人工智能導論

前言 \n
第1章緒論 \n
1.1什么是人工智能 \n
1.1.1什么是智能 \n
1.1.2人工智能的定義 \n
1.2人工智能的發(fā)展歷程 \n
1.2.1圖靈測試 \n
1.2.2人工智能的誕生 \n
1.2.3人工智能的興衰史 \n
1.3人工智能的三大學派 \n
1.3.1符號主義 \n
1.3.2連接主義 \n
1.3.3行為主義 \n
1.4人工智能的要素 \n
1.5人工智能的主要技術(shù)方向 \n
1.6人工智能的應用領域 \n
習題 \n
第2章知識表示 \n
2.1有關(guān)知識的概述 \n
2.1.1什么是知識 \n
2.1.2知識表示 \n
2.2狀態(tài)空間表示法 \n
2.2.1問題狀態(tài)描述 \n
2.2.2狀態(tài)圖表示法 \n
2.3謂詞邏輯表示法 \n
2.3.1謂詞邏輯表示法的邏輯基礎 \n
2.3.2連接詞和量詞 \n
2.3.3謂詞邏輯表示法的步驟 \n
2.3.4謂詞邏輯表示法的特點 \n
2.4語義網(wǎng)絡表示法 \n
2.4.1語義基元 \n
2.4.2語義網(wǎng)絡中常用的語義關(guān)系 \n
2.4.3語義網(wǎng)絡的知識表示方法 \n
2.4.4語義網(wǎng)絡的推理過程 \n
2.4.5語義網(wǎng)絡表示法的特點 \n
2.5框架表示法 \n
2.5.1框架的基本結(jié)構(gòu) \n
2.5.2基于框架的推理過程 \n
2.5.3框架表示法的特點 \n
2.6案例：知識圖譜 \n
習題 \n
第3章邏輯推理及方法 \n
3.1邏輯推理的概述 \n
3.1.1邏輯推理的定義 \n
3.1.2邏輯推理的分類 \n
3.1.3邏輯推理的控制策略及方向 \n
3.2邏輯推理的基礎 \n
3.2.1謂詞公式 \n
3.2.2謂詞公式的范式 \n
3.2.3置換與合一 \n
3.3歸結(jié)演繹推理 \n
3.3.1子句集 \n
3.3.2魯濱遜歸結(jié)原理 \n
3.3.3歸結(jié)反演 \n
3.3.4歸結(jié)策略 \n
3.4自然演繹推理 \n
3.5與或形演繹推理 \n
3.5.1與或形正向演繹推理 \n
3.5.2與或形反向演繹推理 \n
3.5.3與或形雙向演繹推理 \n
3.6案例：家庭財務分配管理系統(tǒng) \n
習題 \n
第4章非確定性推理及方法 \n
4.1為什么是非確定性推理 \n
4.2基本的概率推理 \n
4.2.1經(jīng)典概率方法 \n
4.2.2逆概率方法 \n
4.3主觀貝葉斯推理 \n
4.3.1非確定性表示 \n
4.3.2非確定性傳遞 \n
4.3.3結(jié)論非確定性的組合 \n
4.4基于可信度的推理 \n
4.4.1非確定性表示 \n
4.4.2非確定性計算 \n
4.4.3非確定性的更新 \n
4.4.4結(jié)論非確定性的組合 \n
4.5證據(jù)理論 \n
4.5.1D-S理論 \n
4.5.2非確定性表示 \n
4.5.3非確定性計算 \n
4.5.4非確定性更新 \n
4.6模糊推理 \n
4.6.1模糊理論 \n
4.6.2模糊匹配 \n
4.6.3模糊推理方法 \n
4.7案例：基于樸素貝葉斯方法的垃圾郵件過濾 \n
習題 \n
第5章搜索策略 \n
5.1搜索的基本概念 \n
5.2基于狀態(tài)空間的盲目搜索 \n
5.2.1狀態(tài)空間的搜索過程 \n
5.2.2狀態(tài)空間的廣度優(yōu)先搜索 \n
5.2.3狀態(tài)空間的深度優(yōu)先搜索 \n
5.3基于狀態(tài)空間的啟發(fā)式搜索 \n
5.3.1動態(tài)規(guī)劃 \n
5.3.2A*算法 \n
5.3.3爬山法 \n
5.3.4模擬退火算法 \n
5.4基于樹的盲目搜索 \n
5.4.1與或樹的一般性搜索 \n
5.4.2與或樹的廣度優(yōu)先搜索 \n
5.4.3與或樹的深度優(yōu)先搜索 \n
5.5基于樹的啟發(fā)式搜索 \n
5.5.1與或樹的有序搜索 \n
5.5.2博弈樹搜索 \n
5.5.3博弈樹的剪枝優(yōu)化 \n
5.6案例：無人駕駛中的搜索策略 \n
習題 \n
第6章機器學習 \n
6.1機器學習概述 \n
6.1.1關(guān)鍵術(shù)語 \n
6.1.2機器學習的分類 \n
6.1.3機器學習的模型構(gòu)造過程 \n
6.2監(jiān)督學習 \n
6.2.1線性回歸 \n
6.2.2邏輯斯諦回歸 \n
6.2.3最小近鄰法 \n
6.2.4線性判別分析法 \n
6.2.5樸素貝葉斯分類器 \n
6.2.6決策樹分類算法 \n
6.2.7支持向量機分類算法 \n
6.3非監(jiān)督學習 \n
6.3.1劃分式聚類方法 \n
6.3.2層次化聚類方法 \n
6.3.3基于密度的聚類方法 \n
6.4強化學習 \n
6.4.1強化學習與監(jiān)督學習和非監(jiān)督學習 \n
6.4.2強化學習問題描述 \n
6.4.3強化學習問題分類 \n
6.5神經(jīng)網(wǎng)絡和深度學習 \n
6.5.1感知器模型 \n
6.5.2前饋神經(jīng)網(wǎng)絡 \n
6.5.3卷積神經(jīng)網(wǎng)絡 \n
6.5.4其他類型結(jié)構(gòu)的神經(jīng)網(wǎng)絡 \n
6.6案例：銀行貸款用戶篩選 \n
習題 \n
第7章大數(shù)據(jù) \n
7.1大數(shù)據(jù)概述 \n
7.1.1“大數(shù)據(jù)”的三要素 \n
7.1.2大數(shù)據(jù)技術(shù)棧的發(fā)展歷程 \n
7.2數(shù)據(jù)獲取——網(wǎng)絡爬蟲 \n
7.2.1爬蟲的發(fā)展 \n
7.2.2爬蟲的原理 \n
7.2.3Robots協(xié)議 \n
7.3數(shù)據(jù)分析 \n
7.3.1數(shù)據(jù)分析項目的落地 \n
7.3.2數(shù)據(jù)分析方法 \n
7.3.3數(shù)據(jù)分析工具 \n
7.3.4現(xiàn)狀與未來 \n
7.4數(shù)據(jù)挖掘 \n
7.4.1數(shù)據(jù)挖掘的流程 \n
7.4.2數(shù)據(jù)挖掘工具 \n
7.5大數(shù)據(jù)技術(shù)的重要組件 \n
7.5.1HDFS: Hadoop分布式文件系統(tǒng) \n
7.5.2MapReduce：分布式運算框架 \n
7.5.3HBase：可拓展的數(shù)據(jù)庫系統(tǒng) \n
7.5.4Spark RDD \n
7.6數(shù)據(jù)可視化 \n
7.7案例：使用機器學習算法實現(xiàn)基于用戶行為數(shù)據(jù)的用戶分類器 \n
習題 \n
第8章人工智能應用案例 \n
8.1人臉識別應用 \n
8.1.1人臉識別簡介 \n
8.1.2人臉識別具體應用 \n
8.2文字識別應用 \n
8.2.1文字識別簡介 \n
8.2.2文字識別的應用 \n
8.3語音識別應用 \n
8.3.1語音識別簡介 \n
8.3.2語音識別的應用 \n
8.4自然語言處理應用 \n
8.4.1自然語言處理簡介 \n
8.4.2自然語言處理的應用 \n
8.5對話機器人 \n
8.6智慧城市 \n
習題 \n
參考文獻