人工智能电子书

出版说明

前言

第1章 绪论

1.1 什么是人工智能

1.2 人工智能的起源与发展历史

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 概述

2.2 谓词逻辑

2.3 产生式系统

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 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 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 知识发现

5.9 小结

习题

第6章 神经网络

6.1 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 控制策略

7.4 专家系统工具CLIPS

7.4.1 概述

7.4.2 CLIPS中的知识表示

7.4.3 CLIPS运行

7.4.4 Rete匹配算法

7.5 专家系统工具JESS

7.6 面向对象专家系统工具OKPS

7.6.1 OKPS中的知识表示

7.6.2 推理控制语言ICL

7.7 专家系统建造

7.7.1 需求分析

7.7.2 系统设计

7.7.3 知识库构建

7.7.4 系统开发

7.7.5 系统测试

7.8 新型专家系统

7.8.1 分布式专家系统

7.8.2 协同式专家系统

7.8.3 神经网络专家系统

7.8.4 基于互联网的专家系统

7.9 小结

习题

第8章 自然语言处理

8.1 概述

8.1.1 什么是自然语言处理

8.1.2 自然语言处理的发展

8.1.3 自然语言处理的层次

8.2 词法分析

8.3 句法分析

8.3.1 短语结构语法

8.3.2 乔姆斯基形式语法

8.3.3 句法分析树

8.3.4 转移网络

8.3.5 扩充转移网络

8.4 语义分析

8.4.1 语义文法

8.4.2 格文法

8.5 语用分析

8.6 语料库

8.6.1 语料库语言学

8.6.2 统计方法的应用

8.6.3 汉语语料库加工

8.7 信息检索

8.8 机器翻译

8.9 问答系统

8.10 小结

习题

第9章 分布式人工智能与智能体

9.1 概述

9.2 分布式问题求解

9.2.1 分布式人工智能的兴起

9.2.2 分布式问题求解系统分类

9.2.3 分布式问题求解过程

9.3 智能体理论

9.3.1 理性智能体

9.3.2 BDI智能体模型

9.4 智能体结构

9.4.1 智能体基本结构

9.4.2 慎思智能体

9.4.3 反应智能体

9.4.4 层次智能体

9.5 智能体通信语言ACL

9.5.1 智能体间通信概述

9.5.2 FIPA ACL消息

9.6 协调和协作

9.6.1 引言

9.6.2 合同网

9.6.3 基于生态学的协作

9.6.4 基于对策论的协商

9.6.5 基于意图的协商

9.7 移动智能体

9.8 多智能体环境MAGE

9.9 小结

习题

第10章 智能机器人

10.1 概述

10.2 智能机器人的体系结构

10.3 机器人视觉系统

10.3.1 视觉系统分类

10.3.2 定位技术

10.3.3 自主视觉导航

10.3.4 视觉伺服系统

10.4 机器人规划

10.4.1 任务规划

10.4.2 分层任务网络规划

10.4.3 路径规划

10.4.4 轨迹规划

10.5 情感机器人

10.6 发育机器人

10.7 机器人应用

10.8 智能机器人发展趋势

10.9 小结

习题

第11章 互联网智能

11.1 概述

11.2 语义Web

11.2.1 语义Web的层次模型

11.2.2 本体的基本概念

11.2.3 本体描述语言OWL

11.3 本体知识管理

11.3.1 知识管理系统Protégé

11.3.2 知识管理系统KMSphere

11.4 Web技术的演化

11.5 Web挖掘

11.5.1 Web内容挖掘

11.5.2 Web结构挖掘

11.5.3 Web使用挖掘

11.6 搜索引擎

11.6.1 搜索引擎原理

11.6.2 知识图谱

11.7 集体智能

11.7.1 引言

11.7.2 社群智能

11.7.3 集体智能系统

11.7.4 全球脑

11.8 小结

习题

第12章 类脑智能

12.1 概述

12.2 大数据智能

12.3 认知计算

12.4 欧盟人脑计划

12.5 美国脑计划

12.6 脑模拟系统Spaun

12.7 神经形态芯片

12.8 类脑智能路线图

习题

附录 课程实习

参考文献