人工智能

出版者的話
序言
前言
第1章 導論
1.1 人工智能的定義與基礎
1.1.1 何謂人工智能？
1.1.2 ai基礎簡史
1.1.3 ai與唯理主義和經(jīng)驗主義傳統(tǒng)
1.1.4 形式邏輯的發(fā)展
1.1.5 圖靈測試
1.1.6 智能的生物與社會模型agent理論
1.2 ai應用領域概述
1.2.1 博弈
1.2.2 自動推理與定理證明
1.2.3 專家系統(tǒng)
1.2.4 自然語言理解
1.2.5 模擬人的性能
1.2.6 規(guī)劃與機器人
1.2.7 ai語言和環(huán)境
1.2.8 機器學習
1.2.9 神經(jīng)網(wǎng)絡與遺傳算法
1.2.1 0ai與哲學
1.3 人工智能概要
練習
第2章 表示與搜索導引
2.1 表示系統(tǒng)
2.2 搜索
第3章 謂詞演算
3.1 命題演算
3.1.1 語法
3.1.2 語義
3.2 謂詞演算
3.2.1 語法
3.2.2 語義
3.3 謂詞演算的推斷規(guī)則
3.3.1 推斷規(guī)則
3.3.2 一致化
3.4 應用：基于邏輯的家庭財務咨詢系統(tǒng)
練習
第4章 狀態(tài)空間搜索
4.1 狀態(tài)空間搜索的結(jié)構
4.1.1 圖論
4.1.2 有限狀態(tài)機
4.1.3 問題的狀態(tài)空間表示
4.2 狀態(tài)空間搜索策略
4.2.1 數(shù)據(jù)驅(qū)動和目標驅(qū)動的搜索
4.2.2 廣度優(yōu)先和深度優(yōu)先搜索
4.2.3 逐步加深的深度優(yōu)先搜索
4.3 與/或圖和邏輯推理
4.4 應用：家庭財務咨詢系統(tǒng)
練習
第5章 啟發(fā)式搜索
5.1 爬山法和動態(tài)規(guī)劃
5.1.1 爬山法
5.1.2 動態(tài)規(guī)劃
5.2 最好優(yōu)先搜索算法
5.2.1 實現(xiàn)最好優(yōu)先搜索
5.2.2 實現(xiàn)啟發(fā)估價函數(shù)
5.2.3 啟發(fā)式搜索與專家系統(tǒng)
5.3 可采納性、單調(diào)性及信息度
5.3.1 可采納性
5.3.2 單調(diào)性
5.3.3 a*算法的比較
5.4 搜索博弈圖
5.4.1 極小極大程序
5.4.2 固定深度的minimax
5.4.3 αβ剪枝
5.5 計算復雜度問題
練習
第6章 狀態(tài)空間搜索的控制算法
6.1 基于遞歸的搜索
6.1.1 遞歸搜索
6.1.2 遞歸搜索示例：模式驅(qū)動的推理
6.2 產(chǎn)生式系統(tǒng)
6.2.1 定義及簡史
6.2.2 產(chǎn)生式系統(tǒng)示例
6.2.3 搜索的控制
6.2.4 產(chǎn)生式系統(tǒng)的優(yōu)點
6.3 問題求解的黑板體系
練習
第7章 知識表示
7.1 ai表示研究簡史
7.1.1 含義的聯(lián)想主義理論
7.1.2 語義網(wǎng)絡的早期工作
7.1.3 網(wǎng)絡關系的標準化
7.1.4 腳本
7.1.5 框架
7.2 概念圖
7.2.1 概念圖導引
7.2.2 類型、個體和名稱
7.2.3 類型的層次結(jié)構
7.2.4 概念圖的操作
7.2.5 命題節(jié)點
7.2.6 概念圖與邏輯
7.3 替代顯式表示
7.3.1 brooks的包容體系
7.3.2 多種表示、本體論與知識服務
7.4 基于agent的分布式問題求解
7.4.1 面向agent的問題求解：一種定義
7.4.2 agent范型的示例及其存在問題
練習
第8章 知識系統(tǒng)
8.1 專家系統(tǒng)技術概述
8.1.1 設計基于規(guī)則的專家系統(tǒng)
8.1.2 問題領域的選擇與知識工程過程
8.1.3 概念模型及其在知識獲取中的作用
8.2 基于規(guī)則的專家系統(tǒng)
8.2.1 產(chǎn)生式系統(tǒng)與目標驅(qū)動的問題求解
8.2.2 目標驅(qū)動的推理的解釋與透明性
8.2.3 產(chǎn)生式系統(tǒng)與數(shù)據(jù)驅(qū)動的推理
8.2.4 專家系統(tǒng)的啟發(fā)性與控制
8.3 基于模型、基于事例和混合系統(tǒng)
8.3.1 基于模型的推理導引
8.3.2 基于模型的推理：nasa的例子
8.3.3 基于事例的推理導引
8.3.4 混合設計
8.4 規(guī)劃
8.4.1 strips
8.4.2 目的反應式規(guī)劃
8.4.3 規(guī)劃：nasa的例子
練習
第9章 不確定推理
9.1 基于邏輯的反繹推理
9.1.1 非單調(diào)推理邏輯
9.1.2 真值維護系統(tǒng)
9.1.3 基于最小模型的邏輯
9.1.4 集合覆蓋與基于邏輯的反繹
9.2 反繹：替代邏輯
9.2.1 肯定因數(shù)代數(shù)
9.2.2 模糊推理
9.2.3 dempster和shafer的證據(jù)論
9.3 不確定性的隨機途徑
9.3.1 有向圖模型：貝葉斯信念網(wǎng)絡
9.3.2 有向圖模型：d分隔
9.3.3 有向圖模型：推理算法
9.3.4 有向圖模型：動態(tài)貝葉斯網(wǎng)絡
9.3.5 markov模型：離散markov過程
9.3.6 markov模型：改型
練習
第10章 基于符號的機器學習
10.1 基于符號的學習框架
10.2 版本空間搜索
10.2.1 一般化操作與概念空間
10.2.2 候選排除算法
10.2.3 lex：歸納搜索啟發(fā)式
10.2.4 候選排除算法的評價
10.3 id3決策樹歸納算法
10.3.1 自頂向下歸納決策樹
10.3.2 信息論的測試選擇
10.3.3 評價id3
10.3.4 決策樹的數(shù)據(jù)問題
10.4 歸納偏向與學習能力
10.4.1 歸納偏向
10.4.2 學習能力理論
10.5 知識與學習
10.5.1 基于解釋的學習
10.5.2 類比推理
10.6 無監(jiān)督的學習
10.6.1 發(fā)現(xiàn)與無監(jiān)督的學習
10.6.2 概念聚類
10.6.3 cobweb與分類知識的結(jié)構
10.7 增強式學習
10.7.1 增強式學習的成分
10.7.2 示例：井字棋博弈
10.7.3 增強式學習的推理算法
練習
第11章 神經(jīng)網(wǎng)絡
11.1 神經(jīng)網(wǎng)絡基礎
11.2 感知器學習
11.2.1 感知器訓練算法
11.2.2 感知器學習用于分類
11.2.3 梯度下降法與δ規(guī)則
11.3 反向傳播學習
11.3.1 反向傳播算法
11.3.2 例1：nettalk
11.3.3 例2：異或函數(shù)
11.4 競爭學習
11.4.1 分類的wta學習算法
11.4.2 kohonen的學習原型網(wǎng)絡
11.4.3 重復傳播網(wǎng)絡
11.5 hebb的疊合學習
11.5.1 無監(jiān)督hebb學習示例
11.5.2 有監(jiān)督hebb學習
11.5.3 結(jié)合存儲與線性結(jié)合器
11.6 吸引狀態(tài)網(wǎng)絡
11.6.1 雙向結(jié)合存儲
11.6.2 bam處理示例
11.6.3 自結(jié)合存儲與hopfield網(wǎng)絡
練習
第12章 學習的遺傳與浮現(xiàn)模型
12.1 遺傳算法
12.1.1 遺傳算法示例
12.1.2 遺傳算法的評價
12.2 分類器系統(tǒng)與遺傳程序設計
12.2.1 分類器系統(tǒng)
12.2.2 遺傳程序設計
12.3 人工生命和基于社會的學習
12.3.1 “生命博弈”
12.3.2 進化規(guī)劃
12.3.3 浮現(xiàn)的專題研究
練習
第13章 自動推理
13.1 通用問題求解器
13.2 歸結(jié)定理證明器
13.2.1 謂詞演算表達式化為短句集合
13.2.2 歸結(jié)證明程序
13.2.3 歸結(jié)策略和簡化技術
13.2.4 由歸結(jié)反駁抽取答案
13.3 prolog與自動推理
練習
第14章 自然語言理解
14.1 理解語言的符號途徑
14.2 語法
14.2.1 上下文無關文法的規(guī)范與分析
14.3 躍遷網(wǎng)分析器與語義
14.3.1 躍遷網(wǎng)分析器
14.3.2 chomsky層次與上下文有關文法
14.3.3 語義：atn分析器
14.3.4 用atn組合語法和語義知識
14.4 語言理解的隨機工具
14.4.1 語法分析的概率途徑
14.4.2 概率上下文無關分析器
14.5 自然語言的應用
14.5.1 故事理解與回答問題
14.5.2 數(shù)據(jù)庫前端
14.5.3 對web的信息抽取和摘要系統(tǒng)
練習
第15章 結(jié)束語：評述與展望
15.1 對ai幾種途徑的評述
15.1.1 智能與物理符號系統(tǒng)假設
15.1.2 連接主義計算
15.1.3 agent、浮現(xiàn)與智能
15.1.4 概率模型和隨機技術
15.2 現(xiàn)代認知科學
15.2.1 心理學的約束
15.2.2 認識論問題
15.3 ai：當前的挑戰(zhàn)與未來方向
附錄a 隨機方法導論
附錄b 隨機方法的應用
參考文獻