人工智能與知識工程

前言
第一章 緒論
1.1 人工智能
1.1.1 什么是人工智能
1.1.2 什么是智能
1.2 人工智能的發(fā)展史
1.2.1 第一階段——孕育期
1.22 第二階段——人工智能基礎技術的研究與形成
1.23 第三階段——發(fā)展和實用化階段
1.2.4 第四階段——知識工程與專家系統(tǒng)
1.3 人工智能的研究領域
1.3.1 專家系統(tǒng)
1.3 2 自然語言處理
1.3.3 機器學習
1.3.4 定理證明
1.3.5 分布式人工智能
1.3.6 機器人
1.3 7 模式識別
1.3.8 博弈
1.3.9 計算機視覺
1.3.10 人工神經網絡
習題
第二章 謂詞演算與消解原理
2.1 命題演算
2.1.1 符號和命題
2.1.2 命題演算的語義
2.2 謂詞演算
2.2.1 謂詞的語法和命題
2.2.2 謂詞演算的語義
2.3 使用推理規(guī)則產生謂詞演算表達式
2.3.1 推理規(guī)則
2.3.2 合一
2.3.3 合一的一個例子
2.4 應用：一個基于邏輯的金融投資輔助決策程序
2.5 消解原理
2.5.1 引言
2.5.2 為消解否證產生子句形式
2.5.3 消解證明過程
2.5.4 消解的策略和簡化技術
2.5.5 從消解否證中提取解答
習題
第三章 知識表示
3.1 引言
3.1.1 知識
3.1.2 使用知識
3.1.3 不確定性和語義原語
3.1.4 模塊性和理解力
3.1.5 明確知識和靈活性
3.1.6 陳述性與過程性表示
3.2 知識表示技術綜述
3.2.1 邏輯表示模式
3.2.2 語義網絡
3.2.3 過程表示和產生式系統(tǒng)
3.2.4 模擬或直接表示法
3.2.5 特性表
3.2.6 框架和劇本
3.3 邏輯表示模式
3.3.1 命題演算
3.3.2 謂詞演算
3.3.3 邏輯表示在人工智能中的應用
3.3.4 小結
3.4 基于規(guī)則的產生式系統(tǒng)
3.4.1 引言
3.4.2 問題求解的方法
3.4.3 問題求解中的搜索策略
3.5 語義網絡
3.5.1 什么是語義網絡
3.5.2 擴展的語義網絡
3.5.3 部分語義網絡
3.6 框架表示法
3.6.1 基本概念
3.6.2 框架的實例化以及用不同觀點表示實體
3.6.3 類展特性，默認值和槽條件
3.6.4 框架結構
3.6.5 匹配和識別
3.6.6 推理
3.6.7 類比推理
3.6.8 錯誤和遺漏檢查
3.6.9 過程附加
3.6.10 框架表示法的特點與不足
3.7 概念從屬
3.7.1 引言
3.7.2 概念從屬基本構成
3.7.3 概念從屬示例
習題
第四章 狀態(tài)空間搜索
4.1 圖論
4.1.1 狀態(tài)空間搜索的結構
4.1.2 問題的狀態(tài)空間表示法
4.2 狀態(tài)空間搜索策略
4.2.1 數(shù)據(jù)驅動和目標驅動的搜索
4.2.2 圖搜索的實現(xiàn)
4.2.3 深度和廣度優(yōu)先搜索
4.2.4 有界深度優(yōu)先搜索
4.3 謂詞演算推理的狀態(tài)空間表示法
4.3.1 邏輯的狀態(tài)空間描述
4.3.2 與／或圖
4.3.3 討論
4.4 基于速歸的搜索
4.4.1 遞歸
4.4.2 遞歸搜索
4.5 模式驅動搜索
4.6 產生式系統(tǒng)
4.6.1 定義與歷史
4.6.2 產生式系統(tǒng)示例
4.6.3 產生式系統(tǒng)搜索的控制
4.6.4 人工智能產生式系統(tǒng)的優(yōu)點
習題
第五章 啟發(fā)式搜索
5.1 啟發(fā)信息和估價函數(shù)
5.2 啟發(fā)式搜索算法
5.2.1 局部擇優(yōu)搜索法（瞎子爬山法）
5.2.2 最好優(yōu)先搜索法（有序搜索法）
5.2.3 啟發(fā)估價函數(shù)的實現(xiàn)
5.2.4 啟發(fā)式搜索與專家系統(tǒng)
5.3 啟發(fā)式搜索過程的可采納性、單調性、信息性
5.3.1 可采納性
5.3.2 單調性
5.3.3 信息性
5.4 啟發(fā)式搜索在游戲中的應用
5.4.1 強力搜索圖上的極大極小化過程
5.4.2 固定層數(shù)的極大極小法
5.4.3 啟發(fā)式搜索在一字棋游戲中的應用
5.4.4 α-β剪枝技術
5.5 復雜性問題
習題
第六章 Prolog語言
6.1 概述
6.2 Prolog語言基本概念和語法
6.2.1 數(shù)據(jù)結構
6.2.2 程序組成
6.2.3 Prolog語法形式描述
6.3 Prolog系統(tǒng)的搜索策略
6.3.1 例化，匹配
6.3.2 回溯
6.3.3 搜索策略
6.4 Prolog的內部謂詞
6.4.1 比較
6.4.2 算術表達式求值
6.4.3 輸入輸出
6.4.4 文件操作
6.4.5 控制謂詞
6.4.6 復雜目標的建立
6.4.7 項的分類
6.4.8 結構分量的建立與獲得
6.4.9 子句的增、刪、改
6.5 Prolog程序設計
6.5.1 表處理和集合處理
6.5.2 數(shù)學函數(shù)
6.5.3 梵塔問題
6.5.4 八皇后問題
習題
第七章 LISP語言
7.1 引言
7.1.1 LISP語言及其PC SCHEME版本
7.1.2 語言分類
7.1.3 LISP語言的特性
7.2 LISP語言簡介
7.2.1 LISP的數(shù)據(jù)結構——S一表達式
7.2.2 基本函數(shù)
7.2.3 常用的LISP系統(tǒng)函數(shù)
7.2.4 條件函數(shù)，定義函數(shù)
7.2.5 遞歸與選代
7.3 LISP程序設計及在人工智能中的應用實例
7.3.1 LISP程序結構和用LISP語言解題
7.3.2 梵塔問題
7.3.3 水壺量水問題
7.3.4 皇后問題
7.3.5 向量程序設計
7.3.6 博弈
7.4 基于LISP的專家系統(tǒng)
7.4.1 用函數(shù)表示動物分類專家系統(tǒng)
7.4.2 用表表示動物分類專家系統(tǒng)
7.4.3 一個小型醫(yī)療診斷專家系統(tǒng)
習題
第八章 專家系統(tǒng)
8.1 什么是專家系統(tǒng)
8.1.1 專家系統(tǒng)的歷史
8.1.2 專家系統(tǒng)的特性
8.1.3 專家系統(tǒng)的構造者及其工具
8.1.4 專家系統(tǒng)的優(yōu)越性
8.2 如何組織專家系統(tǒng)
8.2.1 知識的組織
8.2.2 知識表示
8.3 專家系統(tǒng)與傳統(tǒng)程序的區(qū)別
8.3.1 專家系統(tǒng)的基本特點
8.3.2 專家系統(tǒng)存在的問題
8.4 專家系統(tǒng)的應用領域
8.4.1 專家系統(tǒng)的分類和基本活動
8.4.2 專家系統(tǒng)求解的類型
8.5 開發(fā)專家系統(tǒng)的需求分析
8.5.1 什么情況下開發(fā)專家系統(tǒng)是可能的
8.5.2 什么情況下開發(fā)專家系統(tǒng)是合理的
8.5.3 什么情況下開發(fā)專家系統(tǒng)是合適的
8.6 建造專家系統(tǒng)
8.6.1 建造專家系統(tǒng)的任務
8.6.2 專家系統(tǒng)開發(fā)的階段
8.7 知識獲取
8.7.1 知識獲取過程
8.7.2 訪問專家
8.8 專家系統(tǒng)設計示例
8.8.1 識別食物的簡單產生式專家系統(tǒng)
8.8.2 動物分類專家系統(tǒng)
習題
第九章 非精確性推理
9.1 確定性理論
9.1.1 醫(yī)療專家系統(tǒng)MYCIN概述
9.1.2 MYCIN系統(tǒng)的推理策略
9.1.3 MYCIN系統(tǒng)的知識表示
9.1.4 MYCIN系統(tǒng)的非精確推理算法
9.2 主觀概率論
9.2.1 PROSPECTOR系統(tǒng)概述
9.2.2 推理網絡
9.2.3 似然推理模型
習題
第十章 專家系統(tǒng)開發(fā)工具
10.1 專家系統(tǒng)開發(fā)工具的特征
10.1.1 應用于開發(fā)專家系統(tǒng)的程序設計語言
10.1.2 知識工程語言
10.2 知識工程語言M.1
10.2.1 M.1概述
10.2.2 M.1的體系結構
10.2.3 操作原理
10.2.4 M.1的特征
10.2.5 M.1應用領域
10.3 M.1的知識表示
10.3.1 知識庫的語法
10.3.2 項的語法
10.4 M.1的推理機
10.4.1 概述
10.4.2 推理機工作過程
10.4.3 可信度計算
10.4.4 調節(jié)推理過程
10.5 M.1的應用實例
10.5.1 微型照相顧問
10.5.2 交通工具顧問
習題
第十一章 機器學習
11.1 引言
11.2 機器學習概述
11.2.1 什么是學習
11.2.2 機器學習的意義
11.2.3 機器學習研究的發(fā)展
11.2.4 機器學習的目標
11.3 機器學習的模型、策略和方法
11.3.1 簡單的學習模型
11.3.2 主要的學習策略
11.3.3 基本的學習方法
11.4 機械學習、示教學習和類比學習
11.4.1 機械學習
11.4 2 示教學習
11.4.3 類比學習
11.5 基于示例的歸納學習
11.5.1 歸納學習分類
11.5.2 示例學習基本概念
11.5.3 示例學習的完備性條件與一致性條件
11.5.4 廣例學習中的噪音問題
11.5 5 建立示例學習系統(tǒng)要考慮的幾個問題
11.6 ID系列算法
11.6.1 判定樹
11.6.2 ID3算法
11.6.3 ID4算法
11.6.4 ID5R算法
11.6.5 ID系列算法的比較分析
11.7 一個基于示例的歸納學習系統(tǒng)
11.7.1 系統(tǒng)概述
11.7.2 系統(tǒng)的總體結構
11.7.3 系統(tǒng)的核心算法
11.7.4 系統(tǒng)運行實例
習題
第十二章 人工神經網絡
12.1 引言
12.2 人工神經網絡概述
12.2.1 什么是神經網絡
12.2.2 腦神經信息活動的特征
12.2.3 神經網絡研究的目的和意義
12.2.4 神經網絡研究的發(fā)展
12.2.5 人工神經網絡研究的局限性
12.3 神經網絡基本模型
12.3.1 生物神經元的結構
12.3.2 M－P模型
12.3.3 感知機模型
12.3.4 Hopfield網絡模型
12.4 神經網絡的學習
12.4..1 “突觸修正”假說
12.4.2 學習算法的分類
12.4.3 誤差修正型學習
12.4.4 競爭型學習
12.4.5 赫布型學習
12.4.6 隨機型學習
12.5 誤差逆?zhèn)鞑ゾW絡
12.5.1 基本理論
12.5.2 學習算法
12.5.3 標準誤差逆?zhèn)鞑ズ屠鄯e誤差逆?zhèn)鞑?br />12.5.4 全局最小和局部極小
12.6 自適應諧振理論
12.6.1 基本理論
12.6.2 學習算法
12.6.3 與ART有關的定理
12.6.4 快速學習與慢速學習
12.6.5 基于ART的其他網絡模型
12.7 基于域理論的自適應諧振網絡
12.7.1 概述
12.7.2 域理論
12.7.3 FTART網絡基本理論
12.7.4 FTART學習算法
12.7.5 FTART網絡的判別方法
12.7.6 FTART算法測試
12.7.7 運行實例
習題
參考文獻