人工智能导论

本书的主要目的是使读者了解人工智能研究和发展的基本轮廓，对人工智能有一个基本的认识，知道目前人工智能研究中的一些热点，掌握人工智能研究和应用中的一些基本的、普遍的、比较广泛的原理和方法，通过简洁清晰的架构和引人思索的案例带领读者“入门”人工智能。

   本书以梳理知识脉络的方式，从人工智能的基本定义出发，由浅入深、全面系统地阐述了人工智能的理论、研究方法和应用领域，详细介绍了知识表示、逻辑推理及方法、非确定性推理及方法、搜索策略、机器学习等方面的内容。除第1章外，其他章最后一小节都配有案例分析，以便于读者懂得如何运用该章介绍的知识。
本书既适合作为高等院校人工智能课程的教材，也适合计算机爱好者阅读。

第1章 绪论
1.1 什么是人工智能
1.2 人工智能的发展简史
1.3 人工智能的研究目标
1.4 人工智能的研究方法
1.4.1 符号主义研究方法
1.4.2 连接主义研究方法
1.4.3 行为主义研究方法
1.5 人工智能的基本研究内容
1.5.1 智能感知
1.5.2 智能推理
1.5.3 智能学习
1.5.4 智能行动
习题
第2章 知识表示
2.1 知识表示概述
2.1.1 什么是知识
2.1.2 知识表示
2.2 状态空间表示法
2.2.1 问题状态描述
2.2.2 状态图示法
2.3 谓词逻辑表示法
2.3.1 谓词逻辑表示法的逻辑基础
2.3.2 连接词和量词
2.3.3 谓词逻辑表示法的步骤
2.3.4 谓词逻辑表示法的特点
2.4 语义网络表示法
2.4.1 语义基元
2.4.2 语义网络中常用的语义联系
2.4.3 语义网络的知识表示方法
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 框架的基本结构
2.5.2 基于框架的推理过程
2.5.3 框架表示法的特点
2.6 案例：知识图谱
习题
第3章 逻辑推理及方法
3.1 逻辑推理概述
3.1.1 逻辑推理的定义
3.1.2 逻辑推理的分类
3.1.3 逻辑推理的控制策略
3.2 逻辑推理的基础
3.2.1 谓词公式
3.2.2 谓词公式的范式
3.2.3 置换与合一
3.3 归结演绎推理
3.3.1 子句集
3.3.2 鲁滨逊归结原理
3.3.3 归结反演
3.3.4 归结策略
3.4 非归结演绎推理
3.4.1 自然演绎推理
3.4.2 与或形演绎推理
3.5 案例：家庭财务分配管理系统
习题
第4章 非确定性推理及方法
4.1 什么是非确定性推理
4.2 基本的概率推理
4.2.1 经典概率方法
4.2.2 逆概率方法
4.3 主观贝叶斯推理
4.3.1 非确定性表示
4.3.2 非确定性传递
4.3.3 结论非确定性的组合
4.4 基于可信度的推理
4.4.1 非确定性表示
4.4.2 非确定性计算
4.4.3 非确定性更新
4.4.4 结论非确定性的组合
4.5 证据理论
4.5.1 DS理论
4.5.2 非确定性表示
4.5.3 非确定性计算
4.5.4 非确定性更新
4.6 模糊推理
4.6.1 模糊理论
4.6.2 模糊匹配
4.6.3 模糊推理
4.7 案例：基于朴素贝叶斯方法的垃圾邮件过滤
习题
第5章 搜索策略
5.1 搜索的基本概念
5.2 基于状态空间的盲目搜索
5.2.1 状态空间的一般性搜索
5.2.2 状态空间的广度优先搜索
5.2.3 状态空间的深度优先搜索
5.3 基于状态空间的启发式搜索
5.3.1 动态规划
5.3.2 A*算法
5.3.3 爬山法
5.3.4 模拟退火算法
5.4 基于树的盲目搜索
5.4.1 与或树的一般性搜索
5.4.2 与或树的广度优先搜索
5.4.3 与或树的深度优先搜索
5.5 基于树的启发式搜索
5.5.1 与或树的有序搜索
5.5.2 博弈树搜索
5.5.3 博弈树的剪枝优化
5.6 案例：无人驾驶中的搜索策略
习题
第6章 机器学习
6.1 机器学习概述
6.2 决策树
6.2.1 决策树和决策树构造
6.2.2 ID3生成算法
6.2.3 使用决策树实现分类
6.3 贝叶斯模型
6.3.1 贝叶斯概率
6.3.2 朴素贝叶斯模型
6.3.3 贝叶斯网络
6.4 支持向量机
6.4.1 超平面分割和优选间隔
6.4.2 线性可分支持向量机
6.4.3 非线性可分支持向量机
6.4.4 支持向量机实现多分类
6.5 聚类算法
6.5.1 聚类解决的问题
6.5.2 K-Means
6.5.3 层次聚类
6.5.4 聚类分析的医学应用
6.6 神经网络与深度学习
6.6.1 神经元、感知器、人工神经网络
6.6.2 径向神经网络
6.6.3 Hopfie1d神经网络
6.6.4 玻尔兹曼机
6.6.5 自组织映射网络
6.6.6 BP神经网络
6.6.7 深度学习，究竟“深”在何处
6.6.8 卷积神经网络
6.6.9 循环神经网络
6.6.10 生成式对抗网络
6.6.11 让“渣”画质的图像以假乱真
6.7 强化学习
6.7.1 强化学习“强化”了什么
6.7.2 Q-Learning算法
6.7.3 DQN算法
6.7.4 让计算机自己玩游戏
6.8 案例：账号过滤
习题
第7章 人工智能的其他应用领域
7.1 计算机视觉
7.1.1 视觉与视觉图像
7.1.2 图像特征的提取
7.1.3 视觉模型与图像识别
7.2 自然语言处理
7.2.1 打破机器与人的语言障碍
7.2.2 词法分析
7.2.3 句法分析
7.2.4 语义分析
7.2.5 语料库的建立与处理
7.3 智能体
7.3.1 智能体的研究与发展
7.3.2 智能体通信
7.3.3 多智能体系统的协调与协作
7.4 案例：病斑叶片识别
习题
参考文献