人工智能原理及應(yīng)用

第1章 緒論
1．1 人工智能概念和發(fā)展
1．1．1 人工智能的概念
1．1．2 人工智能的發(fā)展簡史
1．2 人工智能的研究學派
1．2．1 符號主義
1．2．2 聯(lián)結(jié)主義
1．2．3 行為主義
1．3 人工智能的研究目標
1．4 人工智能的研究領(lǐng)域
1．4．1 模式識別
1．4．2 自動定理證明
1．4．3 機器視覺
1．4．4 專家系統(tǒng)
1．4．5 機器人
1．4．6 自然語言處理
1．4．7 博弈
1．4．8 人工神經(jīng)網(wǎng)絡(luò)
1．4．9 問題求解
1．4．10 機器學習
1．4．11 基于Agent的人工智能
第2章 知識表示和問題求解
2．1 知識及知識表示的基本概念
2．1．1 知識的概念
2．1．2 知識表示
2．1．3 知識的分類
2．1．4 知識的使用
2．1．5 對知識表示方法的衡量
2．2 狀態(tài)空間知識表示及求解
2．2．1 狀態(tài)空間表示法
2．2．2 圖搜索策略
2．3 產(chǎn)生式系統(tǒng)及推理
2．3．1 產(chǎn)生式系統(tǒng)的構(gòu)成
2．3．2 產(chǎn)生式系統(tǒng)的求解問題策略
2．4 問題歸約法
2．4．1 問題歸約表示
2．4．2 與／或圖表示
2．5 謂詞邏輯表示及歸結(jié)原理
2．5．1 命題邏輯
2．5．2 謂詞邏輯
2．5．3 一階謂詞演算的基本體系
2．5．4 推理規(guī)則
2．5．5 歸結(jié)原理
2．6 語義網(wǎng)絡(luò)
2．6．1 語義網(wǎng)絡(luò)的構(gòu)成及特點
2．6．2 語義網(wǎng)絡(luò)的表示
2．6．3 語義網(wǎng)絡(luò)的推理
2．6．4 語義網(wǎng)絡(luò)表示的優(yōu)缺點特點
2．7 其他知識表示與問題求解方法
2．7．1 框架
2．7．2 腳本
2．7．3 過程
第3章 自動規(guī)劃求解系統(tǒng)
3．1 規(guī)劃
3．1．1 規(guī)劃的概念
3．1．2 規(guī)劃的特性及作用
3．1．3 系統(tǒng)規(guī)劃求解的方法與途徑
3．1．4 系統(tǒng)規(guī)劃求解的任務(wù)
3．2 機器規(guī)劃成功性基本原理
3．2．1 概述
3．2．2 總規(guī)劃的設(shè)計與分層規(guī)劃原理
3．2．3 規(guī)劃問題求解與最優(yōu)規(guī)劃原理
3．3 機器人規(guī)劃求解應(yīng)用舉例
第4章 機器學習
4．1 機器學習的概念
4．1．1 什么是學習
4．1．2 機器學習與人類學習的區(qū)別
4．1．3 機器學習實現(xiàn)的困難
4．2 機器學習的研究目標
4．2．1 通用學習算法
4．2．2 認知模型
4．2．3 工程目標
4．3 機器學習系統(tǒng)
4．3．1 什么是機器學習系統(tǒng)
4．3．2 機器學習的基本模型
4．4 機器學習的分類
4．5 實例學習
4．5．1 概述
4．5．2 實例學習的兩個空間模型
4．5．3 實例學習示例
第5章 自然語言處理技術(shù)
5．1 自然語言處理概述
5．1．1 漢語信息處理技術(shù)方面的進展
5．1．2 少數(shù)民族語言文字信息處理技術(shù)方面的進展
5．1．3 自然語言處理的研究領(lǐng)域和方向
5．2 自然語言理解
5．2．1 自然語言分析的層次
5．2．2 自然語言理解的層次
5．3 詞法分析
5．3 句法分析
5．3．1 短語結(jié)構(gòu)文法
5．3．2 喬姆斯基文法體系
5．3．3 句法分析樹
5．3．4 轉(zhuǎn)移網(wǎng)絡(luò)
5．4 語義分析
5．4．1 語義文法
5．4．2 格文法
5．5 大規(guī)模真實文本的處理
5．6 信息搜索
5．6．1 搜索引擎
5．6．2 智能搜索引擎
5．7 機器翻譯
5．7．1 基于詞的統(tǒng)計機器翻譯
5．7．2 基于短語的統(tǒng)計機器翻譯
5．8 語音識別
5．8．1 信號處理
5．8．2 識別
第6章 智能信息處理技術(shù)
6．1 神經(jīng)網(wǎng)絡(luò)
6．1．1 神經(jīng)網(wǎng)絡(luò)的模型和學習算法
6．1．2 幾種典型神經(jīng)網(wǎng)絡(luò)簡介
6．1．3 神經(jīng)網(wǎng)絡(luò)的應(yīng)用
6．2 深度學習
6．2．1 深度學習的模型和學習算法
6．2．2 深度學習的應(yīng)用
6．3 遺傳算法
6．3．1 遺傳算法的概念
6．3．2 基本遺傳算法
6．3．3 遺傳算法應(yīng)用
6．4 粗糙集方法
6．4．1 粗糙集的基本概念
6．4．2 粗糙集對缺失數(shù)據(jù)的補齊方法
6．5 模糊計算技術(shù)
6．5．1 模糊集合
6．5．2 模糊集合的表示方法
6．5．3 模糊集合的運算
6．5．4 隸屬函數(shù)
6．5．5 模糊模式識別
6．6 云模型理論
6．7 支持向量機
6．7．1 線性分類
6．7．2 核函數(shù)
6．7．3 SVM的應(yīng)用
第7章 分布式人工智能和Agent技術(shù)
7．1 分布式人工智能
7．2 Agent系統(tǒng)
7．2．1 Agent的基本概念及特性
7．2．2 Agent的分類及能力
7．3 多Agent系統(tǒng)
7．3．1 多Agent系統(tǒng)的基本概念及特性
7．3．2 多Agent系統(tǒng)的研究內(nèi)容
第8章 知識發(fā)現(xiàn)與數(shù)據(jù)挖掘
8．1 知識發(fā)現(xiàn)
8．2 數(shù)據(jù)挖掘
8．2．1 數(shù)據(jù)挖掘技術(shù)的產(chǎn)生及定義
8．2．2 數(shù)據(jù)挖掘的功能
8．2．3 常用的數(shù)據(jù)挖掘方法
8．3 大數(shù)據(jù)處理
8．3．1 大數(shù)據(jù)計算框架——MapReduce
8．3．2 Hadoop平臺及相關(guān)生態(tài)系統(tǒng)
8．3．3 Spark計算框架及相關(guān)生態(tài)系統(tǒng)
8．3．4 流式大數(shù)據(jù)
8．3．5 大數(shù)據(jù)挖掘與分析
主要參考文獻