人工智能引论

目录
第一章 人工智能概述
1．1 人类智能与人工智能
1．2 AI的起源及研究学派
1．3 人工智能的发展
1．4 人工智能的基本技术
1．5 人工智能的研究与应用领域
1．6 小结
习题1
第二章 问题求解与搜索技术
2．1 问题的状态和状态空间
2．1．1 状态空间的定义及其一般搜索方法
2．1．2 问题特征分析
2．2 或图通用搜索算法
2．3 盲目的搜索方法
2．3．1 广度优先搜索(Breath-first search)
2．3．2 深度优先搜索(Depth-first search)
2．3．3 分枝有界搜索(Branch-and-bound)
2．3．4 迭代加深搜索(Iterative deepening)
2．4 启发式搜索方法
2．4．1 启发式信息的表示
2．4．2 A算法
2．4．3 A*算法
2．5 局部与全局搜索算法
2．5．1 爬山法
2．5．2 模拟退火算法
2．5．3 最佳优先搜索算法
2．6 博弈搜索算法
2．6．1 博弈问题
2．6．2 极小极大搜索过程
2．6．3 α-β剪枝算法
2．7 问题归约与AO*算法
2．7．1 问题归约求解方法与“与/或图”
2．7．2 与/或图搜索
2．7．3 与/或图搜索的特点
2．7．4 与/或图搜索算法AO*
2．7．5 对AO*算法的进一步分析
习题2
第三章 知识表示与处理方法
3．1 概述
3．1．1 知识的基本概念
3．1．2 知识表示概述
3．1．3 AI中知识表示方法分类
3．1．4 知识表示要注意的问题
3．2 逻辑表示法
3．2．1 一阶谓词逻辑
3．2．2 谓词逻辑用于知识表示
3．2．3 逻辑表示法的特点
3．3 产生式表示法
3．3．1 产生式的基本形式
3．3．2 产生式系统的组成
3．3．3 产生式系统的表示
3．3．4 产生式系统的基本工作过程
3．3．5 产生式系统的类型
3．3．6 产生式规则的选择与匹配
3．3．7 产生式表示的特点
3．4 语义网络表示法
3．4．1 语义网络的结构
3．4．2 基本命题的语义网络表示
3．4．3 连接词和量词在语义网络中的表示
3．4．4 基于语义网络的推理
3．4．5 语义网络的一般描述
3．5 框架表示法
3．5．1 框架理论
3．5．2 框架的一般形式
3．5．3 框架系统
3．5．4 基于框架的推理
3．5．5 框架表示法的特点
3．6 小结
习题3
第四章 归结推理及其应用
4．1 自然演绎推理
4．2 归结演绎推理
4．2．1 归结的基本概念
4．2．2 将谓词公式化成子句集的步骤
4．2．3 代换与合一
4．2．4 变量分离标准化
4．2．5 Robinson归结原理
4．3 归结方法
4．3．1 命题演算的归结方法
4．3．2 谓词演算的归结方法
4．3．3 归结方法的应用
4．4 归结原理的理论依据
4．4．1 谓词演算基础
4．4．2 归结方法的可靠性证明
4．4．3 归结方法的完备性证明
4．5 小结
习题4
第五章 不确定性推理
5．1 不确定性推理概述
5．1．1 基本概念
5．1．2 基本问题
5．1．3 基本方法
5．2 MYCIN模型
5．2．1 可信度概念
5．2．2 证据不确定性的表示
5．2．3 知识不确定性的表示
5．2．4 不确定性推理计算
5．3 主观Bayes方法
5．3．1 知识不确定性的表示
5．3．2 证据不确定性的表示
5．3．3 不确定性的传递算法
5．4 证据理论
5．4．1 D-S理论的基本概念
5．4．2 知识不确定性的表示
5．4．3 证据不确定性的表示
5．4．4 不确定性推理计算
5．5 模糊集合
5．5．1 基本概念
5．5．2 模糊语言
5．5．3 模糊规则与推理
5．6 小结
习题5
第六章 专家系统
6．1 专家系统概述
6．1．1 专家系统的定义
6．1．2 专家系统的特征
6．1．3 专家系统的分类
6．1．4 专家系统的研究内容
6．2 专家系统的结构
6．2．1 理想的专家系统结构
6．2．2 专家系统的主要组成部分
6．3 专家系统开发阶段与过程
6．3．1 专家系统开发阶段
6．3．2 专家系统开发过程
6．4 专家系统开发工具与环境
6．4．1 专家系统开发工具
6．4．2 专家系统开发环境
6．5 专家系统发展趋势
6．5．1 新型专家系统特征分析
6．5．2 分布式专家系统
6．5．3 协同式专家系统
6．5．4 其他新型专家系统
6．6 小结
习题6
第七章 机器学习
7．1 概述
7．1．1 学习和机器学习的定义
7．1．2 机器学习研究的发展
7．1．3 机器学习的方法及其分类
7．1．4 机器学习中的推理方法
7．2 基于解释的学习
7．2．1 基于解释的学习的基本原理
7．2．2 基于解释的学习的一般框架
7．2．3 基于解释的学习过程
7．3 基于类比的学习
7．3．1 类比学习的一般原理
7．3．2 类比学习的表示
7．3．3 类比学习的求解
7．4 归纳学习
7．4．1 归纳概念学习的定义
7．4．2 归纳概念学习算法的一般步骤
7．4．3 归纳概念学习的基本技术
7．5 基于神经网络的学习
7．5．1 人工神经网络的基本原理
7．5．2 人工神经网络的基本结构模式
7．5．3 人工神经网络互连结构
7．5．4 神经网络的学习算法
7．5．5 神经网络模型分类
7．6 小结
习题7
第八章 自然语言理解
8．1 自然语言及其理解
8．1．1 自然语言及其构成
8．1．2 自然语言理解的概念
8．1．3 自然语言理解的研究进展
8．1．4 自然语言理解的层次
8．2 词法分析
8．3 句法和语意分析
8．3．1 句法分析
8．3．2 语意分析
8．4 自然语言理解系统的模型
8．5 自然语言理解系统应用实例
8．6 小结
习题8
第九章 分布式人工智能
9．1 概述
9．2 分布式问题求解
9．3 主体
9．3．1 什么是主体
9．3．2 什么是智能主体
9．3．3 智能主体的抽象结构
9．4 主体理论
9．4．1 可能世界模型
9．4．2 理性主体模型
9．5 主体结构
9．5．1 基于逻辑的主体
9．5．2 反应式主体
9．5．3 BDI主体
9．5．4 层次主体
9．6 主体通信
9．6．1 主体通信概述
9．6．2 言语动作
9．6．3 SHADE通信机制
9．7 主体的协调与协作
9．7．1 协调
9．7．2 协作
9．8 小结
习题9
第十章 知识发现与数据挖掘
10．1 概述
10．2 数据挖掘与KDD
10．2．1 KDD的基本概念
10．2．2 KDD的基本过程
10．2．3 数据挖掘系统
10．3 数据挖掘功能
10．3．1 概念描述(Concept Description)
10．3．2 关联分析(Association Analysis)
10．3．3 信息分类(Classification)
10．3．4 聚类(Cluster)
10．3．5 偏差检测(Deviation Detection)
10．4 数据挖掘技术和方法
10．5 关联分析
10．5．1 基本概念
10．5．2 关联规则
10．5．3 Apriori算法
10．6 聚类分析
10．6．1 聚类概述
10．6．2 聚类问题
10．6．3 聚类方法
10．6．4 层次聚类
10．6．5 划分聚类
10．7 小结
习题10
第十一章 遗传算法
11．1 遗传算法概述
11．1．1 遗传算法的产生、发展和应用
11．1．2 遗传学与遗传算法的基本思想
11．2 基本遗传算法
11．2．1 简单函数优化实例
11．2．2 基本遗传算法的算法描述
11．3 模式理论
11．4 遗传算法的进一步讨论
11．4．1 编码
11．4．2 群体设定
11．4．3 适应度函数
11．4．4 遗传操作的进一步讨论
11．4．5 收敛性
11．5 小结
习题11
参考文献