第1章 绪论 1
1.1 人工智能概念和发展 1
1.1.1 人工智能的概念 1
1.1.2 人工智能的发展简史 6
1.2 人工智能的研究学派 12
1.2.1 符号主义 12
1.2.2 联结主义 12
1.2.3 行为主义 12
1.3 人工智能的研究目标 13
1.4 人工智能的研究领域 13
1.4.1 模式识别 13
1.4.2 自动定理证明 14
1.4.3 机器视觉 15
1.4.4 专家系统 15
1.4.5 机器人 15
1.4.6 自然语言处理 15
1.4.7 博弈 16
1.4.8 人工神经网络 16
1.4.9 问题求解 17
1.4.10 机器学习 17
1.4.11 基于Agent的人工智能 17
第2章 知识表示和问题求解 18
2.1 知识及知识表示的基本概念 18
2.1.1 知识的概念 18
2.1.2 知识表示 18
2.1.3 知识的分类 20
2.1.4 知识的使用 20
2.1.5 对知识表示方法的衡量 21
2.2 状态空间知识表示及求解 22
2.2.1 状态空间表示法 22
2.2.2 图搜索策略 24
2.3 产生式系统及推理 37
2.3.1 产生式系统的构成 38
2.3.2 产生式系统的求解问题策略 40
2.4 问题归约法 47
2.4.1 问题归约表示 48
2.4.2 与／或图表示 48
2.5 谓词逻辑表示及归结原理 50
2.5.1 命题逻辑 50
2.5.2 谓词逻辑 53
2.5.3 一阶谓词演算的基本体系 60
2.5.4 推理规则 63
2.5.5 归结原理 66
2.6 语义网络 83
2.6.1 语义网络的构成及特点 84
2.6.2 语义网络的表示 84
2.6.3 语义网络的推理 90
2.6.4 语义网络表示的优缺点特点 94
2.7 其他知识表示与问题求解方法 94
2.7.1 框架 94
2.7.2 脚本 99
2.7.3 过程 101
第3章 自动规划求解系统 106
3.1 规划 106
3.1.1 规划的概念 106
3.1.2 规划的特性及作用 107
3.1.3 系统规划求解的方法与途径 107
3.1.4 系统规划求解的任务 107
3.2 机器规划成功性基本原理 108
3.2.1 概述 108
3.2.2 总规划的设计与分层规划原理 108
3.2.3 规划问题求解与最优规划原理 109
3.3 机器人规划求解应用举例 110
第4章 机器学习 114
4.1 机器学习的概念 114
4.1.1 什么是学习 114
4.1.2 机器学习与人类学习的区别 115
4.1.3 机器学习实现的困难 115
4.2 机器学习的研究目标 115
4.2.1 通用学习算法 116
4.2.2 认知模型 116
4.2.3 工程目标 116
4.3 机器学习系统 116
4.3.1 什么是机器学习系统 116
4.3.2 机器学习的基本模型 116
4.4 机器学习的分类 118
4.5 实例学习 119
4.5.1 概述 119
4.5.2 实例学习的两个空间模型 119
4.5.3 实例学习示例 121
第5章 自然语言处理技术 124
5.1 自然语言处理概述 124
5.1.1 汉语信息处理技术方面的进展 125
5.1.2 少数民族语言文字信息处理技术方面的进展 125
5.1.3 自然语言处理的研究领域和方向 127
5.2 自然语言理解 128
5.2.1 自然语言分析的层次 129
5.2.2 自然语言理解的层次 130
5.3 词法分析 131
5.3 句法分析 132
5.3.1 短语结构文法 132
5.3.2 乔姆斯基文法体系 132
5.3.3 句法分析树 134
5.3.4 转移网络 134
5.4 语义分析 135
5.4.1 语义文法 135
5.4.2 格文法 135
5.5 大规模真实文本的处理 136
5.6 信息搜索 137
5.6.1 搜索引擎 137
5.6.2 智能搜索引擎 138
5.7 机器翻译 138
5.7.1 基于词的统计机器翻译 139
5.7.2 基于短语的统计机器翻译 140
5.8 语音识别 141
5.8.1 信号处理 141
5.8.2 识别 142
第6章 智能信息处理技术 144
6.1 神经网络 144
6.1.1 神经网络的模型和学习算法 144
6.1.2 几种典型神经网络简介 148
6.1.3 神经网络的应用 152
6.2 深度学习 153
6.2.1 深度学习的模型和学习算法 154
6.2.2 深度学习的应用 159
6.3 遗传算法 159
6.3.1 遗传算法的概念 160
6.3.2 基本遗传算法 161
6.3.3 遗传算法应用 164
6.4 粗糙集方法 165
6.4.1 粗糙集的基本概念 165
6.4.2 粗糙集对缺失数据的补齐方法 167
6.5 模糊计算技术 170
6.5.1 模糊集合 170
6.5.2 模糊集合的表示方法 170
6.5.3 模糊集合的运算 171
6.5.4 隶属函数 172
6.5.5 模糊模式识别 172
6.6 云模型理论 173
6.7 支持向量机 175
6.7.1 线性分类 176
6.7.2 核函数 177
6.7.3 SVM的应用 177
第7章 分布式人工智能和Agent技术 178
7.1 分布式人工智能 178
7.2 Agent系统 178
7.2.1 Agent的基本概念及特性 179
7.2.2 Agent的分类及能力 180
7.3 多Agent系统 182
7.3.1 多Agent系统的基本概念及特性 182
7.3.2 多Agent系统的研究内容 182
第8章 知识发现与数据挖掘 184
8.1 知识发现 184
8.2 数据挖掘 185
8.2.1 数据挖掘技术的产生及定义 185
8.2.2 数据挖掘的功能 186
8.2.3 常用的数据挖掘方法 187
8.3 大数据处理 193
8.3.1 大数据计算框架——MapReduce 195
8.3.2 Hadoop平台及相关生态系统 195
8.3.3 Spark计算框架及相关生态系统 196
8.3.4 流式大数据 197
8.3.5 大数据挖掘与分析 198
主要参考文献 200