圖書簡介
本書主要闡述人工智慧的基本原理、方法和套用技術。全書分為11章，除第1章討論人工智慧概述、第11章討論人工智慧的爭論與展望外，其餘9章主要按照“基本智慧型+典型套用+計算智慧型”三個模組編著： 第1模組為人工智慧經典的三大基本技術，包括知識表示技術、搜尋技術、推理技術； 第2模組為人工智慧的典型套用領域，包括機器學習、專家系統以及支持向量機； 第3模組為典型的計算智慧型方法，包括神經計算、進化計算等。與第一版相比，增加了專家系統的介紹，其他大多數章節都做了相應的修改、精簡或補充。
圖書目錄
第1章緒論
1.1什麼是人工智慧
1.1.1智慧型的定義
1.1.2人工智慧的定義
1.2人工智慧的發展
1.2.1孕育期
1.2.2搖籃期
1.2.3形成期
1.2.4發展期
1.2.5實用期
1.2.6穩步增長期
1.3人工智慧的研究方法
1.3.1符號主義
1.3.2連線主義
1.3.3行為主義
1.4人工智慧的套用領域
1.4.1機器學習
1.4.2知識發現和數據挖掘
1.4.3專家系統
1.4.4模式識別
1.4.5自然語言處理
1.4.6智慧型決策支持系統
1.4.7人工神經網路
1.4.8自動定理證明
1.4.9機器人學
1.4.10分散式人工智慧與智慧型體
1.5小結
習題
第2章知識表示
2.1概述
2.1.1知識與知識表示
2.1.2知識表示方法
2.2謂詞邏輯表示法
2.2.1命題邏輯
2.2.2謂詞邏輯
2.3產生式表示法
2.3.1產生式可表示的知識種類及其基本形式
2.3.2知識的表示方法
2.3.3產生式系統的組成
2.3.4產生式系統的推理方式
2.3.5產生式表示法的特點
2.4語義網路表示法
2.4.1語義網路的概念及結構
2.4.2語義網路的基本語義联系
2.4.3語義網路表示知識的方法及步驟
2.4.4語義網路知識表示舉例
2.4.5語義網路的推理過程
2.4.6語義網路表示法的特點
2.5框架表示法
2.5.1框架結構
2.5.2框架表示知識舉例
2.5.3推理方法
2.5.4框架表示法的特點
2.6腳本表示法
2.6.1腳本的定義與組成
2.6.2用腳本表示知識的步驟
2.6.3用腳本表示知識的推理方法
2.6.4腳本表示法的特點
2.7面向對象的知識表示
2.7.1面向對象的基本概念
2.7.2面向對象的知識表示
2.7.3面向對象方法學的主要觀點
2.8小結
習題
第3章搜尋策略
3.1引言
3.2基於狀態空間圖的搜尋技術
3.2.1圖搜尋的基本概念
3.2.2狀態空間搜尋
3.2.3一般圖的搜尋算法
3.3盲目搜尋
3.3.1寬度優先搜尋
3.3.2深度優先搜尋
3.3.3有界深度搜尋和疊代加深搜尋
3.3.4搜尋最優策略的比較
3.4啟發式搜尋
3.4.1啟發性信息和評估函式
3.4.2啟發式搜尋算法A
3.4.3實現啟發式搜尋的關鍵因素和A*算法
3.4.4疊代加深A*算法
3.4.5回溯策略和爬山法
3.5問題規約和與/或圖啟發式搜尋
3.5.1問題規約
3.5.2與/或圖表示
3.5.3與/或圖的啟發式搜尋
3.6博弈
3.6.1極大極小過程
3.6.2αβ過程
3.7小結
習題
第4章確定性推理
4.1概述
4.1.1推理的概述和類型
4.1.2推理的控制策略
4.2推理的邏輯基礎
4.3自然演繹推理
4.4歸結演繹推理
4.4.1子句型
4.4.2魯濱遜歸結原理
4.4.3歸結演繹推理的歸結策略
4.4.4用歸結反演求取問題的答案
4.5小結
習題
第5章不確定性推理
5.1概述
5.1.1什麼是不確定性推理
5.1.2知識不確定性的來源
5.1.3不確定推理要解決的基本問題
5.1.4不確定性推理方法分類
5.2主觀Bayes方法
5.2.1知識不確定性的表示
5.2.2證據不確定性的表示
5.2.3不確定性的更新
5.2.4結論不確定性的合成算法
5.3可信度方法
5.3.1可信度模型
5.3.2確定性方法的說明
5.4證據理論
5.4.1證據的不確定性
5.4.2證據的組合函式
5.4.3規則的不確定性
5.4.4不確定性的組合
5.5模糊推理
5.5.1模糊數學的基本知識
5.5.2模糊假言推理
5.6小結
習題
第6章機器學習
6.1機器學習概述
6.1.1學習與機器學習
6.1.2學習系統
6.1.3機器學習的發展簡史
6.1.4機器學習分類
6.1.5機器學習的套用與研究目標
6.2歸納學習
6.2.1歸納學習的基本概念
6.2.2變型空間學習
6.2.3歸納偏置
6.3決策樹學習
6.3.1決策樹的組成及分類
6.3.2決策樹的構造算法CLS
6.3.3基本的決策樹算法ID3
6.3.4決策樹的偏置
6.4基於實例的學習
6.4.1k近鄰算法
6.4.2距離加權最近鄰法
6.4.3基於範例的學習
6.5強化學習
6.5.1強化學習模型
6.5.2馬爾可夫決策過程
6.5.3Q學習
6.6小結
習題
第7章專家系統
7.1專家系統概述
7.1.1專家系統的主要特性
7.1.2專家系統的結構與類型
7.2基於規則的專家系統
7.2.1基於規則的專家系統的基本結構
7.2.2基於規則的專家系統的特點
7.2.3基於規則的專家系統舉例
7.3基於框架的專家系統
7.3.1基於框架的專家系統簡介
7.3.2基於框架的專家系統的繼承、槽和方法
7.3.3基於框架的專家系統舉例
7.4基於模型的專家系統
7.4.1基於模型的專家系統的概念
7.4.2基於模型的專家系統舉例
7.5專家系統的開發
7.5.1開發步驟
7.5.2知識的獲取
7.5.3專家系統的開發工具及環境
7.6專家系統設計舉例
7.6.1專家知識的描述
7.6.2知識的使用
7.6.3決策的解釋
7.6.4MYCIN系統
7.7新型專家系統
7.8小結
習題
第8章支持向量機
8.1概述
8.2統計學習理論
8.2.1學習問題的表示
8.2.2期望風險和經驗風險
8.2.3VC維理論
8.2.4推廣性的界
8.2.5結構風險最小化
8.3支持向量機
8.3.1函式集結構的構造
8.3.2支持向量機
8.4核函式
8.4.1概述
8.4.2核函式的分類
8.5SVM的算法及多類SVM
8.5.1SVM的算法
8.5.2多類問題中的SVM
8.6ε不敏感損失函式和非線性回歸的SVM
8.6.1ε不敏感損失函式
8.6.2非線性回歸SVM模型
8.7SVM的套用
8.7.1人臉檢測、驗證和識別
8.7.2說話人/語音識別
8.7.3文字/手寫體識別
8.7.4圖像處理
8.8小結
習題
第9章神經計算
9.1人工神經元模型
9.2感知器
9.2.1感知器的結構
9.2.2感知器學習算法
9.3反向傳播網路
9.3.1BP網路的結構
9.3.2BP網路的學習算法
9.4自組織映射神經網路
9.4.1SOM網路結構
9.4.2SOM網路的學習算法
9.5Hopfield網路
9.5.1離散Hopfield網路的結構
9.5.2離散Hopfield 網路的穩定性
9.5.3離散Hopfield 網路的學習算法
9.6脈衝耦合神經網路
9.6.1PCNN的結構
9.6.2PCNN的學習算法
9.7神經計算的發展趨勢
9.8小結
習題
第10章進化計算
10.1概述
10.2遺傳算法
10.2.1遺傳算法的基本原理
10.2.2遺傳算法的套用示例
10.2.3模式定理
10.2.4遺傳算法的改進
10.3進化規劃
10.3.1標準進化規劃及其改進
10.3.2進化規劃的基本技術
10.4進化策略
10.4.1進化策略及其改進
10.4.2進化策略的基本技術
10.5GA、EP、ES的異同
10.6小結
習題
第11章人工智慧的爭論與展望
11.1人工智慧的爭論
11.1.1對人工智慧理論的爭論
11.1.2對人工智慧方法的爭論
11.1.3對人工智慧技術路線的爭論
11.1.4對強弱人工智慧的爭論
11.2人工智慧的展望
11.2.1更新的理論框架
11.2.2更好的技術集成
11.2.3更成熟的套用方法
11.2.4腦機接口
11.3小結
習題
參考文獻
