人工智能導論

前言
第1章 緒論
1.1 什么是人工智能
1.1.1 關于智能
1.1.2 人工智能的研究目標
1.2 人工智能發(fā)展簡史
1.3 人工智能研究方法
1.3.1 人工智能研究的特點
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 人工智能研究及應用領域
1.4.1 問題求解與博弈
1.4.2 專家系統(tǒng)
1.4.3 自動定理證明
1.4.4 機器學習
1.4.5 人工神經(jīng)網(wǎng)絡
1.4.6 模式識別
1.4.7 計算機視覺
1.4.8 自然語言處理
1.4.9 智能體
1.4.10 智能控制
1.4.11 機器人學
1.4.12 人工生命
1.5 本章小結
1.6 習題
第2章 知識工程
2.1 概述
2.2 知識表示方法
2.2.1 經(jīng)典邏輯表示法
2.2.2 產(chǎn)生式表示法
2.2.3 層次結構表示法
2.2.4 網(wǎng)絡結構表示法
2.2.5 其他表示法
2.3 知識獲取與管理
2.3.1 知識獲取的任務
2.3.2 知識獲取的方式
2.3.3 知識管理
2.3.4 本體論
2.4 基于知識的系統(tǒng)
2.4.1 什么是知識系統(tǒng)
2.4.2 專家系統(tǒng)
2.4.3 知識系統(tǒng)舉例
2.5 本章小結
2.6 習題
第3章 確定性推理
3.1 概述
3.1.1 推理方式與分類
3.1.2 推理控制策略
3.1.3 知識匹配
3.2 自然演繹推理
3.3 歸結演繹推理
3.3.1 海伯倫理論
3.3.2 魯賓遜歸結原理
3.3.3 歸結反演
3.3.4 歸結策略
3.3.5 應用歸結原理求解問題
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
3.6 習題
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 粗糙集在知識發(fā)現(xiàn)中的應用
4.8 本章小結
4.9 習題
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 與或樹搜索
5.3.1 與或樹的一般搜索過程
5.3.2 與或樹的廣度優(yōu)先搜索
5.3.3 與或樹的深度優(yōu)先搜索
5.3.4 與或樹的有序搜索
5.3.5 博弈樹的啟發(fā)式搜索
5.3.6 剪枝技術
5.4 本章小結
5.5 習題
第6章 機器學習
6.1 概述
6.1.1 什么是機器學習
6.1.2 機器學習方法的分類
6.1.3 機器學習的基本問題
6.1.4 評估學習結果
6.2 決策樹學習
6.2.1 決策樹表示法
6.2.2 ID3算法
6.2.3 決策樹學習的常見問題
6.2.4 用決策樹學習客戶分類
6.3 貝葉斯學習
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
6.3.4 EM算法
6.3.5 用貝葉斯方法過濾垃圾郵件
6.4 統(tǒng)計學習
6.4.1 統(tǒng)計學習理論
6.4.2 支持向量機
6.4.3 核函數(shù)
6.4..4 基于支持向量機的車牌識別
6.5 遺傳算法
6.5.1 進化計算
6.5.2 遺傳算法原理
6.5.3 問題編碼策略
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問題
6.6 聚類
6.6.1 聚類問題
6.6.2 分層聚類方法
6.6.3 劃分聚類方法
……
第7章 人工神經(jīng)網(wǎng)絡
第8章 人工智能的其他領域
參考文獻