人工智慧導論第2版

《人工智慧導論第2版》是2020年機械工業出版社出版的圖書。

基本介紹

• 中文名：人工智慧導論第2版
• 出版時間：2020年8月1日
• 出版社：機械工業出版社
• ISBN：9787111660521

內容簡介

《人工智慧導論 第2版》系統地闡述了人工智慧的基本理論、基本技術、研究方法和套用領域，全面地反映了人工智慧研究領域的發展，並根據人工智慧的發展動向對一些傳統內容做了取捨，如詳細介紹了機器學習方面的內容。《人工智慧導論 第2版》共分為8章，內容涉及人工智慧的基本概念、知識工程、確定性推理和不確定性推理、搜尋與最佳化策略、機器學習、人工神經網路與深度學習，以及模式識別、自然語言處理和多智慧型體等。每章後面附有習題，以供讀者練習。

《人工智慧導論 第2版》充分考慮到人工智慧領域的發展動態，注重系統性、新穎性、實用性和可讀性，內容由淺入深、循序漸進、條理清晰。

《人工智慧導論 第2版》適合作為計算機專業本科生和其他相關專業本科生、研究生的教材，也可作為有關科技人員的參考書。

圖書目錄

前言

第1章緒論

1.1什麼是人工智慧

1.1.1關於智慧型

1.1.2人工智慧的研究目標

1.2人工智慧發展簡史

1.3人工智慧的研究方法

1.3.1人工智慧的研究特點

1.3.2人工智慧的研究途徑

1.3.3人工智慧研究資源

1.4人工智慧研究及套用領域

1.4.1模式識別

1.4.2自然語言處理

1.4.3機器學習與數據挖掘

1.4.4人工神經網路與深度學習

1.4.5博弈

1.4.6多智慧型體

1.4.7專家系統

1.4.8計算機視覺

1.4.9自動定理證明

1.4.10智慧型控制

1.4.11機器人學

1.4.12人工生命

1.5本章小結

習題

第2章知識工程

2.1概述

2.2知識表示方法

2.2.1經典邏輯表示法

2.2.2產生式表示法

2.2.3層次結構表示法

2.2.4網路結構表示法

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

2.3.5知識圖譜

2.4基於知識的系統

2.4.1什麼是知識系統

2.4.2專家系統

2.4.3問答系統

2.4.4知識系統舉例

2.5本章小結

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歸結原理

3.3.2歸結策略

3.3.3套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

習題

第4章不確定性推理

4.1概述

4.2基本機率方法

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證據理論

4.6.1D-S理論

4.6.2基於證據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粗糙集在知識發現中的套用

4.8本章小結

習題

第5章搜尋與最佳化策略

5.1概述

5.1.1什麼是搜尋

5.1.2狀態空間表示法

5.1.3與或樹表示法

5.2狀態空間搜尋

5.2.1狀態空間的一般搜尋過程

5.2.2廣度優先搜尋

5.2.3深度優先搜尋

5.2.4有界深度優先搜尋

5.2.5啟發式搜尋

5.2.6A*算法

5.3與或樹搜尋

5.3.1與或樹的一般搜尋過程

5.3.2與或樹的廣度優先搜尋

5.3.3與或樹的深度優先搜尋

5.3.4與或樹的有序搜尋

5.3.5博弈樹的啟發式搜尋

5.3.6剪枝技術

5.3.7人機對弈與AlphaGo

5.4智慧型最佳化搜尋

5.4.1NP問題

5.4.2最佳化問題

5.4.3遺傳算法

5.4.4蟻群算法

5.4.5粒子群算法

5.4.6智慧型最佳化搜尋套用案例

5.5本章小結

習題

第6章機器學習

6.1概述

6.1.1什麼是機器學習

6.1.2機器學習方法分類

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

6.2.2ID3算法

6.2.3決策樹學習的常見問題

6.2.4隨機森林算法

6.2.5決策樹學習套用案例

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貝葉斯網路

6.3.4EM算法

6.3.5貝葉斯學習套用案例

6.4統計學習

6.4.1小樣本統計學習理論

6.4.2支持向量機

6.4.3核函式

6.4.4支持向量機套用案例

6.5聚類

6.5.1聚類問題

6.5.2分層聚類方法

6.5.3劃分聚類方法

6.5.4基於密度的聚類方法

6.5.5基於格線的聚類方法

6.5.6聚類算法套用案例

6.6特徵選擇與表示學習

6.6.1特徵提取與選擇

6.6.2常用的特徵函式

6.6.3主成分分析

6.6.4表示學習

6.6.5表示學習套用案例

6.7其他學習方法

6.7.1k近鄰算法

6.7.2強化學習

6.7.3隱馬爾可夫模型

6.8本章小結

習題

第7章人工神經網路與深度學習

7.1概述

7.1.1人腦神經系統

7.1.2人工神經網路的研究內容與特點

7.1.3人工神經網路基本形態

7.1.4深度學習

7.2前饋神經網路

7.2.1感知器模型

7.2.2反向傳播算法

7.2.3卷積神經網路

7.2.4前饋神經網路套用案例

7.3反饋神經網路

7.3.1循環神經網路

7.3.2長短期記憶網路

7.3.3雙向循環神經網路

7.3.4反饋神經網路套用案例

7.4本章小結

習題

第8章人工智慧的其他領域

8.1模式識別

8.1.1模式識別的基本問題

8.1.2圖像識別

8.1.3人臉識別

8.2自然語言處理

8.2.1自然語言處理的基本問題

8.2.2信息檢索

8.2.3機器翻譯

8.2.4自動問答

8.3多智慧型體

8.3.1多智慧型體系統模型

8.3.2多智慧型體系統的學習與協作

8.3.3多智慧型體系統的主要研究內容

8.3.4多智慧型體系統套用案例

8.4本章小結

習題

參考文獻