人工智能基礎(chǔ)教程

內(nèi)容概要

　　《人工智能基礎(chǔ)教程（第2版）》系統(tǒng)地闡述了人工智能的基本原理、實現(xiàn)技術(shù)及其應(yīng)用，全面地反映了國內(nèi)外人工智能研究領(lǐng)域的最新進展和發(fā)展方向。全書共18章，分為4個部分，第1部分是搜索與問題求解，用8章的篇幅系統(tǒng)地敘述了人工智能中各種搜索方法求解的原理和方法，內(nèi)容包括狀態(tài)空間和傳統(tǒng)的圖搜索算法、和聲算法、禁忌搜索算法、遺傳算法、免疫算法、粒子群算法、蟻群算法和Agent技術(shù)等；第2部分為知識與推理，用4章的篇幅討論各種知識表示和處理技術(shù)、各種典型的推理技術(shù)，還包括非經(jīng)典邏輯推理技術(shù)和非協(xié)調(diào)邏輯推理技術(shù)；第3部分為學(xué)習(xí)與發(fā)現(xiàn)，用3章的篇幅討論傳統(tǒng)的機器學(xué)習(xí)算法、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法、數(shù)據(jù)挖掘和知識發(fā)現(xiàn)技術(shù)；第4部分為領(lǐng)域應(yīng)用，用2章分別討論專家系統(tǒng)開發(fā)技術(shù)和自然語言處理原理和方法。
　　這些內(nèi)容能夠使讀者對人工智能的基本概念和人工智能系統(tǒng)的構(gòu)造方法有一個比較清楚的認識，對人工智能研究領(lǐng)域里的最新成果有所了解。
　　《人工智能基礎(chǔ)教程（第2版）》強調(diào)先進性、實用性和可讀性，可作為計算機、信息處理、自動化和電信等IT相關(guān)專業(yè)的高年級本科生和研究生學(xué)習(xí)人工智能的教材，也可供從事計算機科學(xué)研究、開發(fā)和應(yīng)用的教學(xué)和科研人員參考。

書籍目錄

第1章 概述
1.1 人工智能概述
1.2 AI的產(chǎn)生及主要學(xué)派
1.3 人工智能、專家系統(tǒng)和知識工程
1.4 AI模擬智能成功的標準
1.5 人工智能應(yīng)用系統(tǒng)
1.6 人工智能的技術(shù)特征
習(xí)題1
第1部分搜索與問題求解
第2章 用搜索求解問題的基本原理
2.1 搜索求解問題的基本思路
2.2 實現(xiàn)搜索過程的三大要素
2.2.1 搜索對象
2.2.2 擴展規(guī)則
2.2.3 目標測試
2.3 通過搜索求解問題
2.4 問題特征分析
2.4.1 問題的可分解性
2.4.2 問題求解步驟的撤回
2.4.3 問題全域的可預(yù)測性
2.4.4 問題要求的解的滿意度
習(xí)題2
第3章 搜索的基本策略
3.1 盲目搜索方法
3.1.1 寬度優(yōu)先搜索
3.1.2 深度優(yōu)先搜索
3.1.3 分支有界搜索
3.1.4 迭代加深搜索
3.1.5 一個盲目搜索問題幾種實現(xiàn)
3.2 啟發(fā)式搜索
3.2.1 啟發(fā)式信息的表示
3.2.2 幾種最基本的搜索策略
3.3 隨機搜索
3.3.1 模擬退火法
3.3.2 其他典型的隨機搜索算法
習(xí)題3
目錄
人工智能基礎(chǔ)教程（第二版）
第4章 圖搜索策略
4.1 或圖搜索策略
4.1.1 通用或圖搜索算法
4.1.2 A算法與A*算法
4.2 與/或圖搜索
4.2.1 問題歸約求解方法與“與/或圖”
4.2.2 與/或圖搜索
4.2.3 與/或圖搜索的特點
4.2.4 與/或圖搜索算法AO*
4.2.5 對AO*算法的進一步觀察
4.2.6 用AO*算法求解一個智力難題
習(xí)題4
第5章 博弈與搜索
5.1 博弈與對策
5.2 極小極大搜索算法
5.2.1 極小極大搜索的思想
5.2.2 極小極大搜索算法
5.2.3 算法分析與舉例
5.3 α-β剪枝算法
習(xí)題5
第6章 演化搜索算法
6.1 遺傳算法的基本概念
6.1.1 遺傳算法的基本定義
6.1.2 遺傳算法的基本流程
6.2 遺傳編碼
6.2.1 二進制編碼
6.2.2 Gray編碼
6.2.3 實數(shù)編碼
6.2.4 有序編碼
6.2.5 結(jié)構(gòu)式編碼
6.3 適應(yīng)值函數(shù)
6.4 遺傳操作
6.4.1 選擇
6.4.2 交叉操作
6.4.3 變異操作
6.5 初始化群體
6.6 控制參數(shù)的選取
6.7 算法的終止準則
6.8 遺傳算法的基本理論
6.8.1 模式定理
6.8.2 隱含并行性
6.8.3 構(gòu)造塊假設(shè)
6.8.4 遺傳算法的收斂性
6.9 遺傳算法簡例
6.10遺傳算法的應(yīng)用領(lǐng)域
6.11免疫算法
6.11.1 免疫算法的發(fā)展
6.11.2 免疫算法的基本原理
6.11.3 生物免疫系統(tǒng)與人工免疫系統(tǒng)對應(yīng)關(guān)系
6.11.4 免疫算法的基本類型和步驟
6.12 典型免疫算法分析
6.12.1 陰性選擇算法
6.12.2 免疫遺傳算法
6.12.3 克隆選擇算法
6.12.4 基于疫苗的免疫算法
6.13 免疫算法設(shè)計分析
6.14 免疫算法與遺傳算法比較
6.14.1 免疫算法與遺傳算法的基本步驟比較
6.14.2 免疫算法與遺傳算法不同之處
6.14.3 仿真實驗及討論
6.15免疫算法研究的展望
習(xí)題6
第7章 群集智能算法
7.1 群集智能算法的研究背景
7.2 群集智能的基本算法介紹
7.2.1 蟻群算法
7.2.2 flock算法
7.2.3 粒子群算法
7.3 集智系統(tǒng)介紹
7.3.1 人工魚
7.3.2 Terrarium世界
7.4 群集智能的優(yōu)缺點
習(xí)題7
第8章 記憶型搜索算法
8.1 禁忌搜索算法
8.1.1 禁忌搜索算法的基本思想
8.1.2 禁忌搜索算法的基本流程
8.1.3 禁忌搜索示例
8.1.4 禁忌搜索算法的基本要素分析
8.1.5 禁忌搜索算法流程的特點
8.1.6 禁忌搜索算法的改進
8.2 和聲搜索算法
8.2.1 和聲搜索算法簡介和原理
8.2.2 算法應(yīng)用
8.2.3 算法比較與分析
習(xí)題8
第9章 基于Agent的搜索
9.1 DAI概述
9.2 分布式問題求解
9.3 Agent的定義
9.3.1 Agent的弱定義
9.3.2 Agent的強定義
9.4 Agent的分類
9.4.1 按功能劃分
9.4.2 按屬性劃分
9.5 Agent通信
9.5.1 Agent通信概述
9.5.2 言語動作
9.5.3 SHADE通信機制
9.6 移動Agent
9.6.1 移動Agent系統(tǒng)的一般結(jié)構(gòu)
9.6.2 移動Agent的分類
9.6.3 移動Agent的優(yōu)點
9.6.4 移動Agent的技術(shù)難點
9.6.5 移動Agent技術(shù)的標準化
9.7 移動Agent平臺的介紹
9.7.1 General Magic公司的Odysses
9.7.2 IBM公司的Aglet
習(xí)題9
第2部分知識與推理
第10章 知識表示與處理方法
10.1 概述
10.1.1 知識和知識表示的含義
10.1.2 知識表示方法分類
10.1.3 AI對知識表示方法的要求
10.1.4 知識表示要注意的問題
10.2 邏輯表示法
10.3 產(chǎn)生式表示法
10.3.1 產(chǎn)生式系統(tǒng)的組成
10.3.2 產(chǎn)生式系統(tǒng)的知識表示
10.3.3 產(chǎn)生式系統(tǒng)的推理方式
10.3.4 產(chǎn)生式規(guī)則的選擇與匹配
10.3.5 產(chǎn)生式表示的特點
10.4 語義網(wǎng)絡(luò)表示法
10.4.1 語義網(wǎng)絡(luò)結(jié)構(gòu)
10.4.2 二元語義網(wǎng)絡(luò)的表示
10.4.3 多元語義網(wǎng)絡(luò)的表示
10.4.4 連接詞和量詞的表示
10.4.5 語義網(wǎng)絡(luò)的推理過程
10.4.6 語義網(wǎng)絡(luò)的一般描述
10.5 框架表示法
10.5.1 框架理論
10.5.2 框架結(jié)構(gòu)
10.5.3 框架表示下的推理
10.6 過程式知識表示
習(xí)題10
第11章 謂詞邏輯的歸結(jié)原理及其應(yīng)用
11.1 命題演算的歸結(jié)方法
11.1.1 基本概念
11.1.2 命題演算的歸結(jié)方法
11.2 謂詞演算的歸結(jié)
11.2.1 謂詞演算的基本問題
11.2.2 將公式化成標準子句形式的步驟
11.2.3 合一算法
11.2.4 變量分離標準化
11.2.5 謂詞演算的歸結(jié)算法
11.3 歸結(jié)原理
11.3.1 謂詞演算的基本概念
11.3.2 歸結(jié)方法可靠性證明
11.3.3 歸結(jié)方法的完備性
11.4 歸結(jié)過程的控制策略
11.4.1 簡化策略
11.4.2 支撐集策略
11.4.3 線性輸入策略
11.4.4 幾種推理規(guī)則及其應(yīng)用
11.5 應(yīng)用實例
11.5.1 歸約在邏輯電路設(shè)計中的應(yīng)用
11.5.2 利用推理破案的實例
習(xí)題11
第12章 非經(jīng)典邏輯的推理
12.1 非單調(diào)推理
12.1.1 單調(diào)推理與非單調(diào)推理的概念
12.1.2 默認邏輯
12.1.3 默認邏輯非單調(diào)推理系統(tǒng)TMS
12.2 Dempster?Shater（D?S）證據(jù)理論
12.2.1 識別框架
12.2.2 基本概率分配函數(shù)
12.2.3 置信函數(shù)Bel（A）
12.2.4 置信區(qū)間
12.2.5 證據(jù)的組合函數(shù)
12.2.6 D?S理論的評價
12.3 不確定性推理
12.3.1 不確定性
12.3.2 主觀概率貝葉斯方法
12.4 MYCIN系統(tǒng)的推理模型
12.4.1 理論和實際的背景
12.4.2 MYCIN模型
12.4.3 MYCIN模型分析
12.4.4 MYCIN推理網(wǎng)絡(luò)的基本模式
12.4.5 MYCIN推理模型的評價
12.5 模糊推理
12.5.1 模糊集論與模糊邏輯
12.5.2 Fuzzy聚類分析
12.6 基于案例的推理
12.6.1 基于案例推理的基本思想
12.6.2 案例的表示與組織
12.6.3 案例的檢索
12.6.4 案例的改寫
12.7 歸納法推理
12.7.1 歸納法推理的理論基礎(chǔ)
12.7.2 歸納法推理的基本概念
12.7.3 歸納法推理中的主要難點
12.7.4 歸納法推理的應(yīng)用
習(xí)題12
第13章 次協(xié)調(diào)邏輯推理
13.1 次協(xié)調(diào)邏輯的含義
13.1.1 傳統(tǒng)的人工智能與經(jīng)典邏輯
13.1.2 人工智能中不協(xié)調(diào)的數(shù)據(jù)和知識庫
13.1.3 次協(xié)調(diào)邏輯
13.2 注解謂詞演算
13.2.1 多真值格
13.2.2 注解邏輯
13.2.3 注解謂詞公式的語義
13.2.4 APC中的不協(xié)調(diào)、非、蘊含
13.3 基于APC的SLDa?推導(dǎo)和SLDa?反駁
13.3.1 SLDa?推導(dǎo)和SLDa?反駁
13.3.2 注解邏輯推理方法
13.3.3 注解邏輯推理舉例
13.4 注解邏輯的歸結(jié)原理
13.5 應(yīng)用實例
13.6 控制策略
習(xí)題13
第3部分學(xué)習(xí)與發(fā)現(xiàn)
第14章 機器學(xué)習(xí)
14.1 概述
14.1.1 機器學(xué)習(xí)的定義和意義
14.1.2 機器學(xué)習(xí)的研究簡史
14.1.3 機器學(xué)習(xí)方法的分類
14.1.4 機器學(xué)習(xí)中的推理方法
14.2 歸納學(xué)習(xí)
14.2.1 歸納概念學(xué)習(xí)的定義
14.2.2 歸納概念學(xué)習(xí)的形式描述
14.2.3 歸納概念學(xué)習(xí)算法的一般步驟
14.2.4 歸納概念學(xué)習(xí)的基本技術(shù)
14.3 基于解釋的學(xué)習(xí)
14.3.1 基于解釋學(xué)習(xí)的基本原理
14.3.2 基于解釋學(xué)習(xí)的一般框架
14.3.3 基于解釋的學(xué)習(xí)過程
14.4 基于類比的學(xué)習(xí)
14.4.1 類比學(xué)習(xí)的一般原理
14.4.2 類比學(xué)習(xí)的表示
14.4.3 類比學(xué)習(xí)的求解
14.4.4 逐步推理和監(jiān)控的類比學(xué)習(xí)
習(xí)題14
第15章 人工神經(jīng)網(wǎng)絡(luò)
15.1 人工神經(jīng)網(wǎng)絡(luò)的特點
15.2 人工神經(jīng)網(wǎng)絡(luò)的基本原理
15.3 人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模式
15.4 人工神經(jīng)網(wǎng)絡(luò)互連結(jié)構(gòu)
15.5 神經(jīng)網(wǎng)絡(luò)模型分類
15.6 幾種基本的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法介紹
15.6.1 Hebb型學(xué)習(xí)
15.6.2 誤差修正學(xué)習(xí)方法
15.6.3 隨機型學(xué)習(xí)
15.6.4 競爭型學(xué)習(xí)
15.6.5 基于記憶的學(xué)習(xí)
15.6.6 結(jié)構(gòu)修正學(xué)習(xí)
15.7 幾種典型神經(jīng)網(wǎng)絡(luò)簡介
15.7.1 單層前向網(wǎng)絡(luò)
15.7.2 多層前向網(wǎng)絡(luò)及BP學(xué)習(xí)算法
15.7.3 Hopfield神經(jīng)網(wǎng)絡(luò)
15.8 人工神經(jīng)網(wǎng)絡(luò)與人工智能其他技術(shù)的比較
15.9 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域
習(xí)題15
第16章 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)
16.1 數(shù)據(jù)挖掘
16.1.1 數(shù)據(jù)挖掘的定義與發(fā)展
16.1.2 數(shù)據(jù)挖掘研究的主要內(nèi)容
16.1.3 數(shù)據(jù)挖掘的特點
16.1.4 數(shù)據(jù)挖掘的分類
16.1.5 數(shù)據(jù)挖掘常用的技術(shù)
16.1.6 數(shù)據(jù)挖掘過程
16.1.7 數(shù)據(jù)挖掘研究面臨的困難
16.1.8 關(guān)聯(lián)規(guī)則挖掘
16.1.9 聚類分析
16.2 Web挖掘
16.2.1 Web挖掘概述
16.2.2 Web內(nèi)容挖掘
16.2.3 Web結(jié)構(gòu)挖掘
16.2.4 Web使用挖掘
16.2.5 Web數(shù)據(jù)挖掘的技術(shù)難點
16.2.6 XML與Web數(shù)據(jù)挖掘技術(shù)
16.3 文本挖掘
16.3.1 文本挖掘的概念
16.3.2 文本挖掘預(yù)處理
16.3.3 文本挖掘的關(guān)鍵技術(shù)
16.3.4 文本挖掘系統(tǒng)的評價標準
習(xí)題16
第4部分領(lǐng)域應(yīng)用
第17章 專家系統(tǒng)
17.1 專家系統(tǒng)概述
17.1.1 專家系統(tǒng)的定義
17.1.2 專家系統(tǒng)的結(jié)構(gòu)
17.1.3 專家系統(tǒng)的特點
17.1.4 專家系統(tǒng)的類型
17.1.5 幾個成功的專家系統(tǒng)簡介
17.2 專家系統(tǒng)中的知識獲取
17.2.1 概述
17.2.2 知識獲取的直接方法
17.2.3 知識獲取的新進展
17.3 專家系統(tǒng)的解釋機制
17.3.1 預(yù)制文本解釋法
17.3.2 路徑跟蹤解釋法
17.3.3 自動程序員解釋法
17.3.4 策略解釋法
17.4 專家系統(tǒng)開發(fā)工具與環(huán)境
17.4.1 專家系統(tǒng)開發(fā)工具的基本概念
17.4.2 專家系統(tǒng)工具JESS
17.4.3 JESS中的Rete匹配算法和逆向推理機制
17.5 專家系統(tǒng)開發(fā)
17.5.1 專家系統(tǒng)開發(fā)的步驟
17.5.2 專家系統(tǒng)開發(fā)方法
17.6 專家系統(tǒng)開發(fā)實例
17.6.1 動物識別專家系統(tǒng)
17.6.2 MYCIN專家系統(tǒng)
習(xí)題17
第18章 自然語言處理
18.1 語言的組成
18.1.1 自然語言的基本要素
18.1.2 實詞和虛詞
18.1.3 短語結(jié)構(gòu)
18.2 上下文無關(guān)語法
18.2.1 重寫規(guī)則
18.2.2 語法分析
18.3 上下文無關(guān)語法分析
18.3.1 產(chǎn)生后繼狀態(tài)的算法
18.3.2 利用詞典
18.3.3 建立語法分析樹
18.4 特殊語法的分析
18.4.1 引進特征
18.4.2 特征匹配
18.5 利用圖表的高效語法分析
18.5.1 chart數(shù)據(jù)結(jié)構(gòu)
18.5.2 有多種解釋的句子
18.6 語義解釋
18.6.1 詞的意思
18.6.2 利用特征的語義解釋
18.6.3 詞義排歧
18.7 生成自然語言
18.8 在上下文中的自然語言
18.8.1 言語的行為
18.8.2 創(chuàng)建引用
18.8.3 處理數(shù)據(jù)庫的斷言和問題
習(xí)題18
參考文獻

章節(jié)摘錄

版權(quán)頁：插圖：人類的自然智能伴隨著人類活動無時不在、無處不在。人類的許多活動，如解題、下棋、猜謎、寫作、編制計劃和編程，甚至駕車、騎車等，都需要智能。如果機器能夠完成這些任務(wù)的一部分，那么就可以認為機器已經(jīng)具有某種程度的“人工智能”。什么是人的智能？什么是人工智能？人的智能與人工智能有什么區(qū)別和聯(lián)系？這些都是廣大科技工作者十分感興趣且值得深入探討的問題。人工智能的出現(xiàn)不是偶然的。從思維基礎(chǔ)上講，它是人們長期以來探索研制能夠進行計算、推理和其他思維活動的智能機器的必然結(jié)果；從理論基礎(chǔ)上講，它是信息論、控制論、系統(tǒng)工程論、計算機科學(xué)、心理學(xué)、神經(jīng)學(xué)、認知科學(xué)、數(shù)學(xué)和哲學(xué)等多學(xué)科相互滲透的結(jié)果；從物質(zhì)和技術(shù)基礎(chǔ)上講，它是電子計算機和電子技術(shù)得到廣泛應(yīng)用的結(jié)果。為了解人工智能，先熟悉一下與它有關(guān)的一些概念，這些概念涉及信息、認識、知識、智力和智能。不難看出，這些概念在逐步貼近人工智能。首先看看什么是信息。信息與物質(zhì)及能量構(gòu)成整個宇宙。信息是物質(zhì)和能量運動的形式，是以物質(zhì)和能量為載體的客觀存在。人們不能直接認識物質(zhì)和能量，而是通過物質(zhì)和能量的信息來認識它們。人的認識過程為：信息經(jīng)過感覺輸入到神經(jīng)系統(tǒng)，再經(jīng)過大腦思維變?yōu)檎J識。那么什么是認識呢？認識就是用符號去整理研究對象，并確定其聯(lián)系。由認識可以繼續(xù)探討什么是知識和智力。

編輯推薦

《人工智能基礎(chǔ)教程(第2版)》：教學(xué)目標明確，注重理論與實踐的結(jié)合。教學(xué)方法靈活，培養(yǎng)學(xué)生自主學(xué)習(xí)的能力。教學(xué)內(nèi)容先進，反映了計算機學(xué)科的最新發(fā)展。教學(xué)模式完善，提供配套的教學(xué)資源解決方案。

圖書封面

評論、評分、閱讀與下載

---

    人工智能基礎(chǔ)教程 PDF格式下載

---