圖書信息
出版社: 機械工業出版社; 第1版 (2011年7月1日)
叢書名: 計算機科學與技術系列
平裝: 313頁
正文語種: 簡體中文
開本: 16
ISBN: 9787111288374
條形碼: 978711128837401, 9787111288374
尺寸: 25.8 x 18.2 x 1.2 cm
重量: 481 g
內容簡介
鮑軍鵬、張選平等編著的《人工智慧導論》系統地闡述了人工智慧的
基本理論、基本技術、研究方法和套用領域等內容，比較全面地反映了近
：20年來人工智慧研究領域的進展，並根據人工智慧的發展動向對一些傳
統內容作了取捨，詳細介紹了機器學習方面的內容。全書分為8章，內容涉
及人工智慧的基本概念、知識工程、確定性推理和不確定性推理、搜尋策
略、機器學習、人工神經網路，以及模式識別、自然語言處理和智慧型體等
方面。每章後面都附有習題，以供讀者練習。
《人工智慧導論》可作為計算機專業本科生和其他相關學科本科生、
研究生的教材，也可作為有關科技人員的參考用書。
目錄
前言
第1章 緒論
1.1 什麼是人工智慧
1.1.1 關於智慧型
1.1.2 人工智慧的研究目標
1.2 人工智慧發展簡史
1.3 人工智慧研究方法
1.3.1 人工智慧研究的特點
1.3.2 人工智慧研究的途徑
1.3.3 人工智慧研究的資源
1.4 人工智慧研究及套用領域
1.4.1 問題求解與博弈
1.4.2 專家系統
1.4.3 自動定理證明
1.4.4 機器學習
1.4.5 人工神經網路
1.4.6 模式識別
1.4.7 計算機視覺
1.4.8 自然語言處理
1.4.9 智慧型體
1.4.10 智慧型控制
1.4.11 機器人學
1.4.12 人工生命
1.5 本章小結
1.6 習題
第2章 知識工程
2.1 概述
2.2 知識表示方法
2.2.1 經典邏輯表示法
2.2.2 產生式表示法
2.2.3 層次結構表示法
2.2.4 網路結構表示法
2.2.5 其他表示法
2.3 知識獲取與管理
2.3.1 知識獲取的任務
2.3.2 知識獲取的方式
2.3.3 知識管理
2.3.4 本體論
2.4 基於知識的系統
2.4.1 什麼是知識系統
2.4.2 專家系統
2.4.3 知識系統舉例
2.5 本章小結
2.6 習題
第3章 確定性推理
3.1 概述
3.1.1 推理方式與分類
3.1.2 推理控制策略
3.1.3 知識匹配
3.2 自然演繹推理
3.3 歸結演繹推理
3.3.1 海伯倫理論
3.3.2 魯賓遜歸結原理
3.3.3 歸結反演
3.3.4 歸結策略
3.3.5 套用歸結原理求解問題
3.4 與或形演繹推理
3.4.1 與或形正向演繹推理
3.4.2 與或形逆向演繹推理
3.4.3 與或形雙向演繹推理
3.5 本章小結
3.6 習題
第4章 不確定性推理
4.1 概述
4.2 基本機率方法
4.3 主觀貝葉斯方法
4.3.1 不確定性的表示
4.3.2 不確定性的傳遞算法
4.3.3 結論不確定性的合成算法
4.4 可信度方法
4.4.1 基本可信度模型
4.4.2 帶閾值限度的可信度模型
4.4.3 加權的可信度模型
4.4.4 前件帶不確定性的可信度模型
4.5 模糊推理
4.5.1 模糊理論
4.5.2 簡單模糊推理
4.5.3 模糊三段論推理
4.5.4 多維模糊推理
4.5.5 多重模糊推理
4.5.6 帶有可信度因子的模糊推理
4.6 證據理論
4.6.1 D—S理論
4.6.2 基於證據理論的不確定性推理
4.7 粗糙集理論
4.7.1 粗糙集理論的基本概念
4.7.2 粗糙集在知識發現中的套用
4.8 本章小結
4.9 習題
第5章 搜尋策略
5.1 概述
5.1.1 什麼是搜尋
5.1.2 狀態空間表示法
5.1.3 與或樹表示法
5.2 狀態空間搜尋
5.2.1 狀態空間的一般搜尋過程
5.2.2 廣度優先搜尋
5.2.3 深度優先搜尋
5.2.4 有界深度優先搜尋
5.2.5 啟發式搜尋
5.2.6 A*算法
5.3 與或樹搜尋
5.3.1 與或樹的一般搜尋過程
5.3.2 與或樹的廣度優先搜尋
5.3.3 與或樹的深度優先搜尋
5.3.4 與或樹的有序搜尋
5.3.5 博弈樹的啟發式搜尋
5.3.6 剪枝技術
5.4 本章小結
5.5 習題
第6章 機器學習
6.1 概述
6.1.1 什麼是機器學習
6.1.2 機器學習方法的分類
6.1.3 機器學習的基本問題
6.1.4 評估學習結果
6.2 決策樹學習
6.2.1 決策樹表示法
6.2.2 ID3算法
6.2.3 決策樹學習的常見問題
6.2.4 用決策樹學習客戶分類
6.3 貝葉斯學習
6.3.1 貝葉斯法則
6.3.2 樸素貝葉斯方法
6.3.3 貝葉斯網路
6.3.4 EM算法
6.3.5 用貝葉斯方法過濾垃圾郵件
6.4 統計學習
6.4.1 統計學習理論
6.4.2 支持向量機
6.4.3 核函式
6.4.4 基於支持向量機的車牌識別
6.5 遺傳算法
6.5.1 進化計算
6.5.2 遺傳算法原理
6.5.3 問題編碼策略
6.5.4 遺傳運算元
6.5.5 遺傳算法的理論分析
6.5.6 用遺傳算法解決TSP問題
6.6 聚類
6.6.1 聚類問題
6.6.2 分層聚類方法
6.6.3 劃分聚類方法
6.6.4 基於密度的聚類方法
6.6.5 基於格線的聚類方法
6.6.6 股票信息的聚類分析
6.7 特徵選擇與提取
6.7.1 特徵選擇
6.7.2 常用的特徵函式
6.7.3 主成分分析
6.8 其他學習方法
6.8.1 強化學習
6.8.2 隱馬爾可夫模型
6.9 本章小結
6.10 習題
第7章 人工神經網路
7.1 概述
7.1.1 人腦神經系統
7.1.2 人工神經網路的研究內容與特點
7.1.3 人工神經網路的基本形態
7.2 感知器
7.2.1 簡單感知器
7.2.2 多層感知器
7.3 前饋神經網路
7.3.1 反向傳播算法
7.3.2 反向傳播算法中的問題
7.3.3 徑向基函式網路
7.4 反饋神經網路
7.4.1 Hopfield網路
7.4.2 離散型Hopfield網路
7.4.3 連續型Hopfield網路
7.4.4 Hopfield網路中的問題
7.4.5 用Hopfield網路解決TSP問題
7.5 隨機神經網路
7.5.1 模擬退火算法
7.5.2 波爾茲曼機
7.6 自組織神經網路
7.6.1 競爭學習
7.6.2 自組織特徵映射網路
7.7 本章小結
7.8 習題
第8章 人工智慧的其他領域
8.1 模式識別
8.1.1 模式識別的基本問題
8.1.2 統計模式識別
8.1.3 句法模式識別
8.1.4 模糊模式識別
8.1.5 神經網路模式識別
8.1.6 模式識別的套用
8.2 自然語言處理
8.2.1 自然語言處理的基本問題
8.2.2 語法分析
8.2.3 語義分析
8.2.4 大規模文本處理
8.2.5 自然語言處理的套用
8.3 智慧型體
8.3.1 智慧型體模型
8.3.2 多智慧型體系統的模型
8.3.3 多智慧型體系統的協作、協商與協調
8.3.4 多智慧型體系統的學習與規劃
8.3.5 智慧型體間的通信
8.3.6 智慧型體的套用
8.4 本章小結
8.5 習題
參考文獻
