人工智慧原理與實踐(2023年清華大學出版社出版的圖書)

人工智慧原理與實踐(2023年清華大學出版社出版的圖書)

本詞條是多義詞,共2個義項
更多義項 ▼ 收起列表 ▲

《人工智慧原理與實踐》是2023年清華大學出版社出版的圖書,作者是尹傳環、田盛豐、黃厚寬。

基本介紹

  • 中文名:人工智慧原理與實踐
  • 作者:尹傳環、田盛豐、黃厚寬
  • 出版時間:2023年4月1日
  • 出版社:清華大學出版社
  • ISBN:9787302634003 
  • 定價:69.80 元
內容簡介,圖書目錄,

內容簡介

本書系統介紹了人工智慧學科的基本原理與算法,著重介紹了基於符號的推理、深度學習以及強化學習等,並提供了Python、Lisp、Prolog語言的入門級教程,還專門介紹了專家系統構造工具CLIPS以及Agent系統開發平台SPADE。 本書共分10章,第1章為緒論,第2章介紹人工智慧程式設計語言,之後5章介紹人工智慧的基本原理與經典算法,第8章和第9章主要介紹機器學習與深度學習相關算法,最後一章介紹智慧型Agent。

圖書目錄

目錄
第1章緒論
1.1人工智慧的發展概況
1.1.1人工智慧的定義
1.1.2人工智慧的研究途徑
1.1.3人工智慧學科的發展
1.2人工智慧的目標
1.3人工智慧的套用
第2章人工智慧程式設計語言
2.1Python語言
2.1.1概述
2.1.2Python基礎
2.1.3函式
2.1.4自定義類
2.1.5模組
2.1.6輸入輸出和檔案
2.1.7實例
2.2Lisp語言
2.2.1概述
2.2.2Lisp的基本功能
2.2.3遞歸與疊代
2.2.4輸入輸出
2.2.5Lisp的其他功能
2.2.6實例
2.3Prolog語言
2.3.1Prolog語言概述
2.3.2重複與遞歸
2.3.3列表處理方法
2.3.4字元串處理方法
2.3.5輸入輸出功能
2.3.6模組
2.3.7實例
第3章知識表示
3.1概述
3.1.1知識與知識表示
3.1.2知識表示的方法
3.2邏輯表示法
3.2.1一階謂詞邏輯
3.2.2謂詞邏輯用於知識表示
3.3產生式規則表示法
3.4語義網路表示法
3.4.1語義網路的結構
3.4.2連線詞的表示
3.4.3繼承性
3.5框架與腳本表示法
3.5.1框架表示法
3.5.2腳本表示法
3.6本體
3.6.1本體的組成與分類
3.6.2本體的建模
3.6.3OWL
3.7知識圖譜
3.7.1構建知識圖譜
3.7.2存儲知識圖譜
3.7.3知識圖譜推理
第4章基於搜尋的問題求解方法
4.1狀態空間搜尋
4.1.1概述
4.1.2回溯策略
4.1.3圖搜尋策略
4.1.4任一路徑的圖捜索
4.1.5最佳路徑的圖捜索
4.1.6與或圖的捜索
4.2博弈樹搜尋
4.2.1概述
4.2.2極小極大過程
4.2.3αβ剪枝過程
4.2.4蒙特卡羅樹搜尋
第5章基於符號的推理
5.1基礎概念
5.2歸結反演
5.2.1子句
5.2.2歸結原理
5.2.3歸結反演的控制策略
5.2.4求解填空問題
5.3基於規則的演繹系統
5.3.1正向演繹系統
5.3.2逆向演繹系統
5.4非單調推理
5.4.1封閉世界假設
5.4.2謂詞完備化
5.4.3限制
5.4.4預設推理
第6章不確定性推理
6.1引言
6.2機率方法
6.2.1基本概念
6.2.2實例
6.3可信度方法
6.3.1知識的不確定性
6.3.2證據的不確定性
6.3.3不確定性推理算法
6.4主觀貝葉斯方法
6.4.1知識的不確定性表示
6.4.2證據的不確定性表示
6.4.3不確定性推理算法
6.5證據理論
6.5.1基本理論
6.5.2證據的組合
6.5.3基本算法
6.5.4實例
第7章專家系統
7.1概述
7.2基於規則的專家系統
7.2.1元知識結構
7.2.2黑板模型
7.2.3黑板控制結構
7.3其他專家系統結構
7.3.1基於框架的專家系統
7.3.2基於模型的專家系統
7.3.3基於Web的專家系統
7.4專家系統實例
7.4.1MYCIN
7.4.2AM系統
7.5專家系統開發工具CLIPS
7.5.1事實
7.5.2規則
7.5.3其他
7.5.4實例
第8章機器學習與計算智慧型
8.1概述
8.2分類與聚類
8.2.1分類
8.2.2聚類
8.3決策樹
8.3.1構造決策樹
8.3.2決策樹剪枝
8.4支持向量機
8.4.1分類問題
8.4.2回歸問題
8.4.3單類問題
8.4.4學習算法
8.4.5結構化數據核函式
8.5k均值聚類
8.6強化學習
8.6.1馬爾可夫決策過程
8.6.2值函式和貝爾曼方程
8.6.3有模型學習
8.6.4無模型學習
8.7演化計算
8.7.1遺傳算法
8.7.2遺傳算法的理論基礎
8.7.3遺傳規劃
8.7.4演化策略
8.7.5演化規劃
8.8群體智慧型算法
8.8.1蟻群算法
8.8.2粒子群算法
第9章神經網路與深度學習
9.1基礎知識
9.2感知機
9.3多層前向網路
9.4Hopfield網路
9.5卷積神經網路
9.5.1LeNet5
9.5.2常用模型
9.5.3訓練
9.5.4AlexNet
9.5.5VGGNet
9.5.6Inception網路
9.5.7殘差網路
9.6循環與遞歸神經網路
9.6.1BPTT算法
9.6.2LSTM
9.6.3遞歸神經網路
9.7深度學習套用與平台
9.7.1機器視覺套用
9.7.2深度學習平台
第10章智慧型Agent
10.1Agent概述
10.1.1基本概念
10.1.2Agent理論
10.1.3Agent系統結構
10.2多Agent系統
10.2.1概述
10.2.2多Agent系統的結構
10.2.3Agent通信語言
10.2.4多Agent系統的協商機制
10.2.5多Agent系統的套用
10.3移動Agent
10.4Agent系統開發平台

相關詞條

熱門詞條

聯絡我們