人工智慧複雜問題求解的結構和策略（原書第6版）

《人工智慧複雜問題求解的結構和策略（原書第6版）》是2017年12月機械工業出版社出版的圖書，作者是（美）GeorgeF.Luger。

基本介紹

• 書名：人工智慧複雜問題求解的結構和策略（原書第6版）
• 作者：（美）GeorgeF.Luger
• ISBN：9787111283454
• 定價：79元
• 出版社：機械工業出版社
• 出版時間：2017年12月
• 開本：16開

內容簡介

本書是一本經典的人工智慧教材，全面闡述了人工智慧的基礎理論，有效結合了求解智慧型問題的數據結構以及實現的算法，把人工智慧的應用程式套用於實際環境中，並從社會和哲學、心理學以及神經生理學角度對人工智慧進行了獨特的討論。新版中增加了“基於隨機方法的機器學習”等內容，並提出了一些新的主題，如湧現計算、本體論、隨機分割算法等。 本書適合作為高等院校計算機專業人工智慧教材，也可供人工智慧領域的研究者及相關工程技術人員參考。

圖書目錄

目錄

出版者的話

譯者序

前言

第一部分人工智慧的歷史淵源及研究範圍

第1章人工智慧的歷史及套用

1.1從伊甸園到第一台電子計算機：對智慧型、知識和人類技能的態度

1.1.1人工智慧基礎的簡要歷史

1.1.2理性主義和經驗主義學派對人工智慧的影響

1.1.3形式邏輯的發展

1.1.4圖靈測試

1.1.5智慧型的生物和社會模型：主體理論

1.2人工智慧套用領域概述

1.2.1博弈

1.2.2自動推理和定理證明

1.2.3專家系統

1.2.4自然語言理解和語義學

1.2.5對人類表現建模

1.2.6規劃和機器人學

1.2.7人工智慧的語言和環境

1.2.8機器學習

1.2.9其他表示：神經網路和遺傳算法

1.2.10AI和哲學

1.3人工智慧小結

1.4結語和參考文獻

1.5習題

第二部分作為表示和搜尋的人工智慧

第2章謂詞演算

2.0簡介

2.1命題演算（選讀）

2.1.1符號和語句

2.1.2命題演算的語義

2.2謂詞演算

2.2.1謂詞的語法和語句

2.2.2謂詞演算的語義

2.2.3語義含義的積木世界例子

2.3使用推理規則產生謂詞演算表達式

2.3.1推理規則

2.3.2合一算法

2.3.3合一的例子

2.4套用：一個基於邏輯的財務顧問

2.5結語和參考文獻

2.6習題

第3章狀態空間搜尋的結構和策略

3.0簡介

3.1狀態空間搜尋的結構

3.1.1圖論（選讀）

3.1.2有限狀態自動機（選讀）

3.1.3問題的狀態空間表示

3.2用於狀態空間搜尋的策略

3.2.1數據驅動搜尋和目標驅動搜尋

3.2.2圖搜尋的實現

3.2.3深度優先搜尋和寬度優先搜尋

3.2.4疊代加深的深度優先搜尋

3.3利用狀態空間來表示命題演算和謂詞演算的推理

3.3.1邏輯系統的狀態空間描述

3.3.2與或圖

3.3.3進一步的例子和套用

3.4結語和參考文獻

3.5習題

第4章啟發式搜尋

4.0簡介

4.1爬山法和動態規劃法

4.1.1爬山

4.1.2動態規劃

4.2最佳優先搜尋算法

4.2.1實現最佳優先搜尋

4.2.2實現啟發評估函式

4.2.3啟發式搜尋和專家系統

4.3可採納性、單調性和信息度

4.3.1可採納性度量

4.3.2單調性

4.3.3信息度更高的啟發是更好的啟發

4.4在博弈中使用啟發

4.4.1在可窮舉搜尋圖上的極小極大過程

4.4.2固定層深的極小極大過程

4.4.3αβ過程

4.5複雜度問題

4.6結語和參考文獻

4.7習題

第5章隨機方法

5.0簡介

5.1計數基礎（選讀）

5.1.1加法和乘法規則

5.1.2排列與組合

5.2機率論基礎

5.2.1樣本空間、機率和獨立性

5.2.2機率推理：一個道路/交通例子

5.2.3隨機變數

5.2.4條件機率

5.3貝葉斯定理

5.4隨機方法學的套用

5.4.1“tomato”是如何發音的

5.4.2道路/交通例子的擴展

5.5結語和參考文獻

5.6習題

第6章為狀態空間搜尋建立控制算法

6.0簡介

6.1基於遞歸的搜尋（選讀）

6.1.1遞歸

6.1.2一個遞歸搜尋的例子：模式驅動推理

6.2產生式系統

6.2.1定義和歷史

6.2.2產生式系統的例子

6.2.3產生式系統中的搜尋控制

6.2.4AI產生式系統的優點

6.3用於問題求解的黑板結構

6.4結語和參考文獻

6.5習題

第三部分捕獲智慧型：AI中的挑戰

第7章知識表示

7.0知識表示問題

7.1AI表示模式的簡要歷史

7.1.1語義關聯理論

7.1.2語義網的早期研究

7.1.3網路關係的標準化

7.1.4腳本

7.1.5框架

7.2概念圖：網路語言

7.2.1概念圖簡介

7.2.2類型、個體和名字

7.2.3類型層次

7.2.4泛化和特化

7.2.5命題結點

7.2.6概念圖和邏輯

7.3其他表示方法和本體

7.3.1Brooks的包容結構

7.3.2Copycat結構

7.3.3多種表示、本體和知識服務

7.4基於主體的和分散式的問題求解方法

7.4.1基於主體的定義

7.4.2基於主體的套用

7.5結語和參考文獻

7.6習題

第8章求解問題的強方法

8.0簡介

8.1專家系統技術概覽

8.1.1基於規則的專家系統設計

8.1.2問題選擇和知識工程的步驟

8.1.3概念模型及其在知識獲取中的作用

8.2基於規則的專家系統

8.2.1產生式系統和目標驅動問題求解

8.2.2目標驅動推理中的解釋和透明性

8.2.3利用產生式系統進行數據驅動推理

8.2.4專家系統的啟發和控制

8.3基於模型系統、基於案例系統和混合系統

8.3.1基於模型推理簡介

8.3.2基於模型推理：來自NASA的例子

8.3.3基於案例推理介紹

8.3.4混合設計：強方法系統的優勢和不足

8.4規劃

8.4.1規劃簡介：機器人學

8.4.2使用規劃宏：STRIPS

8.4.3teleoreactive規劃

8.4.4規劃：來自NASA的例子

8.5結語和參考文獻

8.6習題

第9章不確定條件下的推理

9.0簡介

9.1基於邏輯的反繹推理

9.1.1非單調推理邏輯

9.1.2真值維護系統

9.1.3基於最小模型的邏輯

9.1.4集合覆蓋和基於邏輯的反繹

9.2反繹：邏輯之外的辦法

9.2.1Stanford確信度代數

9.2.2模糊集推理

9.2.3DempsterShafer證據理論

9.3處理不確定性的隨機方法

9.3.1有向圖模型：貝葉斯信念網路

9.3.2有向圖模型：d-可分

9.3.3有向圖模型：一個推理算法

9.3.4有向圖模型：動態貝葉斯網路

9.3.5馬爾可夫模型：離散馬爾可夫過程

9.3.6馬爾可夫模型：變形

9.3.7BBN機率建模的一階替代方案

9.4結語和參考文獻

9.5習題

第四部分機器學習

第10章基於符號的機器學習

10.0簡介

10.1基於符號學習的框架

10.2變形空間搜尋

10.2.1泛化操作符和概念空間

10.2.2候選解排除算法

10.2.3LEX：啟發式歸納搜尋

10.2.4評估候選解排除算法

10.3ID3決策樹歸納算法

10.3.1自頂向下決策樹歸納

10.3.2測試選擇的資訊理論方法

10.3.3評價ID3

10.3.4決策樹數據問題：打包、推進

10.4歸納偏置和學習能力

10.4.1歸納偏置

10.4.2可學習性理論

10.5知識和學習

10.5.1MetaDENDRAL

10.5.2基於解釋的學習

10.5.3EBL和知識層學習

10.5.4類比推理

10.6無監督學習

10.6.1發現和無監督學習

10.6.2概念聚類

10.6.3COBWEB和分類知識的結構

10.7強化學習

10.7.1強化學習的組成部分

10.7.2一個例子：九宮遊戲

10.7.3強化學習的推理算法和套用

10.8結語和參考文獻

10.9習題

第11章機器學習：連線機制

11.0簡介

11.1連線網路的基礎

11.2感知機學習

11.2.1感知機訓練算法

11.2.2例子：用感知機網路進行分類

11.2.3通用delta規則

11.3反傳學習

11.3.1反傳算法的起源

11.3.2反傳算法實例1：NETtalk

11.3.3反傳算法實例2：異或

11.4競爭學習

11.4.1對於分類的“勝者全拿”學習

11.4.2學習原型的Kohonen網路

11.4.3outstar網路和逆傳

11.4.4支持向量機

11.5Hebbian一致性學習

11.5.1概述

11.5.2無監督Hebbian學習的例子

11.5.3有監督Hebbian學習

11.5.4聯想記憶和線性聯想器

11.6吸引子網路或“記憶”

11.6.1概述

11.6.2雙向聯想記憶

11.6.3BAM處理的例子

11.6.4自相關記憶和Hopfield網路

11.7結語和參考文獻

11.8習題

第12章機器學習：遺傳性和湧現性

12.0社會性和湧現性的學習模型

12.1遺傳算法

12.1.1兩個例子：CNF可滿足性問題和巡迴推銷員問題

12.1.2遺傳算法的評估

12.2分類器系統和遺傳程式設計

12.2.1分類器系統

12.2.2用遺傳運算元進行程式設計

12.3人工生命和基於社會的學習

12.3.1生命遊戲

12.3.2進化規劃

12.3.3湧現的實例研究

12.4結語和參考文獻

12.5習題

第13章機器學習：機率理論

13.0學習中的隨機模型和動態模型

13.1隱馬爾可夫模型(HMM)

13.1.1隱馬爾可夫模型的介紹和定義

13.1.2隱馬爾可夫模型的重要變形

13.1.3使用HMM和Viterbi解碼音素串

13.2動態貝葉斯網路和學習

13.2.1動態貝葉斯網路

13.2.2學習貝葉斯網路

13.2.3期望最大化：一個例子

13.3強化學習的隨機擴展

13.3.1馬爾可夫決策過程

13.3.2部分可觀測的馬爾可夫決策過程

13.3.3馬爾可夫決策過程實現的例子

13.4結語和參考文獻

13.5習題

第五部分人工智慧問題求解的高級課題

第14章自動推理

14.0定理證明中的弱方法

14.1通用問題求解器和差別表

14.2歸結定理證明

14.2.1概述

14.2.2為歸結反駁生成子句形式

14.2.3二元歸結證明過程

14.2.4歸結策略和簡化技術

14.2.5從歸結反駁中抽取解答

14.3Prolog和自動推理

14.3.1概述

14.3.2邏輯程式設計和Prolog

14.4自動推理進一步的問題

14.4.1弱方法求解的統一表示法

14.4.2可選推理規則

14.4.3歸結反駁支持下的問答機制

14.4.4搜尋策略及其使用

14.5結語和參考文獻

14.6習題

第15章自然語言理解

15.0自然語言理解問題

15.1解構語言：分析

15.2語法

15.2.1使用上下文無關文法說明和解析

15.2.2Earley解析器：動態規劃二次訪問

15.3轉移網路解析器及語義學

15.3.1轉移網路解析器

15.3.2喬姆斯基層次和上下文相關文法

15.3.3ATN解析器的語義

15.3.4結合句法和語義知識的ATN

15.4語言理解的隨機工具

15.4.1概述：語言分析中的統計技術

15.4.2馬爾可夫模型方法

15.4.3決策樹方法

15.4.4解析的機率方法

15.4.5機率上下文無關解析器

15.5自然語言套用

15.5.1故事理解和問題解答

15.5.2資料庫前端

15.5.3Web信息抽取和摘要系統

15.5.4用學習算法來泛化抽取的信息

15.6結語和參考文獻

15.7習題

第六部分後記

第16章人工智慧是經驗式的學科

16.0簡介

16.1人工智慧：修訂的定義

16.1.1人工智慧和物理符號系統假設

16.1.2連線或者“神經”計算

16.1.3主體、湧現和智慧型

16.1.4機率模型和隨機技術

16.2智慧型系統科學

16.2.1心理學約束

16.2.2認識論問題

16.3人工智慧：當前的挑戰和未來的方向

16.4結語和參考文獻