人工智能導(dǎo)論

前言
第1章 緒論
1.1 什么是人工智能
1.1.1 關(guān)于智能
1.1.2 人工智能的研究目標(biāo)
1.2 人工智能發(fā)展簡(jiǎn)史
1.3 人工智能研究方法
1.3.1 人工智能研究的特點(diǎn)
1.3.2 人工智能研究的途徑
1.3.3 人工智能研究的資源
1.4 人工智能研究及應(yīng)用領(lǐng)域
1.4.1 問(wèn)題求解與博弈
1.4.2 專(zhuān)家系統(tǒng)
1.4.3 自動(dòng)定理證明
1.4.4 機(jī)器學(xué)習(xí)
1.4.5 人工神經(jīng)網(wǎng)絡(luò)
1.4.6 模式識(shí)別
1.4.7 計(jì)算機(jī)視覺(jué)
1.4.8 自然語(yǔ)言處理
1.4.9 智能體
1.4.10 智能控制
1.4.11 機(jī)器人學(xué)
1.4.12 人工生命
1.5 本章小結(jié)
1.6 習(xí)題
第2章 知識(shí)工程
2.1 概述
2.2 知識(shí)表示方法
2.2.1 經(jīng)典邏輯表示法
2.2.2 產(chǎn)生式表示法
2.2.3 層次結(jié)構(gòu)表示法
2.2.4 網(wǎng)絡(luò)結(jié)構(gòu)表示法
2.2.5 其他表示法
2.3 知識(shí)獲取與管理
2.3.1 知識(shí)獲取的任務(wù)
2.3.2 知識(shí)獲取的方式
2.3.3 知識(shí)管理
2.3.4 本體論
2.4 基于知識(shí)的系統(tǒng)
2.4.1 什么是知識(shí)系統(tǒng)
2.4.2 專(zhuān)家系統(tǒng)
2.4.3 知識(shí)系統(tǒng)舉例
2.5 本章小結(jié)
2.6 習(xí)題
第3章 確定性推理
3.1 概述
3.1.1 推理方式與分類(lèi)
3.1.2 推理控制策略
3.1.3 知識(shí)匹配
3.2 自然演繹推理
3.3 歸結(jié)演繹推理
3.3.1 海伯倫理論
3.3.2 魯賓遜歸結(jié)原理
3.3.3 歸結(jié)反演
3.3.4 歸結(jié)策略
3.3.5 應(yīng)用歸結(jié)原理求解問(wèn)題
3.4 與或形演繹推理
3.4.1 與或形正向演繹推理
3.4.2 與或形逆向演繹推理
3.4.3 與或形雙向演繹推理
3.5 本章小結(jié)
3.6 習(xí)題
第4章 不確定性推理
4.1 概述
4.2 基本概率方法
4.3 主觀貝葉斯方法
4.3.1 不確定性的表示
4.3.2 不確定性的傳遞算法
4.3.3 結(jié)論不確定性的合成算法
4.4 可信度方法
4.4.1 基本可信度模型
4.4.2 帶閾值限度的可信度模型
4.4.3 加權(quán)的可信度模型
4.4.4 前件帶不確定性的可信度模型
4.5 模糊推理
4.5.1 模糊理論
4.5.2 簡(jiǎn)單模糊推理
4.5.3 模糊三段論推理
4.5.4 多維模糊推理
4.5.5 多重模糊推理
4.5.6 帶有可信度因子的模糊推理
4.6 證據(jù)理論
4.6.1 D-S理論
4.6.2 基于證據(jù)理論的不確定性推理
4.7 粗糙集理論
4.7.1 粗糙集理論的基本概念
4.7.2 粗糙集在知識(shí)發(fā)現(xiàn)中的應(yīng)用
4.8 本章小結(jié)
4.9 習(xí)題
第5章 搜索策略
5.1 概述
5.1.1 什么是搜索
5.1.2 狀態(tài)空間表示法
5.1.3 與或樹(shù)表示法
5.2 狀態(tài)空間搜索
5.2.1 狀態(tài)空間的一般搜索過(guò)程
5.2.2 廣度優(yōu)先搜索
5.2.3 深度優(yōu)先搜索
5.2.4 有界深度優(yōu)先搜索
5.2.5 啟發(fā)式搜索
5.2.6 A*算法
5.3 與或樹(shù)搜索
5.3.1 與或樹(shù)的一般搜索過(guò)程
5.3.2 與或樹(shù)的廣度優(yōu)先搜索
5.3.3 與或樹(shù)的深度優(yōu)先搜索
5.3.4 與或樹(shù)的有序搜索
5.3.5 博弈樹(shù)的啟發(fā)式搜索
5.3.6 剪枝技術(shù)
5.4 本章小結(jié)
5.5 習(xí)題
第6章 機(jī)器學(xué)習(xí)
6.1 概述
6.1.1 什么是機(jī)器學(xué)習(xí)
6.1.2 機(jī)器學(xué)習(xí)方法的分類(lèi)
6.1.3 機(jī)器學(xué)習(xí)的基本問(wèn)題
6.1.4 評(píng)估學(xué)習(xí)結(jié)果
6.2 決策樹(shù)學(xué)習(xí)
6.2.1 決策樹(shù)表示法
6.2.2 ID3算法
6.2.3 決策樹(shù)學(xué)習(xí)的常見(jiàn)問(wèn)題
6.2.4 用決策樹(shù)學(xué)習(xí)客戶(hù)分類(lèi)
6.3 貝葉斯學(xué)習(xí)
6.3.1 貝葉斯法則
6.3.2 樸素貝葉斯方法
6.3.3 貝葉斯網(wǎng)絡(luò)
6.3.4 EM算法
6.3.5 用貝葉斯方法過(guò)濾垃圾郵件
6.4 統(tǒng)計(jì)學(xué)習(xí)
6.4.1 統(tǒng)計(jì)學(xué)習(xí)理論
6.4.2 支持向量機(jī)
6.4.3 核函數(shù)
6.4..4 基于支持向量機(jī)的車(chē)牌識(shí)別
6.5 遺傳算法
6.5.1 進(jìn)化計(jì)算
6.5.2 遺傳算法原理
6.5.3 問(wèn)題編碼策略
6.5.4 遺傳算子
6.5.5 遺傳算法的理論分析
6.5.6 用遺傳算法解決TSP問(wèn)題
6.6 聚類(lèi)
6.6.1 聚類(lèi)問(wèn)題
6.6.2 分層聚類(lèi)方法
6.6.3 劃分聚類(lèi)方法
……
第7章 人工神經(jīng)網(wǎng)絡(luò)
第8章 人工智能的其他領(lǐng)域
參考文獻(xiàn)