《人工智能 第2版》PDF下载

  • 购买积分:11 如何计算积分?
  • 作  者:丁世飞编著
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2011
  • ISBN:9787302383895
  • 页数:264 页
图书介绍:本书在《人工智能》第1版的基础上,经过近几年编著者的使用经验、结合多年教学研究经验的基础上撰写而成。本书将原版《人工智能》中的第一部分:基本人工智能,作为本书修订的重点,主要包括经典的知识表示方法、搜索策略、确定行推理、不确定性推理、机器学习等,增加人工智能的主要应用内容,主要涉及专家系统、博弈论等,将编著者及其国内外的最新研究成果吸收进来,以彰显本书的特色。

第1章 绪论 1

1.1 什么是人工智能 1

1.1.1 智能的定义 1

1.1.2 人工智能的定义 2

1.2 人工智能的发展 5

1.2.1 孕育期 5

1.2.2 摇篮期 5

1.2.3 形成期 6

1.2.4 发展期 7

1.2.5 实用期 7

1.2.6 稳步增长期 8

1.3 人工智能的研究方法 8

1.3.1 符号主义 9

1.3.2 连接主义 9

1.3.3 行为主义 10

1.4 人工智能的应用领域 10

1.4.1 机器学习 11

1.4.2 知识发现和数据挖掘 11

1.4.3 专家系统 12

1.4.4 模式识别 12

1.4.5 自然语言处理 12

1.4.6 智能决策支持系统 12

1.4.7 人工神经网络 13

1.4.8 自动定理证明 13

1.4.9 机器人学 13

1.4.10 分布式人工智能与智能体 14

1.5 小结 14

习题 14

第2章 知识表示 15

2.1 概述 15

2.1.1 知识与知识表示 15

2.1.2 知识表示方法 16

2.2 谓词逻辑表示法 17

2.2.1 命题逻辑 17

2.2.2 谓词逻辑 19

2.3 产生式表示法 24

2.3.1 产生式可表示的知识种类及其基本形式 24

2.3.2 知识的表示方法 25

2.3.3 产生式系统的组成 27

2.3.4 产生式系统的推理方式 28

2.3.5 产生式表示法的特点 29

2.4 语义网络表示法 31

2.4.1 语义网络的概念及结构 31

2.4.2 语义网络的基本语义联系 31

2.4.3 语义网络表示知识的方法及步骤 34

2.4.4 语义网络知识表示举例 37

2.4.5 语义网络的推理过程 38

2.4.6 语义网络表示法的特点 39

2.5 框架表示法 39

2.5.1 框架结构 40

2.5.2 框架表示知识举例 41

2.5.3 推理方法 43

2.5.4 框架表示法的特点 44

2.6 脚本表示法 44

2.6.1 脚本的定义与组成 44

2.6.2 用脚本表示知识的步骤 47

2.6.3 用脚本表示知识的推理方法 47

2.6.4 脚本表示法的特点 48

2.7 面向对象的知识表示 48

2.7.1 面向对象的基本概念 48

2.7.2 面向对象的知识表示 50

2.7.3 面向对象方法学的主要观点 51

2.8 小结 51

习题 52

第3章 搜索策略 54

3.1 引言 54

3.2 基于状态空间图的搜索技术 55

3.2.1 图搜索的基本概念 56

3.2.2 状态空间搜索 56

3.2.3 一般图的搜索算法 61

3.3 盲目搜索 62

3.3.1 宽度优先搜索 62

3.3.2 深度优先搜索 65

3.3.3 有界深度搜索和迭代加深搜索 67

3.3.4 搜索最优策略的比较 68

3.4 启发式搜索 68

3.4.1 启发性信息和评估函数 69

3.4.2 启发式搜索算法A 69

3.4.3 实现启发式搜索的关键因素和A算法 70

3.4.4 迭代加深A算法 74

3.4.5 回溯策略和爬山法 75

3.5 问题规约和与或图启发式搜索 76

3.5.1 问题规约 76

3.5.2 与/或图表示 78

3.5.3 与/或图的启发式搜索 80

3.6 博弈 83

3.6.1 极大极小过程 85

3.6.2 α-β过程 87

3.7 小结 88

习题 89

第4章 确定性推理 91

4.1 概述 91

4.1.1 推理的概述和类型 91

4.1.2 推理的控制策略 94

4.2 推理的逻辑基础 96

4.3 自然演绎推理 99

4.4 归结演绎推理 100

4.4.1 子句型 100

4.4.2 鲁滨逊归结原理 102

4.4.3 归结演绎推理的归结策略 106

4.4.4 用归结反演求取问题的答案 110

4.5 小结 111

习题 112

第5章 不确定性推理 113

5.1 概述 113

5.1.1 什么是不确定性推理 113

5.1.2 知识不确定性的来源 114

5.1.3 不确定推理要解决的基本问题 114

5.1.4 不确定性推理方法分类 117

5.2 主观Bayes方法 117

5.2.1 知识不确定性的表示 118

5.2.2 证据不确定性的表示 121

5.2.3 不确定性的更新 121

5.2.4 结论不确定性的合成算法 123

5.3 可信度方法 126

5.3.1 可信度模型 127

5.3.2 确定性方法的说明 132

5.4 证据理论 133

5.4.1 证据的不确定性 133

5.4.2 证据的组合函数 136

5.4.3 规则的不确定性 137

5.4.4 不确定性的组合 137

5.5 模糊推理 140

5.5.1 模糊数学的基本知识 140

5.5.2 模糊假言推理 142

5.6 小结 145

习题 146

第6章 机器学习 148

6.1 机器学习概述 148

6.1.1 学习与机器学习 148

6.1.2 学习系统 149

6.1.3 机器学习的发展简史 151

6.1.4 机器学习分类 152

6.1.5 机器学习的应用与研究目标 153

6.2 归纳学习 154

6.2.1 归纳学习的基本概念 155

6.2.2 变型空间学习 156

6.2.3 归纳偏置 158

6.3 决策树学习 159

6.3.1 决策树的组成及分类 159

6.3.2 决策树的构造算法CLS 161

6.3.3 基本的决策树算法ID3 162

6.3.4 决策树的偏置 165

6.4 基于实例的学习 165

6.4.1 k-近邻算法 165

6.4.2 距离加权最近邻法 166

6.4.3 基于范例的学习 167

6.5 强化学习 171

6.5.1 强化学习模型 172

6.5.2 马尔可夫决策过程 172

6.5.3 Q学习 174

6.6 小结 176

习题 176

第7章 专家系统 178

7.1 专家系统概述 178

7.1.1 专家系统的主要特性 178

7.1.2 专家系统的结构与类型 179

7.2 基于规则的专家系统 181

7.2.1 基于规则的专家系统的基本结构 181

7.2.2 基于规则的专家系统的特点 182

7.2.3 基于规则的专家系统举例 183

7.3 基于框架的专家系统 183

7.3.1 基于框架的专家系统简介 183

7.3.2 基于框架的专家系统的继承、槽和方法 184

7.3.3 基于框架的专家系统举例 185

7.4 基于模型的专家系统 186

7.4.1 基于模型的专家系统的概念 186

7.4.2 基于模型的专家系统举例 187

7.5 专家系统的开发 187

7.5.1 开发步骤 188

7.5.2 知识的获取 189

7.5.3 专家系统的开发工具及环境 190

7.6 专家系统设计举例 192

7.6.1 专家知识的描述 192

7.6.2 知识的使用 196

7.6.3 决策的解释 198

7.6.4 MYCIN系统 199

7.7 新型专家系统 200

7.8 小结 202

习题 202

第8章 支持向量机 203

8.1 概述 203

8.2 统计学习理论 204

8.2.1 学习问题的表示 204

8.2.2 期望风险和经验风险 205

8.2.3 VC维理论 206

8.2.4 推广性的界 207

8.2.5 结构风险最小化 208

8.3 支持向量机 209

8.3.1 函数集结构的构造 210

8.3.2 支持向量机 210

8.4 核函数 213

8.4.1 概述 213

8.4.2 核函数的分类 215

8.5 SVM的算法及多类SVM 216

8.5.1 SVM的算法 216

8.5.2 多类问题中的SVM 216

8.6 ε-不敏感损失函数和非线性回归的SVM 216

8.6.1 ε-不敏感损失函数 216

8.6.2 非线性回归SVM模型 217

8.7 SVM的应用 219

8.7.1 人脸检测、验证和识别 219

8.7.2 说话人/语音识别 220

8.7.3 文字/手写体识别 220

8.7.4 图像处理 220

8.8 小结 221

习题 221

第9章 神经计算 223

9.1 人工神经元模型 223

9.2 感知器 225

9.2.1 感知器的结构 225

9.2.2 感知器学习算法 226

9.3 反向传播网络 228

9.3.1 BP网络的结构 228

9.3.2 BP网络的学习算法 228

9.4 自组织映射神经网络 231

9.4.1 SOM网络结构 232

9.4.2 SOM网络的学习算法 232

9.5 Hopfield网络 234

9.5.1 离散Hopfield网络的结构 234

9.5.2 离散Hopfield网络的稳定性 235

9.5.3 离散Hopfield网络的学习算法 235

9.6 脉冲耦合神经网络 236

9.6.1 PCNN的结构 236

9.6.2 PCNN的学习算法 236

9.7 神经计算的发展趋势 237

9.8 小结 238

习题 239

第10章 进化计算 240

10.1 概述 240

10.2 遗传算法 241

10.2.1 遗传算法的基本原理 241

10.2.2 遗传算法的应用示例 242

10.2.3 模式定理 245

10.2.4 遗传算法的改进 248

10.3 进化规划 249

10.3.1 标准进化规划及其改进 249

10.3.2 进化规划的基本技术 251

10.4 进化策略 252

10.4.1 进化策略及其改进 252

10.4.2 进化策略的基本技术 253

10.5 GA、EP、ES的异同 255

10.6 小结 256

习题 256

第11章 人工智能的争论与展望 257

11.1 人工智能的争论 257

11.1.1 对人工智能理论的争论 257

11.1.2 对人工智能方法的争论 258

11.1.3 对人工智能技术路线的争论 258

11.1.4 对强弱人工智能的争论 259

11.2 人工智能的展望 260

11.2.1 更新的理论框架 260

11.2.2 更好的技术集成 261

11.2.3 更成熟的应用方法 261

11.2.4 脑机接口 262

11.3 小结 262

习题 263

参考文献 264