人工智能原理及其應用（第3版）

第1章 人工智能概述
1.1 人工智能的基本概念
1.1.1 智能的概念
1.1.2 人工智能的概念
1.1.3 人工智能的研究目標
1.2 人工智能的產(chǎn)生與發(fā)展
1.2.1 孕育期
1.2.2 形成期
1.2.3 知識應用期
1.2.4 從學派分立走向綜合
1.2.5 智能科學技術學科的興起
1.3 人工智能研究的基本內(nèi)容
1.3.1 與腦科學和認知科學的交叉研究
1.3.2 智能模擬的方法和技術研究
1.4 人工智能研究中的不同學派
1.4.1 符號主義
1.4.2 聯(lián)結主義
1.4.3 行為主義
1.5 人工智能的研究和應用領域
1.5.1 機器思維
1.5.2 機器學習
1.5.3 機器感知
1.5.4 機器行為
1.5.5 計算智能
1.5.6 分布智能
1.5.7 智能系統(tǒng)
1.5.8 人工心理與人工情感
1.5.9 人工智能的典型應用
1.6 人工智能的現(xiàn)狀與思考
習題1
第2章 確定性知識系統(tǒng)
2.1 確定性知識系統(tǒng)概述
2.1.1 確定性知識表示概述
2.1.2 確定性知識推理概述
2.2 確定性知識表示方法
2.2.1 謂詞邏輯表示法
2.2.2 產(chǎn)生式表示法
2.2.3 語義網(wǎng)絡表示法
2.2.4 框架表示法
2.3 確定性知識推理方法
2.3.1 產(chǎn)生式推理
2.3.2 自然演繹推理
2.3.3 歸結演繹推理
2.4 確定性知識系統(tǒng)簡例
2.4.1 產(chǎn)生式系統(tǒng)簡例
2.4.2 歸結演繹系統(tǒng)簡例
習題2
第3章 搜索策略
3.1 搜索概述
3.1.1 搜索的含義
3.1.2 狀態(tài)空間問題求解方法
3.1.3 問題歸約求解方法
3.2 搜索的盲目策略
3.2.1 狀態(tài)空間的盲目搜索
3.2.2 代價樹的盲目搜索
3.3 狀態(tài)空間的啟發(fā)式搜索
3.3.1 啟發(fā)性信息和估價函數(shù)
3.3.2 A算法
3.3.3 A*算法
3.3.4 A*算法應用舉例
3.4 與／或樹的啟發(fā)式搜索
3.4.1 解樹的代價與希望樹
3.4.2 與／或樹的啟發(fā)式搜索過程
3.5 博弈樹的啟發(fā)式搜索
3.5.1 概述
3.5.2 極大／極小過程
3.5.3 α-β剪枝
習題3
第4章 計算智能
4.1 計算智能概述
4.1.1 什么是計算智能
4.1.2 計算智能的產(chǎn)生與發(fā)展
4.1.3 計算智能與人工智能的關系
4.2 神經(jīng)計算
4.2.1 神經(jīng)計算基礎
4.2.2 人工神經(jīng)網(wǎng)絡的互聯(lián)結構
4.2.3 人工神經(jīng)網(wǎng)絡的典型模型
4.3 進化計算
4.3.1 進化計算概述
4.3.2 遺傳算法
4.4 模糊計算
4.4.1 模糊集及其運算
4.4.2 模糊關系及其運算
4.5 粗糙集
4.5.1 粗糙集概述
4.5.2 粗糙集的基本理論
4.5.3 決策表的約簡
習題4
第5章 不確定性推理
5.1 不確定性推理概述
5.1.1 不確定性推理的含義
5.1.2 不確定性推理的基本問題
5.1.3 不確定性推理的類型
5.2 可信度推理
5.2.1 可信度的概念
5.2.2 可信度推理模型
5.2.3 可信度推理的例子
5.3 主觀Bayes推理
5.3.1 主觀Bayes方法的概率論基礎
5.3.2 主觀Bayes方法的推理模型
5.3.3 主觀Bayes推理的例子
5.3.4 主觀Bayes推理的特性
5.4 證據(jù)理論
5.4.1 證據(jù)理論的形式化描述
5.4.2 證據(jù)理論的推理模型
5.4.3 推理實例
5.4.4 證據(jù)理論推理的特性
5.5 模糊推理
5.5.1 模糊知識表示
5.5.2 模糊概念的匹配
5.5.3 模糊推理的方法
5.6 概率推理
5.6.1 貝葉斯網(wǎng)絡的概念及理論
5.6.2 貝葉斯網(wǎng)絡推理的概念和類型
5.6.3 貝葉斯網(wǎng)絡的精確推理
5.6.4 貝葉斯網(wǎng)絡的近似推理
習題5
第6章 符號學習
6.1 符號學習概述
6.1.1 學習的概念
6.1.2 機器學習的概念
6.1.3 符號學習系統(tǒng)的基本模型
6.2 記憶學習
6.3 示例學習
6.3.1 示例學習的類型
6.3.2 示例學習的模型
6.3.3 示例學習的歸納方法
6.4 決策樹學習
6.4.1 決策樹的概念
6.4.2 ID3算法
6.5 統(tǒng)計學習
6.5.1 小樣本統(tǒng)計學習理論
6.5.2 支持向量機
習題
第7章 聯(lián)結學習
7.1 聯(lián)結學習概述
7.1.1 聯(lián)結學習的生理學基礎
7.1.2 聯(lián)結學習規(guī)則
7.2 感知器學習
7.2.1 單層感知器學習算法
7.2.2 單層感知器學習的例子
7.2.3 多層感知器學習問題
7.3 BP網(wǎng)絡學習
7.3.1 BP網(wǎng)絡學習的基礎
7.3.2 BP算法的傳播公式
7.3.3 BP網(wǎng)絡學習算法
7.3.4 BP網(wǎng)絡學習的討論
7.4 Hopfield網(wǎng)絡學習
7.4.1 Hopfield網(wǎng)絡的能量函數(shù)
7.4.2 Hopfield網(wǎng)絡學習算法
習題
第8章 分布智能
8.1 分布智能概述
8.1.1 分布智能的概念
8.1.2 分布式問題求解
8.1.3 多Agent系統(tǒng)
Ⅹ 人工智能原理及其應用第3版
8.2 Agent的結構
8.2.1 Agent的機理
8.2.2 反應Agent的結構
8.2.3 認知Agent的結構
8.2.4 混合Agent的結構
8.3 多Agent系統(tǒng)
8.3.1 Agent通信
8.3.2 多Agent合作
8.4 移動Agent
8.4.1 移動Agent系統(tǒng)的一般結構
8.4.2 移動Agent的實現(xiàn)技術及應用
習題
第9章 智能應用簡介
9.1 自然語言理解簡介
9.1.1 自然語言理解的基本概念
9.1.2 詞法分析
9.1.3 句法分析
9.1.4 語義分析
9.2 專家系統(tǒng)簡介
9.2.1 專家系統(tǒng)概述
9.2.2 基于規(guī)則和基于框架的專家系統(tǒng)
9.2.3 模糊專家系統(tǒng)和神經(jīng)網(wǎng)絡專家系統(tǒng)
9.2.4 基于Web的專家系統(tǒng)
9.2.5 分布式和協(xié)同式專家系統(tǒng)
9.2.6 專家系統(tǒng)的開發(fā)
習題9
附錄A 人工智能課程實驗大綱
A.1 分章實驗
分章實驗1 簡單動物識別系統(tǒng)的知識表示第2章
分章實驗2 簡單動物識別系統(tǒng)的推理第2章
分章實驗3 簡單的一字棋游戲第3章
分章實驗4 簡單的遺傳優(yōu)化第4章
分章實驗5 簡單的可信度推理第5章
分章實驗6 簡單的單層感知器分類第7章
A.2 綜合實驗
綜合實驗1 智能五子棋游戲
綜合實驗2 基于BP網(wǎng)絡的預測或評價系統(tǒng)
綜合實驗3 基于Web的不確定推理專家系統(tǒng)
參考文獻