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

《智能科学技术著作丛书》序1

前言1

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7

1．5．1 认知学派8

1．5．2 逻辑学派8

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 智能系统15

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 封闭世界假设29

2．4 非单调逻辑31

2．5 默认逻辑33

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47

2．9 真值维护系统50

2．10 情景演算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

2．10．3 ConGolog57

2．11 框架问题58

2．11．1 积木世界59

2．11．2 框架公理59

2．11．3 框架问题解决方案的准则61

2．11．4 框架问题的非单调解决方案63

2．12 动态描述逻辑DDL67

2．12．1 描述逻辑67

2．12．2 动态描述逻辑的语法69

2．12．3 动态描述逻辑的语义71

习题74

第3章 约束推理76

3．1 概述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96

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109

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114

4．6 代数方法116

4．7 几何空间定性推理117

4．7．1 空间逻辑118

4．7．2 空间和时间关系描述120

4．7．3 空间和时间逻辑的应用121

4．7．4 Randell算法122

习题123

第5章 基于案例的推理124

5．1 概述124

5．2 类比的形式定义125

5．3 相似性关系126

5．4 基于案例推理的工作过程130

5．5 案例的表示133

5．6 案例的索引136

5．7 案例的检索137

5．8 案例的复用139

5．9 案例的保存141

5．10 基于例示的学习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 案例工程147

5．12 中心渔场预报专家系统149

5．12．1 问题分析与案例表示150

5．12．2 相似性度量151

5．12．3 索引与检索152

5．12．4 基于框架的修正153

5．12．5 实验结果155

习题156

第6章 贝叶斯网络158

6．1 概述158

6．1．1 贝叶斯网络的发展历史158

6．1．2 贝叶斯方法的基本观点159

6．1．3 贝叶斯网络在数据挖掘中的应用159

6．2 贝叶斯概率基础162

6．2．1 概率论基础162

6．2．2 贝叶斯概率164

6．3 贝叶斯问题的求解167

6．3．1 几种常用的先验分布选取方法168

6．3．2 计算学习机制170

6．3．3 贝叶斯问题的求解步骤172

6．4 简单贝叶斯学习模型174

6．4．1 简单贝叶斯学习模型的介绍174

6．4．2 简单贝叶斯模型的提升176

6．4．3 提升简单贝叶斯分类的计算复杂性179

6．5 贝叶斯网络的建造179

6．5．1 贝叶斯网络的结构及建立方法179

6．5．2 学习贝叶斯网络的概率分布180

6．5．3 学习贝叶斯网络的网络结构182

6．6 贝叶斯潜在语义模型186

6．7 半监督文本挖掘算法190

6．7．1 网页聚类190

6．7．2 对含有潜在类别主题词文档的类别标注191

6．7．3 基于简单贝叶斯模型学习标注和未标注样本192

习题196

第7章 归纳学习197

7．1 概述197

7．2 归纳学习的逻辑基础198

7．2．1 归纳学习的一般模式198

7．2．2 概念获取的条件200

7．2．3 问题背景知识201

7．2．4 选择型和构造型泛化规则202

7．3 偏置变换205

7．4 变型空间方法206

7．4．1 消除候选元素算法208

7．4．2 两种改进算法210

7．5 AQ归纳学习算法212

7．6 CLS学习算法213

7．7 ID3学习算法214

7．7．1 信息论简介214

7．7．2 属性选择214

7．7．3 ID3算法步骤215

7．7．4 ID3算法应用举例216

7．7．5 C4．5算法218

7．8 单变量决策树的并行处理219

7．8．1 并行决策树算法219

7．8．2 串行算法的并行化222

7．9 归纳学习的计算理论223

7．9．1 Gold学习理论224

7．9．2 模型推理系统225

7．9．3 Valiant学习理论226

习题228

第8章 统计学习230

8．1 统计方法230

8．2 统计学习问题231

8．2．1 经验风险231

8．2．2 VC维231

8．3 学习过程的一致性232

8．3．1 学习过程一致性的经典定义232

8．3．2 学习理论的重要定理232

8．3．3 VC熵233

8．4 结构风险最小归纳原理234

8．5 支持向量机236

8．5．1 线性可分237

8．5．2 线性不可分239

8．6 核函数240

8．6．1 多项式核函数240

8．6．2 径向基函数241

8．6．3 多层感知机241

8．6．4 动态核函数241

8．7 邻近支持向量机243

8．8 极端支持向量机246

习题249

第9章 解释学习250

9．1 概述250

9．2 解释学习模型251

9．3 解释泛化学习方法252

9．3．1 基本原理252

9．3．2 解释与泛化交替进行的解释泛化方法255

9．4 全局取代解释泛化方法256

9．5 解释特化学习方法260

9．6 解释泛化的逻辑程序262

9．6．1 工作原理263

9．6．2 元解释器264

9．6．3 实验例子264

9．7 基于知识块的SOAR系统266

9．8 可操作性268

9．8．1 PRODIGY的效用问题270

9．8．2 SOAR系统的可操作性271

9．8．3 MRS-EBG的可操作性272

9．8．4 META-LEX的处理方法272

9．9 不完全领域知识下的解释学习273

9．9．1 不完全领域知识273

9．9．2 逆归结方法273

9．9．3 基于深层知识的方法275

习题276

第10章 强化学习277

10．1 概述277

10．2 强化学习模型278

10．3 动态规划281

10．4 蒙特卡罗方法283

10．5 时序差分学习284

10．6 Q学习287

10．7 强化学习中的函数估计289

10．8 强化学习的应用291

习题293

第11章 无监督学习294

11．1 概述294

11．2 相似性度量295

11．2．1 相似系数295

11．2．2 属性的相似度量297

11．3 划分方法298

11．3．1 k均值算法298

11．3．2 k中心点算法299

11．3．3 大型数据库的划分方法299

11．4 层次聚类方法301

11．4．1 BIRCH算法302

11．4．2 CURE算法302

11．4．3 ROCK算法303

11．5 基于密度的聚类304

11．6 基于网格方法307

11．7 基于模型的方法309

11．8 模糊聚类311

11．8．1 传递闭包法311

11．8．2 动态直接聚类法311

11．8．3 最大树法312

11．9 蚁群聚类方法314

11．9．1 基本模型314

11．9．2 LF算法315

11．9．3 基于群体智能的聚类算法CSI315

11．9．4 混合聚类算法CSIM318

11．10 聚类方法的评价319

习题321

第12章 关联规则322

12．1 概述322

12．2 基本概念322

12．3 二值型关联规则挖掘325

12．3．1 AIS算法325

12．3．2 SETM算法326

12．3．3 Apriori算法327

12．3．4 Apriori算法的改进330

12．4 频繁模式树挖掘算法331

12．5 垂直挖掘算法334

12．6 挖掘关联规则的数组方法337

12．7 频繁闭项集的挖掘算法339

12．8 最大频繁项集的挖掘算法341

12．9 增量式关联规则挖掘345

12．10 模糊关联规则的挖掘348

12．11 任意多表间关联规则的并行挖掘351

12．11．1 问题的形式描述351

12．11．2 单表内大项集的并行计算352

12．11．3 任意多表间大项集的生成354

12．11．4 跨表间关联规则的提取354

12．12 基于分布式系统的关联规则挖掘算法355

12．12．1 候选集的生成356

12．12．2 候选数据集的本地剪枝357

12．12．3 候选数据集的全局剪枝360

12．12．4 合计数轮流检测362

12．12．5 分布式挖掘关联规则的算法363

习题366

第13章 进化计算367

13．1 概述367

13．2 进化系统理论的形式模型368

13．3 达尔文进化算法371

13．4 基本遗传算法372

13．4．1 基本遗传算法的构成要素372

13．4．2 基本遗传算法的一般框架373

13．5 遗传算法的数学理论376

13．5．1 模式定理376

13．5．2 积木块假设379

13．5．3 隐并行性380

13．6 遗传算法的编码方法380

13．6．1 二进制编码方法382

13．6．2 格雷码编码方法382

13．6．3 浮点数编码方法383

13．6．4 符号编码方法384

13．6．5 多参数级联编码方法384

13．6．6 多参数杂交编码方法384

13．7 适应度函数385

13．8 遗传操作388

13．8．1 选择算子388

13．8．2 杂交算子390

13．8．3 变异算子393

13．8．4 反转操作393

13．9 变长度染色体遗传算法393

13．10 小生境遗传算法394

13．11 混合遗传算法395

13．12 并行遗传算法398

13．13 分类器系统399

习题404

第14章 知识发现405

14．1 概述405

14．2 知识发现的任务407

14．3 知识发现的工具410

14．4 MSMiner的体系结构414

14．4．1 数据挖掘模型414

14．4．2 系统功能415

14．4．3 体系结构416

14．5 分布式知识发现417

14．5．1 概述417

14．5．2 基于网格的分布式知识发现419

14．5．3 基于云平台的分布式知识发现425

习题428

第15章 主体计算430

15．1 概述430

15．2 分布式问题求解431

15．2．1 分布式人工智能的兴起431

15．2．2 分布式问题求解系统的分类433

15．2．3 分布式问题求解系统的求解过程434

15．3 主体理论436

15．3．1 理性主体436

15．3．2 BDI主体模型437

15．4 主体结构437

15．4．1 主体基本结构437

15．4．2 慎思主体439

15．4．3 反应主体442

15．4．4 混合结构主体444

15．4．5 InteRRaP主体445

15．4．6 MAPE主体446

15．5 主体通信语言ACL459

15．5．1 主体间通信概述460

15．5．2 FIPA ACL消息461

15．5．3 交互协议466

15．5．4 ACL语义学的形式化基础468

15．6 协调和协作470

15．6．1 引言470

15．6．2 合同网473

15．6．3 部分全局规划476

15．6．4 基于约束传播的规划478

15．6．5 基于生态学的协作486

15．6．6 基于对策论的协商487

15．6．7 基于意图的协商488

15．7 移动主体488

15．8 多主体环境491

习题495

第16章 互联网智能496

16．1 概述496

16．2 语义Web498

16．2．1 语义Web的层次模型498

16．2．2 本体的基本概念500

16．2．3 本体描述语言OWL502

16．3 本体知识管理503

16．3．1 Protégé504

16．3．2 KAON505

16．3．3 KMSphere506

16．4 Web挖掘508

16．4．1 Web内容挖掘509

16．4．2 Web结构挖掘510

16．4．3 Web使用挖掘512

16．5 搜索引擎513

16．6 Web技术的演化517

16．6．1 Web1．0517

16．6．2 Web2．0518

16．6．3 Web3．0521

16．6．4 Web4．0522

16．7 集体智能522

16．7．1 引言522

16．7．2 集体智能系统523

16．7．3 全球脑524

16．7．4 人工生命525

16．8 展望530

习题531

参考文献532