高级人工智能PDF|Epub|txt|kindle电子书版本下载

高级人工智能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1章 绪论1

1.1　人工智能的渊源1

1.2　人工智能的认知问题3

1.3　思维的层次模型4

1.4　符号智能6

1.5　人工智能的研究方法8

1.5.1　认知学派8

1.5.2　逻辑学派9

1.5.3　行为学派9

1.6 自动推理9

1.7　机器学习11

1.8　分布式人工智能13

1.9　人工思维模型16

1.10　知识系统16

习题19

第2章　人工智能逻辑20

2.1　概述20

2.2　逻辑程序设计22

2.2.1　逻辑程序定义23

2.2.2　Prolog数据结构和递归24

2.2.3　SLD归结25

2.2.4　非逻辑成分：CUT27

2.3　非单调逻辑30

2.4　封闭世界假设32

2.5　默认逻辑34

2.6　限制逻辑39

2.7　非单调逻辑NML42

2.8 自认知逻辑44

2.8.1　Moore系统？B44

2.8.2　O？逻辑45

2.8.3　标准型定理46

2.8.4　◇-记号以及稳定扩张的一种判定过程48

2.9　真值维护系统50

2.10　情景演算的逻辑基础55

2.10.1　刻画情景演算的多类逻辑56

2.10.2　LR中的基本动作理论57

2.11　框架问题58

2.11.1　框架公理58

2.11.2　框架问题解决方案的准则60

2.11.3　框架问题的非单调解决方案62

2.12　动态描述逻辑DDL68

2.12.1　描述逻辑68

2.12.2　动态描述逻辑的语法70

2.12.3　动态描述逻辑的语义72

习题75

3.1　概述76

第3章　约束推理76

3.2　回溯法81

3.3　约束传播82

3.4　约束传播在树搜索中的作用84

3.5　智能回溯与真值维护85

3.6　变量例示次序与赋值次序86

3.7　局部修正搜索法86

3.8　基于图的回跳法87

3.9　基于影响的回跳法88

3.10　约束关系运算的处理92

3.10.1　恒等关系的单元共享策略92

3.10.2　区间传播93

3.10.3　不等式图94

3.10.4　不等式推理95

3.11 约束推理系统COPS96

3.12 ILOG Solver99

习题105

第4章　定性推理106

4.1　概述106

4.2　定性推理的基本方法107

4.3　定性模型推理108

4.4　定性进程推理110

4.5　定性仿真推理113

4.5.1　定性状态转换114

4.5.2　QSIM算法115

4.6　代数方法116

4.7　几何空间定性推理118

4.7.1　空间逻辑118

4.7.2　空间时间关系描述120

4.7.3　空间和时间逻辑的应用122

4.7.4　Randell算法122

习题123

第5章　基于范例的推理124

5.1　概述124

5.2　类比的形式定义125

5.3　过程模型126

5.4　范例的表示129

5.4.1　语义记忆单元129

5.4.2　记忆网130

5.5　范例的索引132

5.6　范例的检索133

5.7　相似性关系135

5.7.1　语义相似性135

5.7.2　结构相似性136

5.7.3 目标特征136

5.7.4　个体相似性137

5.7.5　相似性计算137

5.8　范例的复用139

5.10　基于例示的学习141

5.9　范例的保存141

5.10.1　基于例示学习的任务142

5.10.2　IB1算法143

5.10.3　降低存储要求145

5.11　范例工程147

5.12　范例约简算法149

5.13　中心渔场预报专家系统153

5.13.1　问题分析与范例表示153

5.13.2　相似性度量155

5.13.3　索引与检索156

5.13.4　基于框架的修正157

5.13.5　实验结果159

习题160

第6章　概率推理161

6.1　概述161

6.1.1 贝叶斯网络的发展历史161

6.1.2　贝叶斯方法的基本观点162

6.1.3　贝叶斯网络在数据挖掘中的应用163

6.2　贝叶斯概率基础165

6.2.1　概率论基础165

6.2.2　贝叶斯概率167

6.3　贝叶斯问题求解170

6.3.1　几种常用的先验分布选取方法171

6.3.2　计算学习机制174

6.3.3　贝叶斯问题求解步骤175

6.4　简单贝叶斯学习模型178

6.4.1　简单贝叶斯学习模型178

6.4.2　简单贝叶斯模型的提升180

6.4.3　提升简单贝叶斯分类的计算复杂性182

6.5　贝叶斯网络的建造183

6.5.1　贝叶斯网络的结构及建立方法183

6.5.2　学习贝叶斯网络的概率分布184

6.5.3　学习贝叶斯网络的网络结构186

6.6　贝叶斯潜在语义模型190

6.7.1　网页聚类194

6.7　半监督文本挖掘算法194

6.7.2　对含有潜在类别主题词的文档的类别标注195

6.7.3　基于简单贝叶斯模型学习标注和未标注样本196

习题200

第7章　归纳学习201

7.1　概述201

7.2　归纳学习的逻辑基础202

7.2.1　归纳学习的一般模式202

7.2.2　概念获取的条件204

7.2.3　问题背景知识205

7.2.4　选择型和构造型泛化规则207

7.3　偏置变换210

7.4　变型空间方法211

7.4.1　消除候选元素算法212

7.4.2　两种改进算法214

7.5　AQ归纳学习算法216

7.6 CLS学习算法217

7.7　ID3学习算法218

7.7.1　信息论简介218

7.7.2　属性选择219

7.7.3　ID3算法220

7.7.4　ID3算法应用举例220

7.7.5　连续型属性离散化223

7.8　基于偏置变换的决策树学习算法BSDT223

7.8.1　偏置的形式化224

7.8.2　表示偏置变换225

7.8.3　算法描述226

7.8.4　过程偏置变换228

7.8.5　基于偏置变换的决策树学习算法BSDT230

7.8.6　经典范例库维护算法TCBM231

7.8.7　偏置特征抽取算法232

7.8.8　改进的决策树生成算法GSD232

7.8.9　实验结果234

7.9　归纳学习的计算理论236

7.9.1　Gold学习理论236

7.9.2　模型推理系统237

7.9.3　Valiant学习理论238

习题240

第8章　支持向量机242

8.1　统计学习问题242

8.1.1　经验风险242

8.1.2　VC维242

8.2　学习过程的一致性243

8.2.1　学习一致性的经典定义243

8.2.2　学习理论的重要定理244

8.2.3 VC熵244

8.3　结构风险最小归纳原理245

8.4　支持向量机248

8.4.1　线性可分248

8.4.2　线性不可分250

8.5　核函数251

8.5.1　多项式核函数252

8.5.2　径向基函数252

8.5.3　多层感知机252

8.5.4　动态核函数252

8.6　基于分类超曲面的海量数据分类方法254

8.6.1　Jordan曲线定理254

8.6.2　SVM直接方法基本思想255

8.6.3　实现算法256

8.6.4　实验结果分析257

习题260

9.1　概述262

第9章　解释学习262

9.2　解释学习模型263

9.3　解释泛化学习方法264

9.3.1　基本原理264

9.3.2　解释与泛化交替进行268

9.4　全局取代解释泛化方法269

9.5　解释特化学习方法272

9.6　解释泛化的逻辑程序275

9.6.1　工作原理275

9.6.2　元解释器276

9.6.3　实验例子277

9.7　基于知识块的SOAR系统278

9.8　可操作性标准280

9.8.1　PRODIGY的效用问题283

9.8.2　SOAR系统的可操作性283

9.8.3　MRS-EBG的可操作性284

9.8.4　METALEX的处理方法284

9.9　不完全领域知识下的解释学习285

9.9.1　不完全领域知识285

9.9.2　逆归结方法285

9.9.3　基于深层知识方法288

习题288

第10章　强化学习290

10.1　概述290

10.2　强化学习模型291

10.3　动态规划294

10.4　蒙特卡罗方法295

10.5　时序差分学习297

10.6　Q学习299

10.7　强化学习中的函数估计301

10.8　强化学习的应用303

习题305

第11章　粗糙集306

11.1　概述306

11.1.1　知识的分类观点308

11.1.2　新型的隶属关系309

11.2　知识的约简310

11.1.3　概念的边界观点310

11.2.1 一般约简311

11.2.2　相对约简311

11.2.3　知识的依赖性312

11.3　决策逻辑313

11.3.1　决策表的公式化定义313

11.3.2　决策逻辑语言314

11.3.3　决策逻辑语言的语义315

11.3.4　决策逻辑的推演316

11.3.5　规范表达形式318

11.3.6　决策规则和决策算法318

11.4.1　属性的依赖性319

11.3.7　决策规则中的一致性和不分明性319

11.4　决策表的约简319

11.4.2　一致决策表的约简320

11.4.3　非一致决策表的约简325

11.5　粗糙集的扩展模型329

11.5.1　可变精度粗糙集模型330

11.5.2　相似模型331

11.5.3　基于粗糙集的非单调逻辑331

11.5.4　与其他数学工具的结合332

11.6　粗糙集的实验系统333

11.7　粒度计算334

11.8　粗糙集的展望336

习题337

第12章　关联规则338

12.1　关联规则挖掘概述338

12.1.1　关联规则的意义和度量339

12.1.2　经典的挖掘算法341

12.2　广义模糊关联规则的挖掘343

12.3　挖掘关联规则的数组方法346

12.4　任意多表间关联规则的并行挖掘347

12.4.1　问题的形式描述347

12.4.2　单表内大项集的并行计算348

12.4.4　跨表间关联规则的提取350

12.4.3　任意多表间大项集的生成350

12.5　基于分布式系统的关联规则挖掘算法351

12.5.1　候选集的生成353

12.5.2　候选数据集的本地剪枝354

12.5.3　候选数据集的全局剪枝357

12.5.4　合计数轮流检测358

12.5.5　分布式挖掘关联规则的算法359

12.6　词性标注规则的挖掘算法与应用363

12.6.1　汉语词性标注363

12.6.2　问题的描述364

12.6.3　挖掘算法365

12.6.4　试验结果367

习题369

第13章　知识发现371

13.1　概述371

13.1.1　数据准备372

13.1.2　数据挖掘阶段372

13.1.3　结果解释和评估373

13.2　知识发现的任务373

13.2.1　数据总结373

13.2.2　概念描述374

13.2.3　分类374

13.2.4　聚类375

13.2.7　建模376

13.2.5　相关性分析376

13.2.6　偏差分析376

13.3　知识发现工具377

13.4　MSMiner的体系结构380

13.4.1　数据挖掘模型380

13.4.2　系统功能382

13.4.3　体系结构382

13.4.4　小结383

13.5　元数据管理384

13.5.1　MSMiner元数据的内容384

13.5.3　MSMiner元数据对象模型385

13.5.2　MSMiner元数据库385

13.6　数据仓库389

13.6.1　数据仓库含义389

13.6.2　MSMiner数据仓库的基本结构391

13.6.3　主题392

13.6.4　数据抽取和集成393

13.6.5　数据抽取和集成的元数据397

13.6.6　数据仓库建模及OLAP的实现398

13.6.7　小结402

13.7　算法库管理402

13.7.1　数据挖掘算法的元数据403

13.7.2　可扩展性的实现404

13.7.3　采掘算法的接口规范405

习题407

第14章　分布智能408

14.1　概述408

14.2　分布式问题求解410

14.2.1　分布式问题求解系统分类410

14.2.2　分布式问题求解过程411

14.3　主体基础413

14.4　主体理论414

14.4.1　理性主体414

14.4.2　BDI主体模型415

14.5.1　主体基本结构416

14.5　主体结构416

14.5.2　慎思主体417

14.5.3　反应主体421

14.5.4　混合结构423

14.5.5　Inter Rap424

14.5.6　MAPE主体结构425

14.6 主体通信语言ACL438

14.6.1　主体间通信概述439

14.6.2 FIPA ACL消息440

14.6.3　交互协议445

14.6.4　ACL语义学的形式化基础447

14.7.1　引言450

14.7　协调和协作450

14.7.2　合同网453

14.7.3　部分全局规划455

14.7.4　基于约束传播的规划457

14.7.5　基于生态学的协作465

14.7.6　基于对策论的协商467

14.7.7　基于意图的协商468

14.8　移动主体468

14.9 多主体环境MAGE471

14.9.1　MAGE系统框架结构471

14.9.3　可视化主体开发环境VAStudio472

14.9.2　主体统一建模语言AUML472

14.9.4　MAGE运行平台474

习题475

第15章　进化计算476

15.1　概述476

15.2　进化系统理论的形式模型477

15.3　达尔文进化算法480

15.4　分类器系统481

15.5　桶链算法485

15.6　遗传算法486

15.6.1　遗传算法的主要步骤487

15.6.2　表示模式489

15.6.3　杂交操作490

15.6.4　变异操作492

15.6.5　反转操作492

15.7　并行遗传算法492

15.8　分类器系统Boole493

15.9　规则发现系统496

15.10　进化策略499

15.11　进化规划499

习题500

第16章　人工生命501

16.1　引言501

1 6.2　人工生命的探索505

16.3　人工生命模型506

16.4　人工生命的研究方法508

16.5　细胞自动机511

16.6　形态形成理论513

16.7　混沌理论515

16.8　人工生命的实验系统516

16.8.1　Tierra数字生命进化模型516

16.8.2　Avida517

16.8.3　Terrarium生物饲养生态系统519

16.8.4　人工鱼519

16.8.5　Autolife520

习题521

参考文献523