人工智能导论(第3版)

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章讨论人工智能基本概念、第13章讨论人工智能的争论与展望外，其余11章按照“基本智能+典型应用+计算智能”三个模块编排内容。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、确定性推理、搜索策略、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，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、自动化、机器人工程等相关专业的教材，也可供从事人工智能研究与应用的科技工作者学习参考。

第一章绪论
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人工智能的产生和发展
1.2.1孕育期（20世纪50年代中期以前）
1.2.2形成及个兴旺期（20世纪50年代中期至60年代中期）
1.2.3萧条波折期（20世纪60年代中期至70年代中期）
1.2.4第二个兴旺期（20世纪70年代中期至80年代中期）
1.2.5稳步增长期（20世纪80年代中期至今）
1.2.6中国的人工智能发展
1.3人工智能的主要学派
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
小结
习题1
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
小结
习题2
第3章确定性推理
3.1推理概述
3.1.1推理的概念
3.1.2推理的分类
3.1.3推理的控制策略
3.2推理的逻辑基础
3.2.1谓词公式的永真性和可满足性
3.2.2置换与合一
3.3自然演绎推理
3.4归结演绎推理
3.4.1子句型
3.4.2鲁滨逊归结原理
3.4.3归结演绎推理的归结策略
3.4.4 用归结原理求取问题的答案
小结
习题3
第4章搜索策略
4.1搜索概述
4.2一般图搜索
4.2.1图搜索的基本概念
4.2.2状态空间搜索
4.2.3一般图搜索过程
4.3盲目搜索
4.3.1宽度优先搜索
4.3.2深度优先搜索
4.3.3有界深度搜索和迭代加深搜索
4.3.4搜索策略的比较
4.4启发式搜索
4.4.1启发性信息和评估函数
4.4.2启发式搜索A算法
4.4.3实现启发式搜索的关键因素
4.4.4A算法
4.4.5迭代加深A算法
4.5回溯搜索和爬山法
4.5.1爬山法
4.5.2回溯策略
4.6问题规约
4.7与/或图搜索
4.7.1与/或图表示
4.7.2与/或图的启发式搜索
4.8博弈
4.8.1极大极小过程
4.8.2α-β过程
小结
习题4
第5章不确定性推理
5.1不确定性推理概述
5.1.1不确定性推理的概念
5.1.2知识不确定性的来源
5.1.3不确定性推理要解决的基本问题
5.1.4不确定性推理方法的分类
5.2概率方法
5.2.1概率论基础
5.2.2经典概率方法
5.2.3逆概率方法
5.3主观贝叶斯方法
5.3.1规则不确定性的表示
5.3.2证据不确定性的表示
5.3.3组合证据不确定性的计算
5.3.4不确定性推理
5.3.5结论不确定性的合成算法
5.4确定性理论
5.4.1可信度
5.4.2CF模型
5.4.3确定性方法的说明
5.5证据理论
5.5.1证据理论的形式描述
5.5.2证据理论的推理模型
5.5.3证据不确定性的表示
5.5.4规则不确定性的表示
5.5.5不确定性的推理
5.5.6组合证据的不确定性计算
5.6模糊推理
5.6.1模糊数学的基本知识
5.6.2模糊假言推理
小结
习题5
第6章机器学习
6.1机器学习概述
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机器学习的应用和研究目标
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ID3
6.3.4决策树的偏置
6.4基于实例的学习
6.4.1k?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
6.5.3Q学习
小结
习题6
第7章支持向量机
7.1支持向量机概述
7.2统计学习理论
7.2.1学习问题的表示
7.2.2期望风险和经验风险
7.2.3VC维理论
7.2.4推广性的界
7.2.5结构风险最小化
……