例的推理 5.3.4 迁移学习 5.4 统计学习 5.4.1 逻辑回归 5.4.2 支持向量机 5.4.3 提升方法 5.5 强化学习 5.5.1 强化学习模型 5.5.2 学习自动机 5.5.3 自适应动态程序设计 5.5.4 Q-学习 5.6 进化计算 5.6.1 达尔文进化算法 5.6.2 遗传算法 5.6.3 进化策略 5.6.4 进化规划 5.7 群体智能 5.7.1 蚁群算法 5.7.2 粒子群优化 5.8 联邦学习 5.9 知识发现 5.10 小结 习题 第6章 神经网络 6.1 神经网络概述 6.2 神经信息处理的基本原理 6.3 感知机 6.3.1 基本神经元 6.3.2 感知机模型 6.4 前馈神经网络 6.4.1 前馈神经网络模型 6.4.2 误差反向传播算法 6.4.3 BP算法的若干改进 6.5 Hopfield网络 6.5.1 离散Hopfield网络 6.5.2 连续Hopfield网络 6.6 随机神经网络 6.6.1 模拟退火算法 6.6.2 玻耳兹曼机 6.7 深度学习 6.7.1 人脑视觉机理 6.7.2 自编码器 6.7.3 受限玻耳兹曼机 6.7.4 深度信念网络 6.7.5 卷积神经网络 6.8 自组织神经网络 6.8.1 网络的拓扑结构 6.8.2 网络自组织算法 6.8.3 监督学习 6.9 小结 习题 第7章 专家系统 7.1 专家系统概述 7.1.1 什么是专家系统 7.1.2 专家系统的特点 7.1.3 专家系统的发展史 7.2 专家系统的基本结构 7.3 专家系统MYCIN 7.3.1 咨询子系统 7.3.2 静态数据库 7.3.3 控制策 |