人工智能教程 第2版PDF|Epub|txt|kindle电子书版本下载

人工智能教程 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一篇 原 理篇3

第1章 绪论3

1.1 人工智能的诞生及发展3

1.2 人工智能的定义4

1.3 人工智能研究的方法及途径5

1.3.1 人工智能研究的各种学派及其理论5

1.3.2 实现人工智能的技术路线8

1.4 人工智能的研究及应用领域9

习题113

第2章 知识表示方法14

2.1 概述14

2.1.1 知识、信息和数据14

2.1.2 知识的特性15

2.1.3 知识的分类16

2.1.4 知识的表示17

2.2 一阶谓词逻辑表示法18

2.2.1 知识的谓词逻辑表示法18

2.2.2 用谓词公式表示知识的步骤18

2.2.3 谓词公式表示知识的举例19

2.2.4 一阶谓词逻辑表示法的特点22

2.3 产生式表示法23

2.3.1 产生式可表示的知识种类及其基本形式23

2.3.2 知识的表示方法24

2.3.3 产生式系统的组成25

2.3.4 产生式系统的推理方式26

2.3.5 产生式表示法的特点27

2.4 语义网络表示法27

2.4.1 语义网络的概念及其结构27

2.4.2 语义网络中常用的语义联系29

2.4.3 语义网络表示知识的方法32

2.4.4 用语义网络表示知识的步骤37

2.4.5 语义网络表示知识举例37

2.4.6 语义网络表示下的推理过程41

2.4.7 语义网络表示法的特点43

2.5 框架表示法43

2.5.1 框架理论43

2.5.2 框架的定义及组成44

2.5.3 用框架表示知识的步骤45

2.5.4 用框架表示知识举例47

2.5.5 框架表示下的推理方法49

2.5.6 框架表示法的特点51

2.6 面向对象的表示法51

2.6.1 面向对象的基本概念52

2.6.2 表示知识的方法53

2.7 脚本表示法54

2.7.1 脚本的定义与组成54

2.7.2 用脚本表示知识的步骤57

2.7.3 用脚本表示知识举例57

2.7.4 脚本表示下的推理方法59

2.7.5 脚本表示法的特点60

2.8 过程表示法60

2.8.1 知识的过程表示法60

2.8.2 过程表示的问题求解举例62

2.8.3 过程表示法的特点63

2.9 状态空间表示法63

2.9.1 问题状态空间的构成64

2.9.2 用状态空间表示问题的步骤64

2.9.3 利用状态空间求解问题的过程64

2.10 与／或树表示法66

2.10.1 问题的分解与等价变换67

2.10.2 问题归约的与／或树表示67

2.10.3 用与／或树表示问题的步骤69

2.10.4 与／或树表示举例69

习题270

第3章 确定性推理方法73

3.1 推理概述73

3.1.1 推理的基本概念73

3.1.2 推理的方法及其分类73

3.1.3 推理的控制策略76

3.1.4 推理的冲突消解策略82

3.2 命题逻辑84

3.2.1 命题85

3.2.2 命题公式85

3.3 谓词逻辑86

3.3.1 谓词与个体86

3.3.2 谓词公式87

3.3.3 谓词公式的永真性和可满足性89

3.3.4 谓词公式的等价性与永真蕴涵90

3.3.5 置换与合一92

3.4 自然演绎推理方法95

3.4.1 自然演绎推理的概念95

3.4.2 利用演绎推理解决问题96

3.4.3 演绎推理的特点97

3.5 归结推理方法97

3.5.1 谓词公式与子句集98

3.5.2 Herbrand理论101

3.5.3 归结原理105

3.5.4 利用归结原理进行定理证明110

3.5.5 应用归结原理进行问题求解113

3.6 归结过程的控制策略116

3.6.1 引入控制策略116

3.6.2 归结控制策略及其应用举例117

习题3120

第4章 不确定推理方法123

4.1 不确定推理概述123

4.1.1 不确定推理的概念123

4.1.2 不确定推理方法的分类124

4.1.3 不确定推理中的基本问题124

4.2 可信度方法126

4.2.1 可信度的概念126

4.2.2 知识不确定性的表示126

4.2.3 证据不确定性的表示128

4.2.4 不确定性的推理计算129

4.2.5 可信度方法应用举例130

4.3 主观Bayes方法136

4.3.1 基本Bayes公式136

4.3.2 主观Bayes方法及其推理网络138

4.3.3 知识不确定性的表示139

4.3.4 证据不确定性的表示139

4.3.5 不确定性的推理计算140

4.3.6 结论不确定性的合成与更新算法146

4.3.7 主观Bayes方法应用举例147

4.4 证据理论153

4.4.1 D-S理论的数学基础153

4.4.2 特定概率分配函数157

4.4.3 基于特定概率分配函数的不确定性推理模型158

4.4.4 证据理论解题举例160

4.5 模糊推理165

4.5.1 模糊集理论与模糊逻辑165

4.5.2 模糊知识表示172

4.5.3 模糊证据的表示173

4.5.4 模糊推理模型173

习题4180

第5章 搜索策略184

5.1 搜索的概念及种类184

5.2 盲目搜索策略185

5.2.1 状态空间图的搜索策略185

5.2.2 宽度优先搜索187

5.2.3 深度优先搜索189

5.2.4 有界深度优先搜索191

5.2.5 代价树的宽度优先搜索193

5.2.6 代价树的深度优先搜索195

5.3 启发式搜索策略197

5.3.1 启发信息与估价函数197

5.3.2 最佳优先搜索198

5.3.3 A算法202

5.4 与／或树的盲目搜索204

5.4.1 与／或树的一般搜索过程204

5.4.2 与／或树的广度优先搜索205

5.4.3 与／或树的深度优先搜索207

5.5 与／或树的有序搜索208

5.5.1 解树的代价208

5.5.2 希望树210

5.5.3 与／或树的有序搜索过程210

5.6 博弈树的启发式搜索213

5.6.1 概述213

5.6.2 极大极小过程213

5.6.3 α-β剪枝技术216

习题5218

第6章 机器学习221

6.1 概述221

6.1.1 什么是机器学习221

6.1.2 研究机器学习的意义222

6.1.3 机器学习的发展史223

6.1.4 机器学习的主要策略及研究现状224

6.2 机器学习系统的基本模型225

6.3 机械学习227

6.3.1 机械学习的过程227

6.3.2 机械学习系统要考虑的问题228

6.4 传授式学习229

6.5 类比学习229

6.5.1 学习新概念230

6.5.2 学习问题的求解方法230

6.6 归纳学习231

6.6.1 实例学习231

6.6.2 观察与发现学习236

6.7 基于解释的学习237

6.7.1 基于解释学习的工作原理237

6.7.2 举例238

6.7.3 领域知识的完善性240

6.8 ID3判定树算法240

6.8.1 ID3算法240

6.8.2 实例计算242

6.8.3 ID3算法的特点244

6.9 深度机器学习245

6.9.1 机器学习的两次较大发展245

6.9.2 深度学习的基本原理246

6.9.3 深度学习的应用249

习题6251

第二篇 应用篇255

第7章 自然语言理解255

7.1 自然语言及其理解255

7.1.1 自然语言及其构成255

7.1.2 自然语言理解256

7.1.3 自然语言理解研究的进展257

7.1.4 自然语言理解过程的层次260

7.2 词法分析261

7.3 句法分析262

7.3.1 短语结构语法理论与Chomsky语法体系262

7.3.2 递归转移网络与扩充转移网络264

7.3.3 词汇功能语法270

7.3.4 自动句法分析算法273

7.4 语义分析277

7.5 大规模真实文本的处理280

7.5.1 语料库语言学的崛起280

7.5.2 语料库语言学的特点及研究对象281

7.5.3 汉语语料库加工的基本方法282

7.5.4 统计学方法的应用及所面临的问题285

7.6 基于语料库的自然语言建模方法285

7.6.1 基于概率分布的语言建模286

7.6.2 基于上下文信息的语言建模287

7.6.3 基于组合思想的语言建模290

7.6.4 语言建模的相关问题290

习题7292

第8章 专家系统294

8.1 专家系统概述294

8.1.1 专家系统的产生与发展294

8.1.2 专家系统的定义296

8.1.3 专家系统的种类296

8.1.4 专家系统的一般特点300

8.2 专家系统的基本结构300

8.3 知识获取303

8.3.1 知识获取的任务303

8.3.2 知识获取的主要途径304

8.4 专家系统的设计与建造307

8.4.1 开发专家系统的基本要求307

8.4.2 专家系统建造步骤309

8.5 专家系统的评价312

8.6 专家系统开发工具313

8.6.1 语言型开发工具314

8.6.2 骨架型开发工具314

8.6.3 通用型开发工具316

8.6.4 开发环境与辅助型开发工具317

8.7 新一代专家系统的发展320

8.7.1 新一代专家系统应具备的特征320

8.7.2 分布式专家系统321

8.7.3 协同式专家系统322

习题8322

第9章 人工神经网络与遗传算法324

9.1 神经网络的基本概念及组成特性324

9.1.1 生物神经元的结构与功能特性324

9.1.2 人工神经网络的组成与结构326

9.1.3 人工神经网络研究的兴起与发展328

9.2 感知器模型及其学习算法329

9.2.1 感知器模型329

9.2.2 单层感知器模型的学习算法330

9.2.3 线性不可分问题331

9.2.4 多层感知器333

9.3 反向传播模型及其学习算法334

9.3.1 反向传播模型及其网络结构334

9.3.2 反向传播网络的学习算法335

9.3.3 反向传播计算的举例338

9.4 Hopfield模型及其学习算法339

9.4.1 Hopfield模型340

9.4.2 Hopfield网络的学习算法341

9.5 人工神经网络的应用342

9.6 遗传算法的概念与原理344

9.6.1 遗传算法的基本概念345

9.6.2 遗传算法的原理346

9.7 遗传算法的应用349

习题9352

第10章 数据挖掘与主体技术353

10.1 数据挖掘及其应用353

10.1.1 数据挖掘与知识发现353

10.1.2 数据挖掘的概念与研究内容354

10.1.3 数据挖掘的功能与作用357

10.1.4 数据挖掘的模型与算法361

10.1.5 数据挖掘的工具364

10.1.6 数据挖掘的过程365

10.1.7 数据挖掘的研究热点与发展趋势367

10.2 主体技术及其应用370

10.2.1 主体技术的形成与发展371

10.2.2 主体的定义与体系结构372

10.2.3 多主体系统379

10.2.4 面向主体的软件技术382

10.2.5 主体技术所面临的挑战386

习题10386

附录 同等学力人员申请硕士学位计算机科学与技术学科综合水平全国统一考试部分真题388

参考文献403