人工智能教程（王士同）

第1章 緒論
1.1 人工智能概述
1.1.1 什么是人工智能
1.1.2 什么是自然智能
1.2 人工智能的發(fā)展史
1.2.1 第一階段——孕育期（1956年以前）
1.2.2 第二階段——人工智能基礎(chǔ)技術(shù)的研究和形成（1956年～1970年）
1.2.3 第三階段——發(fā)展和實(shí)用化階段（1971年～1980年）
1.2.4 第四階段——知識工程與專家系統(tǒng)（1980年至今）
1.3 人工智能的研究領(lǐng)域
1.3.1 專家系統(tǒng)（Expert System）
1.3.2 自然語言處理（Natural Language Processing）
1.3.3 機(jī)器學(xué)習(xí)（Machine Learning）
1.3.4 自動定理證明（Automatic Theorem Proving）
1.3.5 分布式人工智能（Distributed Artificial Intelligence）
1.3.6 機(jī)器人（Robots）
1.3.7 模式識別（Pattern Recognition）
1.3.8 博弈（Game Playing）
1.3.9 計(jì)算機(jī)視覺（Computer Vision）
1.3.10 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）
習(xí)題1
第2章 知識表達(dá)技術(shù)
2.1 知識的概念與含義
2.2 知識類型和知識模型的變換
2.2.1 知識類型
2.2.2 知識模型的變換
2.3 狀態(tài)空間表達(dá)法
2.3.1 狀態(tài)空間表達(dá)法的概念
2.3.2 狀態(tài)空間表達(dá)法的例子
2.4 與／或圖表達(dá)法
2.4.1 與／或圖表達(dá)法的概念
2.4.2 與／或圖表達(dá)法的例子
2.5 產(chǎn)生式系統(tǒng)
2.5.1 產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu)
2.5.2 產(chǎn)生式系統(tǒng)的表示
2.5.3 產(chǎn)生式系統(tǒng)的例子
2.6 知識的邏輯表達(dá)方法
2.6.1 命題邏輯
2.6.2 謂詞邏輯
2.6.3 一階謂詞邏輯表達(dá)方法
2.6.4 謂詞邏輯表達(dá)法的特性和應(yīng)用
2.7 語義網(wǎng)絡(luò)
2.7.1 語義網(wǎng)絡(luò)的概念和特性
2.7.2 語義網(wǎng)絡(luò)的知識表示
2.8 框架表達(dá)法
2.8.1 框架的構(gòu)成
2.8.2 框架系統(tǒng)與產(chǎn)生式系統(tǒng)的結(jié)合
2.9 特征表表達(dá)法
2.10 面向?qū)ο蟮谋硎?br />2.10.1 對象、消息和方法
2.10.2 類、類層次和繼承性
2.10.3 面向?qū)ο笾R表示與語義網(wǎng)絡(luò)、框架系統(tǒng)的比較
習(xí)題2
第3章 基本的問題求解方法
3.1 狀態(tài)空間搜索概述
3.1.1 圖的概念
3.1.2 狀態(tài)空間的圖描述
3.1.3 問題的狀態(tài)空間的圖描述
3.1.4 將問題求解定義為狀態(tài)空間搜索
3.1.5 搜索的基本概念
3.2 盲目的圖搜索策略
3.2.1 搜索策略概述
3.2.2 回溯策略
3.2.3 寬度優(yōu)先搜索
3.2.4 深度優(yōu)先搜索
3.2.5 圖搜索
3.3 啟發(fā)式圖搜索策略
3.3.1 啟發(fā)式策略
3.3.2 啟發(fā)信息和估價(jià)函數(shù)
3.3.3 啟發(fā)式圖搜索法——A及A*搜索算法
3.3.4 A*搜索算法的討論
3.4 與／或圖搜索
3.4.1 與／或圖的概念
3.4.2 AO及AO*搜索算法
3.4.3 博弈樹搜索
3.5 通用問題求解技術(shù)簡介
3.5.1 概述
3.5.2 GPS系統(tǒng)
3.6 中間－結(jié)局分析法
3.6.1 概念
3.6.2 中間－結(jié)局分析法分析步驟
3.6.3 討論
3.7 生成與測試
3.8 約束與滿足
習(xí)題3
第4章 基本的推理技術(shù)
4.1 推理技術(shù)概述
4.1.1 推理的概念和類型
4.1.2 推理的控制策略
4.2 歸結(jié)反演系統(tǒng)
4.2.1 歸結(jié)原理
4.2.2 歸結(jié)反演
4.2.3 歸結(jié)反演的控制策略
4.2.4 應(yīng)用歸結(jié)反演求取問題的答案
4.3 基于規(guī)則的演繹推理
4.3.1 正向演繹推理
4.3.2 反向演繹推理
4.3.3 雙向演繹推理
習(xí)題4
第5章 不精確推理
5.1 概述
5.2 概率方法
5.2.1 概率論基礎(chǔ)
5.2.2 概率推理模型
5.3 主觀Bayes方法
5.3.1 不確定性的表示
5.3.2 主觀Bayes方法推理的基本算法
5.4 可信度方法
5.4.1 基于可信度的不確定性的表示
5.4.2 可信度方法推理的基本算法
5.5 模糊推理
5.5.1 模糊理論基礎(chǔ)
5.5.2 語言變量及模糊推理
習(xí)題5
第6章 PROLOG語言
6.1 PROLOG語言概述
6.1.1 PROLOG語言的發(fā)展
6.1.2 PROLOG語言的特點(diǎn)
6.2 PROLOG語言的結(jié)構(gòu)
6.2.1 數(shù)據(jù)結(jié)構(gòu)
6.2.2 程序結(jié)構(gòu)
6.3 PROLOG語言的內(nèi)部謂詞
6.3.1 比較類
6.3.2 表達(dá)式類
6.3.3 輸入輸出類
6.3.4 文件操作類
6.3.5 控制謂詞類
6.3.6 復(fù)雜目標(biāo)類
6.3.7 項(xiàng)類
6.3.8 結(jié)構(gòu)分量類
6.3.9 項(xiàng)維護(hù)類
6.4 PROLOG語言的搜索策略
6.4.1 例化與匹配
6.4.2 回溯控制
6.4.3 搜索策略
6.5 謂詞！的討論
6.5.1 謂詞！的作用
6.5.2 用法及舉例
6.6 PROLOG程序設(shè)計(jì)
6.6.1 數(shù)學(xué)函數(shù)
6.6.2 八皇后問題
6.6.3 專家系統(tǒng)示意
6.7 PROLOG語言與C語言的連接
6.7.1 語言條件
6.7.2 外部謂詞說明
6.7.3 參數(shù)傳遞
6.7.4 外部C語言子程序
6.7.5 兩個(gè)限制
習(xí)題6
第7章 專家系統(tǒng)
7.1 專家系統(tǒng)的定義與分類
7.1.1 專家系統(tǒng)的定義與特點(diǎn)
7.1.2 專家系統(tǒng)的類型
7.2 專家系統(tǒng)的結(jié)構(gòu)與工作原理
7.2.1 專家系統(tǒng)的一般結(jié)構(gòu)
7.2.2 專家系統(tǒng)的工作原理
7.3 知識獲取
7.3.1 知識獲取的任務(wù)
7.3.2 知識獲取的模式
7.4 專家系統(tǒng)的建立
7.4.1 適于專家系統(tǒng)求解的問題
7.4.2 專家系統(tǒng)的設(shè)計(jì)原則與開發(fā)步驟
7.4.3 專家系統(tǒng)的評價(jià)
7.5 專家系統(tǒng)實(shí)例
7.5.1 動物識別專家系統(tǒng)
7.5.2 醫(yī)學(xué)專家系統(tǒng)——MYCIN
7.5.3 地質(zhì)勘探專家系統(tǒng)——PROSPECTOR
7.6 專家系統(tǒng)的開發(fā)工具
7.6.1 用于開發(fā)專家系統(tǒng)的程序設(shè)計(jì)語言
7.6.2 骨架系統(tǒng)
7.6.3 通用型知識表達(dá)語言
7.6.4 專家系統(tǒng)開發(fā)環(huán)境
習(xí)題7
第8章 機(jī)器學(xué)習(xí)
8.1 機(jī)器學(xué)習(xí)概述
8.1.1 機(jī)器學(xué)習(xí)的基本概念
8.1.2 機(jī)器學(xué)習(xí)的主要策略
8.1.3 機(jī)器學(xué)習(xí)系統(tǒng)的基本結(jié)構(gòu)
8.1.4 機(jī)器學(xué)習(xí)系統(tǒng)的主要特性
8.2 機(jī)械學(xué)習(xí)
8.2.1 機(jī)械學(xué)習(xí)的模式及主要問題
8.2.2 機(jī)械學(xué)習(xí)應(yīng)用舉例
8.3 相關(guān)產(chǎn)生式學(xué)習(xí)系統(tǒng)
8.3.1 相關(guān)產(chǎn)生式的概念
8.3.2 相關(guān)產(chǎn)生式學(xué)習(xí)方法
8.4 示例學(xué)習(xí)
8.4.1 示例學(xué)習(xí)模型
8.4.2 基于示例學(xué)習(xí)的一般過程
8.4.3 示例的表示
8.4.4 示例復(fù)用
8.4.5 示例保存
8.5 類比學(xué)習(xí)
8.5.1 類比學(xué)習(xí)的概念
8.5.2 類比學(xué)習(xí)的表示與求解
8.6 幾種類比學(xué)習(xí)系統(tǒng)介紹
8.6.1 轉(zhuǎn)換類比學(xué)習(xí)系統(tǒng)
8.6.2 派生類比學(xué)習(xí)
8.6.3 因果關(guān)系型類比學(xué)習(xí)
8.6.4 聯(lián)想類比學(xué)習(xí)
8.7 歸納學(xué)習(xí)
8.7.1 歸納學(xué)習(xí)概述
8.7.2 歸納學(xué)習(xí)的一般模式
8.7.3 類型定義
8.7.4 結(jié)構(gòu)歸納學(xué)習(xí)及示例
8.7.5 基于決策樹的歸納學(xué)習(xí)方法
習(xí)題8
第9章 人工神經(jīng)網(wǎng)絡(luò)
9.1 人工神經(jīng)網(wǎng)絡(luò)概述
9.2 人工神經(jīng)元模型
9.3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及工作方式
9.4 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
9.4.1 學(xué)習(xí)方式
9.4.2 學(xué)習(xí)規(guī)則
9.4.3 學(xué)習(xí)與自適應(yīng)
9.5 前饋型神經(jīng)網(wǎng)絡(luò)
9.5.1 前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
9.5.2 利用BP算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練
9.6 神經(jīng)聯(lián)想記憶與Hopfield網(wǎng)絡(luò)
9.6.1 神經(jīng)聯(lián)想記憶
9.6.2 Hopfield網(wǎng)絡(luò)
9.6.3 Hopfield網(wǎng)絡(luò)的一個(gè)范例
習(xí)題9
參考文獻(xiàn)