《人工智能》PDF下载

  • 购买积分:12 如何计算积分?
  • 作  者:马少平,朱小燕编著
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2004
  • ISBN:7302089116
  • 页数:324 页
图书介绍:本书主要介绍人工智能问题求解方法的一般性原理和基本方法。主要讲述一般的搜索问题,包括盲目搜索和启发式搜索等;与或图搜索,包括AO*算法和博弈树搜索等;谓词逻辑及基于归结的定理证明方法;知识表示,包括产生式方法、语义网络、框架等;不确定性推理方法,包括贝叶斯方法、证据理论和确定性方法等;机器学习,包括实例学习、解释学习、决策树学习和神经网络等;高级搜索,包括局部搜索方法、模拟退火方法和遗传算法等。本书可作为计算机专业的本科生或者研究生学习人工智能基础课程的教材或参考书。

目 录 1

CONTENTS 1

第0章 绪论 1

0.1什么是人工智能 1

0.2图灵测试 2

0.3中文屋子问题 4

0.4人工智能的研究目标 5

0.5人工智能发展简史 6

0.6人工智能研究的课题 9

第1章搜索问题 14

1.1 回溯策略 15

1.2图搜索策略 21

1.3无信息图搜索过程 23

1.4启发式图搜索过程 25

1.5搜索算法讨论 50

习题 55

2.1与或图的搜索 57

第2章与或图搜索问题 57

2.2与或图的启发式搜索算法AO* 60

2.3博弈树的搜索 64

习题 75

第3章谓词逻辑与归结原理 77

3.1命题逻辑 77

3.1.1命题 77

3.1.2命题公式 78

3.1.3命题逻辑的意义 82

3.1.4命题逻辑的推理规则 83

3.1.5命题逻辑的归结方法 85

3.2谓词逻辑基础 88

3.2.1谓词基本概念 88

3.2.2一阶谓词逻辑 90

3.2.3谓词演算与推理 93

3.2.4谓词知识表示 95

3.3谓词逻辑归结原理 98

3.3.1归结原理概述 98

3.3.2 Skolem标准型 99

3.3.3子句集 101

3.3.4置换与合一 103

3.3.5归结式 106

3.3.6归结过程 107

3.3.7归结过程控制策略 109

3.4 Herbrand定理 113

3.4.1概述 113

3.4.2 H域 114

3.4.3 H解释 117

3.4.4语义树与Herbrand定理 118

3.4.5 Herbrand定理 120

3.4.6 Herbrand定理与归结法的完备性 121

习题 122

第4章知识表示 125

4.1概述 125

4.1.1知识 126

4.1.2知识表示 128

4.1.3知识表示观 130

4.2产生式表示 131

4.2.1事实与规则的表示 131

4.2.2产生式系统的结构 133

4.2.3产生式系统的推理 134

4.2.4产生式表示的特点 138

4.3语义网络表示 139

4.3.1语义网络的结构 139

4.3.2基本的语义关系 140

4.3.3语义网络的推理 144

4.3.4语义网络表示法的特点 147

4.4框架表示 148

4.4.1框架结构 148

4.4.2框架表示下的推理 151

4.4.3框架表示法的特点 152

4.5其他表示方法 153

4.5.1脚本知识表示方法 153

4.5.2过程性知识表示法 155

4.5.3直接性知识表示方法 156

习题 157

第5章不确定性推理方法 159

5.1概述 159

5.1.1不确定性 159

5.1.2不确定性推理的基本问题 161

5.1.3不确定性推理方法的分类 163

5.2概率论基础 163

5.2.1随机事件 164

5.2.2事件的概率 166

5.2.3贝叶斯定理 169

5.2.4信任几率 170

5.3贝叶斯网络 171

5.3.1 贝叶斯网络基本概念 171

5.3.2贝叶斯网络的推理模式 178

5.4主观贝叶斯方法 181

5.4.1规则的不确定性 181

5.4.2证据的不确定性 184

5.4.3推理计算 185

5.5确定性方法 189

5.5.1规则的不确定性度量 191

5.5.2证据的不确定性度量 192

5.5.3不确定性的传播与更新 193

5.5.4问题 195

5.6证据理论(D-S theory) 196

5.6.1基本概念 196

5.6.2证据的不确定性 198

5.6.4推理计算 200

5.6.3规则的不确定性 200

习题 202

第6章机器学习 205

6.1概述 205

6.1.1机器学习的基本概念 206

6.1.2机器学习研究的意义 207

6.1.3机器学习发展历史 209

6.1.4机器学习分类 210

6.2机器学习的基本系统结构 214

6.2.2知识库 215

6.2.1环境 215

6.2.3学习环节 216

6.2.4执行环节 216

6.3实例学习 216

6.3.1实例学习的基本概念 217

6.3.2实例学习方法的分类 223

6.3.3变型空间法 225

6.4.1解释学习的基本概念 230

6.4解释学习 230

6.4.2解释学习方法 233

6.5决策树学习 237

6.5.1概述 237

6.5.2 ID3算法 241

6.6神经网络学习 245

6.6.1神经网络基础 245

6.6.2前馈型人工神经网络 253

6.6.3 自组织竞争人工神经网络 260

6.6.4人工神经网络的应用 264

习题 268

第7章高级搜索 270

7.1基本概念 270

7.1.1组合优化问题 270

7.1.2邻域 272

7.2局部搜索算法 274

7.3.1固体退火过程 280

7.3模拟退火算法 280

7.3.2模拟退火算法 284

7.3.3参数的确定 288

7.3.4应用举例——旅行商问题 296

7.4遗传算法 300

7.4.1生物进化与遗传算法 300

7.4.2遗传算法的实现问题 308

习题 322

参考文献 323