人工智慧——原理與技術

《人工智慧——原理與技術》是2020年清華大學出版社出版的圖書。

基本介紹

  • 中文名:人工智慧——原理與技術
  • 作者:葉佩軍
  • 出版社:清華大學出版社
  • 出版時間:2020年
  • ISBN:9787302549451
內容簡介,作者簡介,圖書目錄,

內容簡介

本書涵蓋人工智慧學科的大多數領域,共分為十一章。第一章緒論,介紹人工智慧的歷史、z新發展狀態及所包含的領域。剩餘十章分別介紹各領域的基本原理與技術,包括知識表示與邏輯系統、搜尋與自動規劃、不確定性推理、機器學習,以及近年快速發展的人工神經網路(深度學習)、強化學習、分散式人工智慧與多智慧型體系統、平行智慧型、知識自動化、智慧型控制等。

作者簡介

葉佩軍,男,2013年於中國科學院大學獲工學博士學位,專業控制理論與控制工程,現任中國科學院自動化研究所複雜系統管理與控制國家重點實驗室助理研究員,西安交通大學軟體學院《人工智慧原理與技術》研究生課程兼職授課教師,青島智慧型產業技術研究院平行數據創新中心主任,從事多智慧型體系統,人工智慧,社會計算,智慧型交通等領域的基礎及套用研究,主持國家自然科學基金1項,參與國家“973”、“863”、國家自然基金、中科院院地合作等項目多項,獲得國家留學基金資助赴美國加州大學聖地亞哥分校訪問,發表論文超過20篇(其中一作SCI/SSCI檢索7篇,EI檢索8篇),參與申請4項發明專利,4項軟體著作權,參與出版譯著1部,IEEE、ACM會員,擔任ACM社會和經濟計算委員會學術秘書,國際學術期刊《IEEE Transactions on Intelligent Transportation Systems》、《IEEE Transactions on Computational Social Systems》副主編、《Journal of Artificial Societies and Social Simulation》。

圖書目錄

第1章緒論
1.1人工智慧的基本概念
1.2人工智慧的發展簡史
1.3人工智慧的最新發展
1.4本書的主要內容和組織結構
1.5本章小結
參考文獻
第一篇邏 輯 智 能
第2章知識表示
2.1本體論
2.1.1本體的定義
2.1.2本體的構建
2.1.3基本形式化本體
2.2資源描述框架和本體語言
2.2.1RDF的基本結構
2.2.2RDFS本體語言
2.2.3OWL語言
2.3知識圖譜
2.3.1知識圖譜的基本概念
2.3.2知識圖譜的構建方法
2.3.3本體/知識圖譜的套用
2.4本章小結
參考文獻
第3章邏輯推理與專家系統
3.1命題邏輯
3.1.1命題的基本概念及其運算
3.1.2命題邏輯的推理規則
3.1.3魯濱遜歸結原理
3.2一階邏輯
3.2.1一階邏輯的基本概念
3.2.2合一算法
3.2.3前向連結和反向連結
3.2.4歸結證明
3.3Herbrand定理
3.4邏輯系統程式語言
3.4.1Prolog
3.4.2LISP
3.5專家系統
3.6本章小結
參考文獻
第4章搜尋智慧型
4.1圖搜尋
4.1.1寬度優先搜尋
4.1.2深度優先搜尋
4.1.3A*搜尋
4.2局部搜尋
4.2.1爬山法
4.2.2牛頓法
4.2.3梯度下降法
4.3本章小結
參考文獻
第5章自動規劃
5.1規劃問題的形式化表示
5.2狀態空間規劃
5.3規劃空間規劃
5.4規劃圖
5.5時序規劃
5.6本章小結
參考文獻
第6章邏輯系統中的學習
6.1歸納邏輯程式設計
6.2解釋學習
6.3關聯學習
6.4本章小結
參考文獻
第二篇計 算 智 能
第7章機率推理
7.1貝葉斯網路推理
7.1.1貝葉斯網路的基本概念
7.1.2貝葉斯網路的精確推理
7.1.3貝葉斯網路的近似推理
7.2馬爾可夫網路推理
7.3隱馬爾可夫模型
7.4卡爾曼濾波
7.5動態貝葉斯網路
7.6時序機率推理的一般方法
7.7證據理論
7.8本章小結
參考文獻
第8章模糊系統
8.1模糊邏輯
8.2粗糙集
8.3本章小結
參考文獻
第9章樣例學習
9.1決策樹
9.1.1決策樹的學習算法
9.1.2屬性重要度計算
9.1.3泛化與過擬合
9.2回歸
9.2.1線性回歸
9.2.2邏輯回歸
9.2.3正則化
9.3支持向量機
9.4非參數化學習
9.5集成學習
9.5.1Boosting
9.5.2Bagging
9.6統計機器學習
9.6.1完全觀測下的機率學習
9.6.2部分觀測下的機率學習
9.6.3無向機率圖學習
9.7無監督學習
9.7.1聚類
9.7.2降維
9.8本章小結
參考文獻
第10章人工神經網路
10.1單/多層前饋神經網路
10.1.1單層前饋神經網路
10.1.2多層前饋神經網路
10.2深度神經網路
10.2.1卷積神經網路
10.2.2循環神經網路
10.3神經網路的生成式模型
10.3.1受限玻爾茲曼機
10.3.2生成式對抗網路
10.4本章小結
參考文獻
第11章強化學習
11.1馬爾可夫決策過程
11.1.1完全可觀察的馬爾可夫決策過程
11.1.2部分可觀察的馬爾可夫決策過程
11.2被動強化學習
11.2.1蒙特卡洛學習
11.2.2時序差分學習
11.3主動強化學習
11.4深度強化學習
11.4.1基於價值的深度強化學習
11.4.2基於策略的深度強化學習
11.5本章小結
參考文獻
第12章進化計算與群體智慧型
12.1遺傳算法
12.2模擬退火算法
12.3蟻群算法
12.4粒子群最佳化
12.5人工免疫系統
12.6本章小結
參考文獻
第三篇平 行 智 能
第13章分散式人工智慧與多agent系統
13.1分散式問題求解
13.1.1分散式約束滿足
13.1.2分散式最佳化
13.2博弈搜尋
13.2.1標準式博弈
13.2.2擴展式博弈
13.2.3極小極大搜尋
13.2.4蒙特卡洛樹搜尋
13.2.5博弈的其他類型
13.3機制設計
13.3.1投票
13.3.2拍賣
13.3.3公共資源分配
13.4本章小結
參考文獻
第14章平行智慧型
14.1平行系統和ACP方法
14.2人工社會與複雜系統研究
14.3人工系統的構建
14.3.1基礎人口合成
14.3.2agent的體系結構和行為建模
14.4人工系統的初步套用
14.4.1應急疏散
14.4.2人口演化
14.5平行學習
14.6本章小結
參考文獻
第15章知識自動化與社會智慧型
15.1知識自動化
15.1.1知識自動化的基本思想
15.1.2知識自動化與平行智慧型的關係
15.2社會智慧型
15.2.1社會計算: 社會智慧型的實現方式
15.2.2社會計算與平行智慧型的關係
15.3本章小結
參考文獻

相關詞條

熱門詞條

聯絡我們