人工智能(第3版微课视频版十三五江苏省高等学校重点教材)/清华科技大讲堂丛书

本书主要阐述人工智能的基本原理、方法和应用技术 。全书共13章，除第1章讨论人工智能的基本概念、第13章 讨论人工智能的争论与展望外，其余11章均按照“基本智 能+典型应用+计算智能”三个模块编写。第一个模块为人 工智能经典的三大技术，分别为知识表示技术、搜索技术 和推理技术，主要包括知识表示、搜索策略、确定性推理 和不确定性推理； 第二个模块为人工智能的典型应用领域 ，包括机器学习、支持向量机和专家系统； 第三个模块为 计算智能与群智能，包括神经计算、进化计算、模糊计算 和群智能。 本书力求科学性、模块化、实用性。内容由浅入深、 循序渐进、条理清晰，能让读者在有限的时间内掌握人工 智能的基本原理、基本方法和应用技术。本书为教师提供 习题答案。 本书可作为计算机科学与技术、智能科学与技术、人 工智能、数据科学与大数据技术、自动化、机器人工程等 专业的教材，也可供从事人工智能研究与应用的科技工作 者学习参考。

\"丁世飞，博士，中国矿业大学教授、博士生导师，中国科学院计算技术研究所客座研究员，中国矿业大学—中国科学院智能信息处理联合实验室负责人。长期从事人工智能与模式识别、机器学习与数据挖掘、大数据智能分析等理论与应用研究。主持或参加“973”课题2项、国家自然科学基金6项、国家“863”高技术项目1项。已发表学术论文260篇，出版专著6部，授权发明专利4项。 曾获全国优秀博士学位论文提名奖、山东省优秀博士学位论文奖、山东省省级教学成果奖1项、吴文俊人工智能科学技术奖1项、江苏省科学技术奖1项、江苏省优秀硕士学位论文指导教师奖（2次）。入选2017年全球前10万科学家榜单、2020年全球顶尖前10万科学家榜单、2020年中国高被引学者（爱思唯尔）、2021年全球前2%顶尖科学家榜单（斯坦福大学）。 担任CCF理事、杰出会员，CAAI理事、高级会员，CCF和CAAI多个专委会委员或常委委员。担任国家自然科学奖通讯与会评专家、国家科技创新2030—“新一代人工智能”重大项目会评专家、国家“863计划”“973计划”评审专家、国家级人才计划评审专家、国家自然科学基金评审专家等。\"

第1章 绪论 1.1 人工智能的概念 1.1.1 智能的定义 1.1.2 人工智能的定义 1.2 人工智能的诞生与发展 1.2.1 孕育期 1.2.2 形成期 1.2.3 萧条期 1.2.4 第二个兴旺期 1.2.5 稳步增长期 1.2.6 中国的人工智能发展 1.3 人工智能的主要研究学派 1.3.1 符号主义学派 1.3.2 连接主义学派 1.3.3 行为主义学派 1.4 人工智能的主要研究内容 1.5 人工智能的主要应用领域 1.6 小结 习题 第2章 知识表示 2.1 知识表示概述 2.1.1 知识的概念 2.1.2 知识表示的概念 2.2 一阶谓词逻辑表示法 2.2.1 命题 2.2.2 谓词 2.2.3 谓词公式 2.2.4 谓词逻辑表示 2.2.5 谓词逻辑表示法的特点 2.3 产生式表示法 2.3.1 产生式表示的基本方法 2.3.2 产生式系统的基本结构 2.3.3 产生式系统的分类 2.3.4 产生式表示法的特点 2.4 语义网络表示法 2.4.1 语义网络的基本概念 2.4.2 语义网络的基本语义关系 2.4.3 语义网络表示知识的方法 2.4.4 语义网络的推理过程 2.4.5 语义网络表示法的特点 2.5 框架表示法 2.5.1 框架结构 2.5.2 框架表示 2.5.3 框架表示的推理过程 2.5.4 框架表示法的特点 2.6 脚本表示法 2.7 面向对象表示法 2.7.1 面向对象的基本概念 2.7.2 面向对象方法学的主要观点 2.8 小结 习题 第3章 搜索策略 3.1 搜索策略概述 3.2 基于状态空间图的搜索技术 3.2.1 图搜索的基本概念 3.2.2 状态空间搜索 3.2.3 一般图搜索过程 3.3 盲目搜索 3.3.1 宽度优先搜索 3.3.2 深度优先搜索 3.3.3 有界深度搜索和迭代加深搜索 3.3.4 搜索最优策略的比较 3.4 启发式搜索 3.4.1 启发性信息和评估函数 3.4.2 启发式搜索A算法 3.4.3 实现启发式搜索的关键因素 3.4.4 A*算法 3.4.5 迭代加深A*算法 3.5 回溯搜索和爬山法 3.5.1 爬山法 3.5.2 回溯策略 3.6 问题规约和与或图启发式搜索 3.6.1 问题规约 3.6.2 与或图表示 3.6.3 与或图的启发式搜索 3.7 博弈 3.7.1 极大极小过程 3.7.2 αβ过程 3.8 小结 习题 第4章 确定性推理 4.1 推理概述 4.1.1 推理的概念 4.1.2 推理的分类 4.1.3 推理的控制策略 4.2 推理的逻辑基础 4.2.1 谓词公式的永真性和可满足性 4.2.2 置换与合一 4.3 自然演绎推理 4.4 归结演绎推理 4.4.1 子句集 4.4.2 鲁滨逊归结原理 4.4.3 归结演绎推理的归结策略 4.4.4 用归结原理求取问题的答案 4.5 小结 习题 第5章 不确定性推理 5.1 不确定性推理概述 5.1.1 什么是不确定性推理 5.1.2 知识不确定性的来源 5.1.3 不确定性推理方法分类 5.2 不确定性推理的基本问题 5.2.1 表示问题 5.2.2 计算问题 5.2.3 语义问题 5.3 概率方法 5.3.1 概率论基础 5.3.2 经典概率方法 5.3.3 逆概率方法 5.4 主观Bayes方法 5.4.1 规则不确定性的表示 5.4.2 证据不确定性的表示 5.4.3 组合证据不确定性的计算 5.4.4 不确定性推理的计算 5.4.5 结论不确定性的合成算法 5.5 可信度方法 5.5.1 可信度的定义和性质 5.5.2 CF模型 5.5.3 可信度方法的说明 5.6 证据理论 5.6.1 证据理论的形式描述 5.6.2 证据理论的推理模型 5.6.3 证据不确定性的表示 5.6.4 规则不确定性的表示 5.6.5 不确定性推理计算 5.6.6 组合证据不确定性的计算 5.7 模糊推理 5.7.1 模糊数学的基本知识 5.7.2 模糊假言推理 5.8 小结 习题 第6章 机器学习 6.1 概述 6.1.1 学习与机器学习 6.1.2 学习系统 6.1.3 机器学习的发展简史 6.1.4 机器学习的分类 6.1.5 机器学习的应用与研究目标 6.2 归纳学习 6.2.1 归纳学习的基本概念 6.2.2 变型空间学习 6.2.3 归纳偏置 6.3 决策树学习 6.3.1 决策树的组成及分类 6.3.2 决策树的构造算法CLS 6.3.3 基本的决策树算法ID 6.3.4 决策树的偏置 6.4 基于实例的学习 6.4.1 k近邻算法 6.4.2 距离加权最近邻法 6.4.3 基于范例的学习 6.5 强化学习 6.5.1 强化学习模型 6.5.2 马尔可夫决策过程 6.5.3 Q学习 6.6 小结 习题 第7章 支持向量机 7.1 支持向量机概述 7.1.1 支持向量机的概念 7.1.2 支持向量机的基本思想 7.2 统计学习理论 7.2.1