人工智能导论

节选

[

　　《人工智能导论/高等院校规划教材·计算机科学与技术系列》：　　搜索是人工智能中的一个基本问题。理论上有解的问题，在现实世界中由于各种约束（主要是时空资源的约束）而未必能得到解（或者*优解）。搜索策略*关心的问题就是能否尽可能快地得到（有效或者*优）解。搜索策略合适与否直接关系到智能系统的性能和运行效率。尼尔逊（Nilsson）把它列为人工智能研究中的4个核心问题之一。　　通常把常规算法无法解决的问题分为两类：一类是结构不良或非结构化问题；另一类是结构比较好，理论上也有算法可依，但问题本身的复杂性超过了计算机在时间、空间上的局限性的一类问题。对于这两类问题，我们往往无法用某些巧妙的算法来获取它们的精确解，而只能是利用已有的知识，一步步摸索着前进。在这个过程中就存在着如何寻找可用知识，确定出开销尽可能少的一条推理路线的问题。根据问题的实际情况寻找可用知识，并以此构造出一条代价较小的推理路线，使得问题获得圆满解决的过程叫做搜索。　　简单地说，搜索就是利用已知条件（知识）寻求解决问题的办法的过程。　　……

]

内容简介

[

　　《人工智能导论/高等院校规划教材·计算机科学与技术系列》系统地阐述了人工智能的基本理论、基本技术、研究方法和应用领域等内容，比较全面地反映了近20年来人工智能研究领域的进展，并根据人工智能的发展动向对一些传统内容作了取舍，详细介绍了机器学习方面的内容。全书分为8章，内容涉及人工智能的基本概念、知识工程、确定性推理和不确定性推理、搜索策略、机器学习、人工神经网络，以及模式识别、自然语言处理和智能体等方面。每章后面都附有习题，以供读者练习。　　《人工智能导论/高等院校规划教材·计算机科学与技术系列》可作为计算机专业本科生和其他相关学科本科生、研究生的教材，也可作为有关科技人员的参考用书。

]

目录

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 人工智能研究方法1．3．1 人工智能研究的特点1．3．2 人工智能研究的途径1．3．3 人工智能研究的资源1．4 人工智能研究及应用领域1．4．1 问题求解与博弈1．4．2 专家系统1．4．3 自动定理证明1．4．4 机器学习1．4．5 人工神经网络1．4．6 模式识别1．4．7 计算机视觉1．4．8 自然语言处理1．4．9 智能体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1．6 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2．4 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 知识系统举例2．5 本章小结2．6 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 海伯伦理论3．3．2 鲁宾逊归结原理3．3．3 归结反演3．3．4 归结策略3．3．5 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3．6 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4．9 习题第5章 搜索策略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5．4 本章小结5．5 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 机器学习方法的分类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 用决策树学习客户分类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 用贝叶斯方法过滤垃圾邮件6．4 统计学习6．4．1 统计学习理论6．4．2 支持向量机6．4．3 核函数6．4．4 基于支持向量机的车牌识别6．5 遗传算法6．5．1 进化计算6．5．2 遗传算法原理6．5．3 问题编码策略6．5．4 遗传算子6．5．5 遗传算法的理论分析6．5．6 用遗传算法解决TSP问题6．6 聚类6．6．1 聚类问题6．6．2 分层聚类方法6．6．3 划分聚类方法6．6．4 基于密度的聚类方法6．6．5 基于网格的聚类方法6．6．6 股票信息的聚类分析6．7 特征选择与提取6．7．1 特征选择6．7．2 常用的特征函数6．7．3 主成分分析6．8 其他学习方法6．8．1 强化学习6．8．2 隐马尔可夫模型6．9 本章小结6．10 习题第7章 人工神经网络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 人工神经网络的基本形态7．2 感知器7．2．1 简单感知器7．2．2 多层感知器7．3 前馈神经网络7．3．1 反向传播算法7．3．2 反向传播算法中的问题7．3．3 径向基函数网络7．4 反馈神经网络7．4．1 Hopfield网络7．4．2 离散型Hopfield网络7．4．3 连续型Hopfield网络7．4．4 Hopfield网络中的问题7．4．5 用Hopfield网络解决TSP问题7．5 随机神经网络7．5．1 模拟退火算法7．5．2 波尔兹曼机7．6 自组织神经网络7．6．1 竞争学习7．6．2 自组织特征映射网络7．7 本章小结7．8 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 统计模式识别8．1．3 句法模式识别8．1．4 模糊模式识别8．1．5 神经网络模式识别8．1．6 模式识别的应用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 语法分析8．2．3 语义分析8．2．4 大规模文本处理8．2．5 自然语言处理的应用8．3 智能体8．3．1 智能体模型8．3．2 多智能体系统的模型8．3．3 多智能体系统的协作、协商与协调8．3．4 多智能体系统的学习与规划8．3．5 智能体间的通信8．3．6 智能体的应用8．4 本章小结8．5 习题参考文献

封面

书名:人工智能导论

作者:鲍军鹏

页数:313

定价:¥49.0

出版社:机械工业出版社

出版日期:2018-01-01

ISBN:9787111288374

PDF电子书大小:124MB 高清扫描完整版