人工智能是研究解释和模拟人类智能、智能行为及其规律的一门学科，建立智能信息处理理论，研制智能机器和智能系统，延伸和扩展人类智能。本书共16章。第1~6章讨论人工智能的认知问题和自动推理，论述逻辑基础、约束推理、定性推理、基于案例的推理、概率推理；第7~14章重点讨论机器学习和知识发现，包括归纳学习、支持向量机、解释学习、强化学习、无监督学习、关联规则、进化计算、知识发现；第15章阐述主体计算；第16章讨论互联网智能。与本书第二版相比，增加了两章新内容。其他章节也作了较大的修改和补充。本书内容新颖，反映了人工智能领域的近期新研究进展，总结了作者多年的科研成果。全书力求从理论、算法、系统、应用等方面讨论人工智能的方法和关键技术。本书可作为高等院校信息领域相关专业的高年级本科生和研究生的教材，也可供相关科技人员学习参考。

《智能科学技术著作丛书》序
前言
第1章 结论 1
1.1 人工智能的渊源 1
1.2 人工智能的认知问题 3
1.3 思维的层次模型 4
1.4 符号智能 6
1.5 人工智能的研究方法 7
1.5.1 认知学派 8
1.5.2 逻辑学派 8
1.5.3 行为学派 9
1.6 自动推理 9
1.7 机器学习 11
1.8 分布式人工智能 13
1.9 智能系统 15
习题 19
第2章 人工智能逻辑 20
2.1 概述 20
2.2 逻辑程序设计 22
2.2.1 逻辑程序定义 23
2.2.2 Prolog数据结构和递归 24
2.2.3 SLD归结 25
2.2.4 非逻辑成分 27
2.3 封闭世界假设 29
2.4 非单调逻辑 31
2.5 默认逻辑 33
2.6 逻辑 39
2.7 非单调逻辑NML 42
2.8 自认知逻辑 44
2.8.1 Moore系统品 44
2.8.2 OL逻辑 45
2.8.3 标准型定理 46
2.8.4 ◇-记号以及稳定扩张的一种判定过程 47
2.9 真值维护系统 50
2.10 情景演算 55
2.10.1 刻画情景演算的多类逻辑 56
2.10.2 LR中的基本动作理论 57
2.10.3 ConGolog 57
2.11 框架问题 58
2.11.1 积木世界 59
2.11.2 框架公理 59
2.11.3 框架问题解决方案的准则 61
2.11.4 框架问题的非单调解决方案 63
2.12 动态描述逻辑DDL 67
2.12.1 描述逻辑 67
2.12.2 动态描述逻辑的语法 69
2.12.3 动态描述逻辑的语义 71
习题 74
第3章 约束推理 76
3.1 概述 76
3.2 回溯法 81
3.3 约束传播 82
3.4 约束传播在树搜索中的作用 84
3.5 智能回溯与真值维护 85
3.6 变量例示次序与赋值次序 86
3.7 局部修正搜索法 86
3.8 基于图的回跳法 87
3.9 基于影响的回跳法 88
3.10 约束关系运算的处理
3.10.1 恒等关系的单元共享策略 92
3.10.2 区间传播 93
3.10.3 不等式图 94
3.10.4 不等式推理 95
3.11 约束推理系统 96
3.12 ILOG Solver 99
习题 105
第4章 定性推理 106
4.1 概述 106
4.2 定性推理的基本方法 107
4.3 定性模型推理 108
4.4 定性进程推理 109
4.5 定性仿真推理 113
4.5.1 应性状态转换 114
4.5.2 QSIM算法 114
4.6 代数方法
4.7 几何空间定性推理 117
4.7.1 壁间逻辑 118
4.7.2 空间和时间关系描述 120
4.7.3 空间和时间逻辑的应用 121
4.7.4 Randell算法 122
习题 123
第5章 基于案例的推理 124
5.1 概述 124
5.2 类比的形式定义 125
5.3 相似性关系 126
5.4 基于案例推理的工作过程 130
5.5 案例的表示 133
5.6 案例的索引 136
5.7 案例的检索 137
5.8 案例的复用 139
5.9 案例的保存 141
5.10 基于例示的学习 141
5.10.1 基于例示学习的任务 142
5.10.2 IB1算法 143
5.10.3 降低存储要求 145
5.11 案例工程 147
5.12 中心渔场预报专家系统 149
5.12.1 问题分析与案例表示 150
5.12.2 相似性度量 151
5.12.3 索引与检索 152
5.12.4 基于框架的修正 153
5.12.5 实验结果 155
习题 156
第6章 贝叶斯网络 158
6.1 概述 158
6.1.1 贝叶斯网络的发展历史 158
6.1.2 贝叶斯方法的基本观点 159
6.1.3 贝叶斯网络在数据挖掘中的应用 159
6.2 贝叶斯概率基础 162
6.2.1 概率论基础 162
6.2.2 贝叶斯概率 164
6.3 贝叶斯问题的求解 167
6.3.1 几种常用的先验分布选取方法 168
6.3.2 计算学习机制 170
6.3.3 贝叶斯问题的求解步骤 172
6.4 简单贝叶斯学习模型 174
6.4.1 简单贝叶斯学习模型的介绍 174
6.4.2 简单贝叶斯模型的提升 176
6.4.3 提升简单贝叶斯分类的计算复杂性 179
6.5 贝叶斯网络的建造 179
6.5.1 贝叶斯网络的结构及建立方法 179
6.5.2 学习贝叶斯网络的概率分布 180
6.5.3 学习贝叶斯网络的网络结构 182
6.6 贝叶斯潜在语义模型 186
6.7 半监督文本挖掘算法 190
6.7.1 网页聚类 190
6.7.2 对含有潜在类别主题词文档的类别标注 191
6.7.3 基于简单贝叶斯模型学习标注和未标注样本 192
习题 196
第7章 归纳学习 197
7.1 概述 197
7.2 归纳学习的逻辑基础 198
7.2.1 归纳学习的一般模式 198
7.2.2 概念获取的条件 200
7.2.3 问题背景知识 201
7.2.4 选择型和构造型泛化规则 202
7.3 偏置变换 205
7.4 变型空间方法 206
7.4.1 消除候选元素算法 208
7.4.2 两种改进算法 210
7.5 AQ归纳学习算法 212
7.6 CLS学习算法 213
7.7 ID3学习算法 214
7.7.1 信息论简介 214
7.7.2 属性选择 214
7.7.3 ID3算法步骤 215
7.7.4 ID3算法应用举例 216
7.7.5 C4.5算法 218
7.8 单变量决策树的并行处理 219
7.8.1 并行决策树算法 219
7.8.2 串行算法的并行化 222
7.9 归纳学习的计算理论 223
7.9.1 Gold学习理论 224
7.9.2 模型推理系统 225
7.9.3 Valiant学习理论 226
习题 228
第8章 统计学习 230
8.1 统计方法 230
8.2 统计学习问题 231
8.2.1 经验风险 231
8.2.2 VC维 231
8.3 学习过程的一致性 232
8.3.1 学习过程一致性的经典定义 232
8.3.2 学习理论的重要定理 232
8.3.3 VC熵 233
8.4 结构风险最小归纳原理 234
8.5 支持向量机 236
8.5.1 线性可分 237
8.5.2 线性不可分 239
8.6 核函数 240
8.6.1 多项式核函数 240
8.6.2 径向基函数 241
8.6.3 多层感知机 241
8.6.4 动态核函数 241
8.7 邻近支持向量机 243
8.8 特别支持向量机 246
习题 249
第9章 解释学习 250
9.1 概述 250
9.2 解释学习模型 251
9.3 解释泛化学习方法 252
9.3.1 基本原理 252
9.3.2 解释与泛化交替进行的解释泛化方法 255
9.4 全局取代解释泛化方法 256
9.5 解释特化学习方法 260
9.6 解释泛化的逻辑程序 262
9.6.1 工作原理 263
9.6.2 元解释器 264
9.6.3 实验例子 264
9.7 基于知识块的SOAR系统 266
9.8 可操作性 268
9.8.1 PRODIGY的效用问题 270
9.8.2 SOAR系统的可操作性 271
9.8.3 MR5-EBG的可操作性 272
9.8.4 META-LEX的处理方法 272
9.9 不接近领域知识下的解释学习 273
9.9.1 不接近领域知识 273
9.9.2 逆归结方法 273
9.9.3 基于深层知识的方法 275
习题 276
第10章 强化学习 277
10.1 概述 277
10.2 强化学习模型 278
10.3 动态规划 281
10.4 蒙特卡罗方法 283
10.5 时序差分学习 284
10.6 Q学习 287
10.7 强化学习中的函数估计 289
10.8 强化学习的应用 291
习题 293
第11章 无监督学习 294
11.1 概述 294
11.2 相似性度量 295
1l.2.1 相似系数 295
11.2.2 属性的相似度量 297
11.3 划分方法 298
11.3.1 k均值算法 298
11.3.2 k中心点算法 299
11.3.3 大型数据库的划分方法 299
11.4 层次聚类方法 301
11.4.1 BIRCH算法 302
11.4.2 CURE算法 302
11.4.3 ROCK算法 303
11.5 基于密度的聚类 304
11.6 基于网格方法 307
11.7 基于模型的方法 309
11.8 模糊聚类 311
11.8.1 传递闭包法 311
11.8.2 动态直接聚类法 311
11.8.3 优选树法 312
11.9 蚁群聚类方法 314
11.9.1 基本模型 314
11.9.2 LF算法 315
11.9.3 基于群体智能的聚类算法CSI 315
11.9.4 混合聚类算法CSIM 318
11.10 聚类方法的评价 319
习题 321
第12章 关联规则 322
12.1 概述 322
12.2 基本概念 322
12.3 二值型关联规则挖掘 325
12.3.1 AIS算法 325
12.3.2 SETM算法 326
12.3.3 Apriori算法 327
12.3.4 Apriori算法的改进 330
12.4 频繁模式树挖掘算法 331
12.5 垂直挖掘算法 334
12.6 挖掘关联规则的数组方法 337
12.7 频繁闭项集的挖掘算法 339
12.8 优选频繁项集的挖掘算法 341
12.9 增量式关联规则挖掘 345
12.10 模糊关联规则的挖掘 348
12.11 任意多表间关联规则的并行挖掘 351
12.11.1 问题的形式描述 351
12.11.2 单表内大项集的并行计算 352
12.11.3 任意多表间大项集的生成 354
12.11.4 跨表间关联规则的提取 354
……