人工智能导论 第2版电子书

书名页

版权

前言

第1章 绪论

1.1 什么是人工智能

1.1.1 关于智能

1.1.2 人工智能的研究目标

1.2 人工智能发展简史

1.3 人工智能的研究方法

1.3.1 人工智能的研究特点

1.3.2 人工智能的研究途径

1.3.3 人工智能研究资源

1.4 人工智能研究及应用领域

1.4.1 模式识别

1.4.2 自然语言处理

1.4.3 机器学习与数据挖掘

1.4.4 人工神经网络与深度学习

1.4.5 博弈

1.4.6 多智能体

1.4.7 专家系统

1.4.8 计算机视觉

1.4.9 自动定理证明

1.4.10 智能控制

1.4.11 机器人学

1.4.12 人工生命

1.5 本章小结

习题

第2章 知识工程

2.1 概述

2.2 知识表示方法

2.2.1 经典逻辑表示法

2.2.2 产生式表示法

2.2.3 层次结构表示法

2.2.4 网络结构表示法

2.2.5 其他表示法

2.3 知识获取与管理

2.3.1 知识获取的任务

2.3.2 知识获取的方式

2.3.3 知识管理

2.3.4 本体论

2.3.5 知识图谱

2.4 基于知识的系统

2.4.1 什么是知识系统

2.4.2 专家系统

2.4.3 问答系统

2.4.4 知识系统举例

2.5 本章小结

习题

第3章 确定性推理

3.1 概述

3.1.1 推理方式与分类

3.1.2 推理控制策略

3.1.3 知识匹配

3.2 自然演绎推理

3.3 归结演绎推理

3.3.1 归结原理

3.3.2 归结策略

3.3.3 应用归结原理求解问题

3.4 与或形演绎推理

3.4.1 与或形正向演绎推理

3.4.2 与或形逆向演绎推理

3.4.3 与或形双向演绎推理

3.5 本章小结

习题

第4章 不确定性推理

4.1 概述

4.2 基本概率方法

4.3 主观贝叶斯方法

4.3.1 不确定性的表示

4.3.2 不确定性的传递算法

4.3.3 结论不确定性的合成算法

4.4 可信度方法

4.4.1 基本可信度模型

4.4.2 带阈值限度的可信度模型

4.4.3 加权的可信度模型

4.4.4 前件带不确定性的可信度模型

4.5 模糊推理

4.5.1 模糊理论

4.5.2 简单模糊推理

4.5.3 模糊三段论推理

4.5.4 多维模糊推理

4.5.5 多重模糊推理

4.5.6 带有可信度因子的模糊推理

4.6 证据理论

4.6.1 D-S理论

4.6.2 基于证据理论的不确定性推理

4.7 粗糙集理论

4.7.1 粗糙集理论的基本概念

4.7.2 粗糙集在知识发现中的应用

4.8 本章小结

习题

第5章 搜索与优化策略

5.1 概述

5.1.1 什么是搜索

5.1.2 状态空间表示法

5.1.3 与或树表示法

5.2 状态空间搜索

5.2.1 状态空间的一般搜索过程

5.2.2 广度优先搜索

5.2.3 深度优先搜索

5.2.4 有界深度优先搜索

5.2.5 启发式搜索

5.2.6 A∗算法

5.3 与或树搜索

5.3.1 与或树的一般搜索过程

5.3.2 与或树的广度优先搜索

5.3.3 与或树的深度优先搜索

5.3.4 与或树的有序搜索

5.3.5 博弈树的启发式搜索

5.3.6 剪枝技术

5.3.7 人机对弈与AlphaGo

5.4 智能优化搜索

5.4.1 NP问题

5.4.2 优化问题

5.4.3 遗传算法

5.4.4 蚁群算法

5.4.5 粒子群算法

5.4.6 智能优化搜索应用案例

5.5 本章小结

习题

第6章 机器学习

6.1 概述

6.1.1 什么是机器学习

6.1.2 机器学习方法分类

6.1.3 机器学习的基本问题

6.1.4 评估学习结果

6.2 决策树学习

6.2.1 决策树表示法

6.2.2 ID3算法

6.2.3 决策树学习的常见问题

6.2.4 随机森林算法

6.2.5 决策树学习应用案例

6.3 贝叶斯学习

6.3.1 贝叶斯法则

6.3.2 朴素贝叶斯方法

6.3.3 贝叶斯网络

6.3.4 EM算法

6.3.5 贝叶斯学习应用案例

6.4 统计学习

6.4.1 小样本统计学习理论

6.4.2 支持向量机

6.4.3 核函数

6.4.4 支持向量机应用案例

6.5 聚类

6.5.1 聚类问题

6.5.2 分层聚类方法

6.5.3 划分聚类方法

6.5.4 基于密度的聚类方法

6.5.5 基于网格的聚类方法

6.5.6 聚类算法应用案例

6.6 特征选择与表示学习

6.6.1 特征提取与选择

6.6.2 常用的特征函数

6.6.3 主成分分析

6.6.4 表示学习

6.6.5 表示学习应用案例

6.7 其他学习方法

6.7.1 k近邻算法

6.7.2 强化学习

6.7.3 隐马尔可夫模型

6.8 本章小结

习题

第7章 人工神经网络与深度学习

7.1 概述

7.1.1 人脑神经系统

7.1.2 人工神经网络的研究内容与特点

7.1.3 人工神经网络基本形态

7.1.4 深度学习

7.2 前馈神经网络

7.2.1 感知器模型

7.2.2 反向传播算法

7.2.3 卷积神经网络

7.2.4 前馈神经网络应用案例

7.3 反馈神经网络

7.3.1 循环神经网络

7.3.2 长短期记忆网络

7.3.3 双向循环神经网络

7.3.4 反馈神经网络应用案例

7.4 本章小结

习题

第8章 人工智能的其他领域

8.1 模式识别

8.1.1 模式识别的基本问题

8.1.2 图像识别

8.1.3 人脸识别

8.2 自然语言处理

8.2.1 自然语言处理的基本问题

8.2.2 信息检索

8.2.3 机器翻译

8.2.4 自动问答

8.3 多智能体

8.3.1 多智能体系统模型

8.3.2 多智能体系统的学习与协作

8.3.3 多智能体系统的主要研究内容

8.3.4 多智能体系统应用案例

8.4 本章小结

习题

参考文献