人工智能PDF|Epub|txt|kindle电子书版本下载

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　什么是人工智能1

1.1.1　类人行为方法1

1.1.2　类人思维方法3

1.1.3　理性思维方法4

1.1.4　理性行为方法5

1.2　人工智能的发展5

1.2.1　人工智能的孕育期5

1.2.2　人工智能的形成期6

1.2.3　基于知识的系统8

1.2.4　神经网络的复兴11

1.2.5　智能主体的兴起11

1.3　人工智能的研究内容12

1.3.1　知识表示13

1.3.2 自动推理13

1.3.3　机器学习15

1.4　人工智能研究的主要方法15

1.4.1　符号主义15

1.4.2　连接主义16

1.4.3　行为主义17

1.5　人工智能的应用18

1.5.1 专家系统18

1.5.2　数据挖掘19

1.5.3　语义Web19

1.5.4　自然语言理解20

1.5.5　机器人21

1.5.6　模式识别21

1.5.7　智能控制22

1.5.9　自动证明定理23

1.5.8　博弈23

1.6　小结24

习题25

第2章　知识表示26

2.1　概述26

2.2　谓词逻辑表示法27

2.3　产生式表示法33

2.3.1　事实的表示34

2.3.2　规则的表示35

2.4.1　语义网络的概念和结构40

2.4　语义网络表示法40

2.4.2　复杂知识的表示41

2.4.3　常用的语义联系43

2.4.4　语义网络的推理44

2.5　框架表示法45

2.4.1　框架结构46

2.4.2　框架网络48

2.4.3　推理方法50

2.6.1　脚本描述52

2.6　脚本52

2.6.2　概念依赖关系54

2.7　概念图57

2.8　面向对象的知识表示59

2.9　小结60

习题60

第3章　搜索策略63

3.1　引言63

3.2　深度优先搜索65

3.3　宽度优先搜索66

3.4　迭代加深搜索68

3.5　回溯策略71

3.6　启发式搜索72

3.6.1　启发性信息和评估函数73

3.6.2　爬山法74

3.6.3　模拟退火法75

3.6.4　最好优先法77

3.6.5　通用图搜索算法78

3.6.6　A＊算法81

3.6.7　迭代加深A＊算法86

3.7　问题归约和AND-OR图启发式搜索87

3.7.1　问题归约的描述88

3.7.2　AND-OR图表示88

3.7.3　AO＊算法90

3.8　博弈96

3.8.1　极大极小过程98

3.8.2　α-β过程100

3.9　约束满足搜索102

3.9　小结106

习题107

4.1　引言109

第4章　自动推理109

4.2　三段论推理111

4.3　产生式系统113

4.3.1　产生式系统的基本结构113

4.3.2　正向推理116

4.3.3　反向推理117

4.3.4　混合推理118

4.4　自然演绎推理119

4.5.1　子句型120

4.5　归结演绎推理120

4.5.2　置换和合一124

4.5.3　合一算法126

4.5.4　归结式128

4.5.5　归结反演130

4.5.6　答案的提取132

4.5.7　归结反演的搜索策略134

4.6　非单调推理136

4.6.1　默认推理136

4.6.2　限制推理140

4.7　小结143

习题144

第5章　不确定性推理146

5.1　概述146

5.1.1　知识的不确定性146

5.1.2　不确定推理要解决的基本问题147

5.1.3　不确定性推理方法分类150

5.2　主观Bayes方法151

5.2.1　Bayes公式151

5.2.2　知识不确定性的表示153

5.2.4　组合证据不确定性的计算157

5.2.3　证据不确定性的表示157

5.2.5　不确定性的传递算法158

5.2.6　结论不确定性的合成160

5.3　可信度方法162

5.3.1 建造医学专家系统时的问题162

5.3.2　可信度模型163

5.3.3　确定性方法的说明169

5.4　证据理论171

5.4.1　假设的不确定性171

5.4.2　证据的组合函数175

5.4.3　规则的不确定性176

5.4.4　不确定性的组合177

5.5　模糊逻辑和模糊推理180

5.5.1　模糊集合及其运算180

5.5.2　语言变量182

5.5.3　模糊逻辑183

5.5.4　模糊推理184

5.6　小结194

习题195

6.1.1　简单的学习模型197

6.1　机器学习概述197

第6章　机器学习197

6.1.2　什么是机器学习199

6.1.3　机器学习的研究概况200

6.2　归纳学习202

6.2.1　归纳学习的基本概念202

6.2.2　变型空间学习203

6.3　基于决策树的归纳学习方法206

6.3.1　决策树及其构造方法206

6.3.2　基本的决策树学习算法208

6.4　类比学习211

6.5　基于范例的学习212

6.5.1　CBR的过程模型213

6.5.2　范例的表示和索引213

6.5.3　基于范例的推理214

6.5.4　范例的学习217

6.6　解释学习218

6.6.1　什么是解释学习218

6.6.2　基于解释的学习过程220

6.7.1　最优分类超平面221

6.7　支持向量机221

6.7.2　广义最优分类超平面223

6.7.3　支持向量机224

6.7.4　核函数225

6.7.5　SVM的算法及多类SVM226

6.7.6　ε-不敏感损失函数227

6.7.7　用于非线性回归的支持向量机228

6.7.8　SVM的应用研究231

6.8　强化学习231

6.8.1　学习自动机232

6.8.2　自适应动态程序设计233

6.8.3 Q-学习234

6.9　小结235

习题237

第7章　专家系统239

7.1　专家系统概述239

7.1.1　什么是专家系统239

7.1.2　专家系统的特点240

7.1.3　专家系统的发展史241

7.2　专家系统的基本结构241

7.3　专家系统MYCIN243

7.3.1　咨询子系统244

7.3.2　静态数据库246

7.3.3　控制策略248

7.4　产生式专家系统工具CLIPS250

7.4.1　概述250

7.4.2　CLIPS中的知识表示250

7.4.3　CLIPS运行255

7.4.4　Rete匹配算法257

7.4.5　冲突消解策略264

7.5　面向对象专家系统工具OKPS265

7.5.1　OKPS中的知识表示266

7.5.2　推理控制语言ICL268

7.6　专家系统建造270

7.6.1　任务确定与需求分析270

7.6.2　概念设计272

7.6.3　功能设计273

7.6.4　结构设计273

7.6.5　知识获取273

7.6.6　知识表示模式的设计274

7.6.9　测试与评估275

7.6.8　具体实现275

7.6.7　功能模块的详细设计275

7.7　小结277

习题278

第8章　自然语言理解279

8.1 自然语言理解的一般问题279

8.1.1 自然语言理解的概念及意义279

8.1.2 自然语言理解研究的发展280

8.1.3 自然语言理解的层次283

8.2　词法分析284

8.3.1　短语结构语法285

8.3　句法分析285

8.3.2　乔姆斯基形式语法286

8.3.3　句法分析树288

8.3.4　转移网络289

8.3.5　扩充转移网络291

8.4　语义分析294

8.4.1　语义文法294

8.4.2　格文法295

8.5　大规模真实文本的处理297

8.5.1　语料库语言学及其特点297

8.5.2　统计学方法的应用及所面临的问题300

8.5.3　汉语语料库加工的基本方法301

8.6　语用分析305

8.7　机器翻译306

8.8　Web信息抽取308

8.8.1　搜索引擎308

8.8.2　搜索引擎的中文分词技术311

8.9　小结312

习题313

9.1　引言314

第9章　本体知识系统314

9.2　本体的基本概念317

9.2.1　本体的定义318

9.2.2　本体的作用319

9.2.3　本体的种类320

9.3　本体描述语言321

9.3.1　OWL321

9.3.2　RDF/S322

9.3.5　WordNet的语义网络323

9.3.4　CycL323

9.3.3　都柏林核心元数据集323

9.4　本体构建324

9.4.1　本体构建方法学325

9.4.2　手工方式的本体构建328

9.4.3　基于文本的本体自动构建330

9.4.4　基于结构化数据的本体构建333

9.5　本体映射334

9.5.1　本体映射体系结构334

9.5.2　本体映射方法分类335

9.5.3　本体映射原型系统337

9.6　本体演化339

9.7　本体知识管理340

9.7.1　Protégé341

9.7.2　KAON342

9.7.3　知识管理系统KMSphere343

9.8　大规模知识系统346

9.8.1　Cyc系统346

9.8.2　e-Science347

9.9　小结348

习题349

第10章　主体技术350

10.1　主体350

10.2　主体结构352

10.2.1　慎思主体352

10.2.2　反应主体354

10.2.3　BDI主体356

10.2.4　层次主体359

10.3　主体通信语言ACL362

10.3.1　主体间通信概述362

10.3.2 FIPA ACL消息364

10.4.1 引言369

10.4　协调和协作369

10.4.2　合同网372

10.4.3　基于生态学的协作375

10.4.4　基于对策论的协商376

10.4.5　基于意图的协商377

10.5　移动主体377

10.6　多主体环境MAGE380

10.6.1　MAGE系统框架结构380

10.6.3　可视化主体开发环境VAStudio381

10.6.2　主体统一建模语言AUML381

10.6.4　MAGE运行平台383

10.6.5　主体网格智能平台AGrIP384

10.7　小结385

习题386

第11章　计算智能387

11.1　神经网络概述387

11.1.1 引言387

11.1.2　神经网络的发展过程387

11.1.4　神经网络的学习方法389

11.1.3　基本的神经网络模型389

11.2　感知机390

11.2.1　基本神经元390

11.2.2　感知机模型392

11.3　前馈神经网络393

11.3.1　前馈神经网络模型393

11.3.2　误差反向传播算法394

11.3.3　BP算法的若干改进396

11.4.1　离散Hopfield网络398

11.4　Hopfield网络398

11.4.2　连续Hopfield网络404

11.4.3　Hopfield网络应用406

11.4.4　双向联想记忆（BAM）模型406

11.5　随机神经网络408

11.5.1　模拟退火算法408

11.5.2　玻耳兹曼机411

11.6　自组织特征映射神经网络415

11.6.1　网络的拓扑结构415

11.6.2　网络自组织算法416

11.7　遗传算法417

11.6.3　有教师学习417

11.7.1　遗传算法的研究内容418

11.7.2　遗传算法的描述419

11.7.3　遗传算法的特点423

11.8　人工生命425

11.9　小结427

习题428

第12章　展望431

12.1　智能的认知基础431

12.2　机器学习432

12.3　脑机接口433

12.4　人工脑434

12.5　智能机器人436

12.6　智能计算机437

12.7　智能互联网438

12.8　知识产业439

12.9　人类水平的人工智能439

12.10　结束语440

习题440

参考文献442