高级人工智能PDF电子书下载

《智能科学技术著作丛书》序 1

前言 1

第1章 绪论 1

1．1 人工智能的渊源 1

1．2 人工智能的认知问题 3

1．3 思维的层次模型 4

1．4 符号智能 6

1．5 人工智能的研究方法 7

1．5．1 认知学派 8

1．5．2 逻辑学派 8

1．5．3 行为学派 9

1．6 自动推理 9

1．7 机器学习 11

1．8 分布式人工智能 13

1．9 智能系统 15

习题 19

第2章 人工智能逻辑 20

2．1 概述 20

2．2 逻辑程序设计 22

2．2．1 逻辑程序定义 23

2．2．2 Prolog数据结构和递归 24

2．2．3 SLD归结 25

2．2．4 非逻辑成分：CUT 27

2．3 封闭世界假设 29

2．4 非单调逻辑 31

2．5 默认逻辑 33

2．6 限制逻辑 39

2．7 非单调逻辑NML 42

2．8 自认知逻辑 44

2．8．1 Moore系统？B 44

2．8．2 O？逻辑 45

2．8．3 标准型定理 46

2．8．4 ◇-记号以及稳定扩张的一种判定过程 47

2．9 真值维护系统 50

2．10 情景演算 55

2．10．1 刻画情景演算的多类逻辑 56

2．10．2 LR中的基本动作理论 57

2．10．3 ConGolog 57

2．11 框架问题 58

2．11．1 积木世界 59

2．11．2 框架公理 59

2．11．3 框架问题解决方案的准则 61

2．11．4 框架问题的非单调解决方案 63

2．12 动态描述逻辑DDL 67

2．12．1 描述逻辑 67

2．12．2 动态描述逻辑的语法 69

2．12．3 动态描述逻辑的语义 71

习题 74

第3章 约束推理 76

3．1 概述 76

3．2 回溯法 81

3．3 约束传播 82

3．4 约束传播在树搜索中的作用 84

3．5 智能回溯与真值维护 85

3．6 变量例示次序与赋值次序 86

3．7 局部修正搜索法 86

3．8 基于图的回跳法 87

3．9 基于影响的回跳法 88

3．10 约束关系运算的处理 92

3．10．1 恒等关系的单元共享策略 92

3．10．2 区间传播 93

3．10．3 不等式图 94

3．10．4 不等式推理 95

3．11 约束推理系统 96

3．12 ILOG Solver 99

习题 105

第4章 定性推理 106

4．1 概述 106

4．2 定性推理的基本方法 107

4．3 定性模型推理 108

4．4 定性进程推理 109

4．5 定性仿真推理 113

4．5．1 定性状态转换 114

4．5．2 QSIM算法 114

4．6 代数方法 116

4．7 几何空间定性推理 117

4．7．1 空间逻辑 118

4．7．2 空间和时间关系描述 120

4．7．3 空间和时间逻辑的应用 121

4．7．4 Randell算法 122

习题 123

第5章 基于案例的推理 124

5．1 概述 124

5．2 类比的形式定义 125

5．3 相似性关系 126

5．4 基于案例推理的工作过程 130

5．5 案例的表示 133

5．6 案例的索引 136

5．7 案例的检索 137

5．8 案例的复用 139

5．9 案例的保存 141

5．10 基于例示的学习 141

5．10．1 基于例示学习的任务 142

5．10．2 IB1算法 143

5．10．3 降低存储要求 145

5．11 案例工程 147

5．12 中心渔场预报专家系统 149

5．12．1 问题分析与案例表示 150

5．12．2 相似性度量 151

5．12．3 索引与检索 152

5．12．4 基于框架的修正 153

5．12．5 实验结果 155

习题 156

第6章 贝叶斯网络 158

6．1 概述 158

6．1．1 贝叶斯网络的发展历史 158

6．1．2 贝叶斯方法的基本观点 159

6．1．3 贝叶斯网络在数据挖掘中的应用 159

6．2 贝叶斯概率基础 162

6．2．1 概率论基础 162

6．2．2 贝叶斯概率 164

6．3 贝叶斯问题的求解 167

6．3．1 几种常用的先验分布选取方法 168

6．3．2 计算学习机制 170

6．3．3 贝叶斯问题的求解步骤 172

6．4 简单贝叶斯学习模型 174

6．4．1 简单贝叶斯学习模型的介绍 174

6．4．2 简单贝叶斯模型的提升 176

6．4．3 提升简单贝叶斯分类的计算复杂性 179

6．5 贝叶斯网络的建造 179

6．5．1 贝叶斯网络的结构及建立方法 179

6．5．2 学习贝叶斯网络的概率分布 180

6．5．3 学习贝叶斯网络的网络结构 182

6．6 贝叶斯潜在语义模型 186

6．7 半监督文本挖掘算法 190

6．7．1 网页聚类 190

6．7．2 对含有潜在类别主题词文档的类别标注 191

6．7．3 基于简单贝叶斯模型学习标注和未标注样本 192

习题 196

第7章 归纳学习 197

7．1 概述 197

7．2 归纳学习的逻辑基础 198

7．2．1 归纳学习的一般模式 198

7．2．2 概念获取的条件 200

7．2．3 问题背景知识 201

7．2．4 选择型和构造型泛化规则 202

7．3 偏置变换 205

7．4 变型空间方法 206

7．4．1 消除候选元素算法 208

7．4．2 两种改进算法 210

7．5 AQ归纳学习算法 212

7．6 CLS学习算法 213

7．7 ID3学习算法 214

7．7．1 信息论简介 214

7．7．2 属性选择 214

7．7．3 ID3算法步骤 215

7．7．4 ID3算法应用举例 216

7．7．5 C4．5算法 218

7．8 单变量决策树的并行处理 219

7．8．1 并行决策树算法 219

7．8．2 串行算法的并行化 222

7．9 归纳学习的计算理论 223

7．9．1 Gold学习理论 224

7．9．2 模型推理系统 225

7．9．3 Valiant学习理论 226

习题 228

第8章 统计学习 230

8．1 统计方法 230

8．2 统计学习问题 231

8．2．1 经验风险 231

8．2．2 VC维 231

8．3 学习过程的一致性 232

8．3．1 学习过程一致性的经典定义 232

8．3．2 学习理论的重要定理 232

8．3．3 VC熵 233

8．4 结构风险最小归纳原理 234

8．5 支持向量机 236

8．5．1 线性可分 237

8．5．2 线性不可分 239

8．6 核函数 240

8．6．1 多项式核函数 240

8．6．2 径向基函数 241

8．6．3 多层感知机 241

8．6．4 动态核函数 241

8．7 邻近支持向量机 243

8．8 极端支持向量机 246

习题 249

第9章 解释学习 250

9．1 概述 250

9．2 解释学习模型 251

9．3 解释泛化学习方法 252

9．3．1 基本原理 252

9．3．2 解释与泛化交替进行的解释泛化方法 255

9．4 全局取代解释泛化方法 256

9．5 解释特化学习方法 260

9．6 解释泛化的逻辑程序 262

9．6．1 工作原理 263

9．6．2 元解释器 264

9．6．3 实验例子 264

9．7 基于知识块的SOAR系统 266

9．8 可操作性 268

9．8．1 PRODIGY的效用问题 270

9．8．2 SOAR系统的可操作性 271

9．8．3 MRS-EBG的可操作性 272

9．8．4 META-LEX的处理方法 272

9．9 不完全领域知识下的解释学习 273

9．9．1 不完全领域知识 273

9．9．2 逆归结方法 273

9．9．3 基于深层知识的方法 275

习题 276

第10章 强化学习 277

10．1 概述 277

10．2 强化学习模型 278

10．3 动态规划 281

10．4 蒙特卡罗方法 283

10．5 时序差分学习 284

10．6 Q学习 287

10．7 强化学习中的函数估计 289

10．8 强化学习的应用 291

习题 293

第11章 无监督学习 294

11．1 概述 294

11．2 相似性度量 295

11．2．1 相似系数 295

11．2．2 属性的相似度量 297

11．3 划分方法 298

11．3．1 k均值算法 298

11．3．2 k中心点算法 299

11．3．3 大型数据库的划分方法 299

11．4 层次聚类方法 301

11．4．1 BIRCH算法 302

11．4．2 CURE算法 302

11．4．3 ROCK算法 303

11．5 基于密度的聚类 304

11．6 基于网格方法 307

11．7 基于模型的方法 309

11．8 模糊聚类 311

11．8．1 传递闭包法 311

11．8．2 动态直接聚类法 311

11．8．3 最大树法 312

11．9 蚁群聚类方法 314

11．9．1 基本模型 314

11．9．2 LF算法 315

11．9．3 基于群体智能的聚类算法CSI 315

11．9．4 混合聚类算法CSIM 318

11．10 聚类方法的评价 319

习题 321

第12章 关联规则 322

12．1 概述 322

12．2 基本概念 322

12．3 二值型关联规则挖掘 325

12．3．1 AIS算法 325

12．3．2 SETM算法 326

12．3．3 Apriori算法 327

12．3．4 Apriori算法的改进 330

12．4 频繁模式树挖掘算法 331

12．5 垂直挖掘算法 334

12．6 挖掘关联规则的数组方法 337

12．7 频繁闭项集的挖掘算法 339

12．8 最大频繁项集的挖掘算法 341

12．9 增量式关联规则挖掘 345

12．10 模糊关联规则的挖掘 348

12．11 任意多表间关联规则的并行挖掘 351

12．11．1 问题的形式描述 351

12．11．2 单表内大项集的并行计算 352

12．11．3 任意多表间大项集的生成 354

12．11．4 跨表间关联规则的提取 354

12．12 基于分布式系统的关联规则挖掘算法 355

12．12．1 候选集的生成 356

12．12．2 候选数据集的本地剪枝 357

12．12．3 候选数据集的全局剪枝 360

12．12．4 合计数轮流检测 362

12．12．5 分布式挖掘关联规则的算法 363

习题 366

第13章 进化计算 367

13．1 概述 367

13．2 进化系统理论的形式模型 368

13．3 达尔文进化算法 371

13．4 基本遗传算法 372

13．4．1 基本遗传算法的构成要素 372

13．4．2 基本遗传算法的一般框架 373

13．5 遗传算法的数学理论 376

13．5．1 模式定理 376

13．5．2 积木块假设 379

13．5．3 隐并行性 380

13．6 遗传算法的编码方法 380

13．6．1 二进制编码方法 382

13．6．2 格雷码编码方法 382

13．6．3 浮点数编码方法 383

13．6．4 符号编码方法 384

13．6．5 多参数级联编码方法 384

13．6．6 多参数杂交编码方法 384

13．7 适应度函数 385

13．8 遗传操作 388

13．8．1 选择算子 388

13．8．2 杂交算子 390

13．8．3 变异算子 393

13．8．4 反转操作 393

13．9 变长度染色体遗传算法 393

13．10 小生境遗传算法 394

13．11 混合遗传算法 395

13．12 并行遗传算法 398

13．13 分类器系统 399

习题 404

第14章 知识发现 405

14．1 概述 405

14．2 知识发现的任务 407

14．3 知识发现的工具 410

14．4 MSMiner的体系结构 414

14．4．1 数据挖掘模型 414

14．4．2 系统功能 415

14．4．3 体系结构 416

14．5 分布式知识发现 417

14．5．1 概述 417

14．5．2 基于网格的分布式知识发现 419

14．5．3 基于云平台的分布式知识发现 425

习题 428

第15章 主体计算 430

15．1 概述 430

15．2 分布式问题求解 431

15．2．1 分布式人工智能的兴起 431

15．2．2 分布式问题求解系统的分类 433

15．2．3 分布式问题求解系统的求解过程 434

15．3 主体理论 436

15．3．1 理性主体 436

15．3．2 BDI主体模型 437

15．4 主体结构 437

15．4．1 主体基本结构 437

15．4．2 慎思主体 439

15．4．3 反应主体 442

15．4．4 混合结构主体 444

15．4．5 InteRRaP主体 445

15．4．6 MAPE主体 446

15．5 主体通信语言ACL 459

15．5．1 主体间通信概述 460

15．5．2 FIPA ACL消息 461

15．5．3 交互协议 466

15．5．4 ACL语义学的形式化基础 468

15．6 协调和协作 470

15．6．1 引言 470

15．6．2 合同网 473

15．6．3 部分全局规划 476

15．6．4 基于约束传播的规划 478

15．6．5 基于生态学的协作 486

15．6．6 基于对策论的协商 487

15．6．7 基于意图的协商 488

15．7 移动主体 488

15．8 多主体环境 491

习题 495

第16章 互联网智能 496

16．1 概述 496

16．2 语义Web 498

16．2．1 语义Web的层次模型 498

16．2．2 本体的基本概念 500

16．2．3 本体描述语言OWL 502

16．3 本体知识管理 503

16．3．1 Protégé 504

16．3．2 KAON 505

16．3．3 KMSphere 506

16．4 Web挖掘 508

16．4．1 Web内容挖掘 509

16．4．2 Web结构挖掘 510

16．4．3 Web使用挖掘 512

16．5 搜索引擎 513

16．6 Web技术的演化 517

16．6．1 Web1．0 517

16．6．2 Web2．0 518

16．6．3 Web3．0 521

16．6．4 Web4．0 522

16．7 集体智能 522

16．7．1 引言 522

16．7．2 集体智能系统 523

16．7．3 全球脑 524

16．7．4 人工生命 525

16．8 展望 530

习题 531

参考文献 532