人工智能教程

第1章 緒論.  
1.1 什么是人工智能  
1.1.1 智能的解釋  
1.1.2 人工智能的解釋  
1.1.3 計算機與人工智能  
1.1.4 人類智能與人工智能  
1.1.5 人工智能的研究目標  
1.1.6 人工智能中的通用問題求解方法  
1.2 人工智能的發(fā)展簡史及趨勢  
1.2.1 人工智能發(fā)展簡史  
1.2.2 人工智能發(fā)展趨勢  
1.3 人工智能的研究方法及基本內(nèi)容  
1.3.1 人工智能的研究方法  
1.3.2 人工智能研究的基本內(nèi)容  
1.4 人工智能的基本技術  
1.5 人工智能的主要研究領域及實踐  
1.5.1 人工智能的主要研究領域  
1.5.2 人工智能實踐  
習題  
第2章 知識及知識的表示  
2.1 概述  
2.1.1 知識  
2.1.2 知識表示  
2.2 一階謂詞邏輯表示法  
2.2.1 知識的謂詞邏輯表示法  
2.2.2 謂詞邏輯表示知識的舉例  
2.2.3 一階謂詞邏輯表示法的特點  
2.3 產(chǎn)生式表示法  
2.3.1 產(chǎn)生式的基本形式  
2.3.2 產(chǎn)生式表示知識的方法  
2.3.3 產(chǎn)生式系統(tǒng)的組成  
2.3.4 產(chǎn)生式系統(tǒng)的推理方式  
2.3.5 產(chǎn)生式表示法的特點  
2.4 框架表示法  
2.4.1 框架的構成  
2.4.2 框架表示知識舉例  
2.4.3 框架系統(tǒng)的推理  
2.4.4 框架表示法的特點  
2.5 語義網(wǎng)絡表示法  
2.5.1 語義網(wǎng)絡的概念及結構  
2.5.2 語義網(wǎng)絡的基本語義聯(lián)系  
2.5.3 語義網(wǎng)絡表示知識的方法及步驟  
2.5.4 語義網(wǎng)絡知識表示舉例  
2.5.5 語義網(wǎng)絡的推理過程  
2.5.6 語義網(wǎng)絡表示法的特點  
2.6 面向?qū)ο蟊硎痉?nbsp; 
2.6.1 面向?qū)ο蟮幕靖拍?nbsp; 
2.6.2 面向?qū)ο蟮闹R表示  
習題  
第3章 經(jīng)典邏輯推理  
3.1 基本概念  
3.1.1 推理定義  
3.1.2 推理方式及分類  
3.1.3 推理的控制策略  
3.1.4 模式匹配  
3.2 自然演繹推理  
3.2.1 自然演繹推理的基本概念  
3.2.2 利用演繹推理解決問題  
3.3 歸結演繹推理  
3.3.1 子句  
3.3.2 Herbrand理論  
3.3.3 魯濱孫歸結原理  
3.3.4 歸結策略  
3.3.5 使用歸結原理證明問題  
3.3.6 用歸結原理求解問題  
3.4 與/或形演繹推理  
3.4.1 與/或形正向演繹推理  
3.4.2 與/或形逆向演繹推理  
3.4.3 與/或形雙向演繹推理  
3.4.4 一致解圖與剪枝策略  
習題  
第4章 不確定性推理  
4.1 不確定性推理中的基本問題  
4.2 不確定性推理方法分類  
4.3 概率方法  
4.3.1 經(jīng)典概率方法  
4.3.2 Bayes定理  
4.3.3 逆概率方法的基本思想  
4.3.4 逆概率方法的優(yōu)缺點  
4.4 主觀Bayes方法  
4.4.1 知識不確定性的表示  
4.4.2 證據(jù)不確定性的表示  
4.4.3 不確定性的傳遞算法  
4.4.4 結論不確定性的合成算法  
4.4.5 例子  
4.4.6 主觀Bayes方法的主要優(yōu)缺點  
4.5 可信度方法  
4.5.1 可信度概念  
4.5.2 C-F模型  
4.5.3 可信度方法應用舉例  
4.6 證據(jù)理論  
4.6.1 基本概念  
4.6.2 D-S理論  
4.6.3 知識不確定性的表示  
4.6.4 證據(jù)不確定性的表示  
4.6.5 例子  
4.6.6 證據(jù)理論的主要優(yōu)缺點  
習題  
第5章 搜索問題求解  
5.1 基本概念  
5.2 狀態(tài)空間搜索  
5.2.1 問題的狀態(tài)空間表示  
5.2.2 狀態(tài)空間的窮搜索法  
5.2.3 啟發(fā)式搜索法  
5.3 問題歸約法..  
5.3.1 問題歸約描述  
5.3.2 與或圖表示  
5.3.3 AO*算法  
5.4 博弈樹搜索  
5.4.1 極大極小過程  
5.4.2 α-β過程  
習題  
第6章 機器學習  
6.1 機器學習的概念  
6.1.1 機器學習的發(fā)展歷史  
6.1.2 什么是機器學習  
6.1.3 機器學習分類  
6.2 示例學習  
6.2.1 示例學習的兩個空間模型  
6.2.2 示例學習的一個變種——決策樹學習算法  
6.3 基于解釋的學習  
6.3.1 基于解釋學習的工作原理  
6.3.2 基于解釋學習的方法舉例  
6.4 基于案例的推理  
6.4.1 CBR系統(tǒng)的特點  
6.4.2 CBR系統(tǒng)的體系結構  
6.4.3 學習方法  
6.4.4 結論  
6.5 加強學習  
6.5.1 加強學習基本方法  
6.5.2 加強學習技術目前主要研究方向  
6.5.3 結論  
習題  
第7章 遺傳算法  
7.1 遺傳算法簡介  
7.1.1 遺傳算法的起源  
7.1.2 設計遺傳算法的基本原則  
7.1.3 設計遺傳算法的基本步驟  
7.1.4 遺傳算法的主要特點  
7.1.5 遺傳算法的研究內(nèi)容和應用前景  
7.2 基本遺傳算法  
7.2.1 編碼表示  
7.2.2 適應性的度量  
7.2.3 選擇策略  
7.2.4 遺傳算子的設計  
7.3 函數(shù)優(yōu)化  
7.3.1 問題描述  
7.3.2 種群的初始化  
7.3.3 選擇策略  
7.3.4 遺傳算子  
7.4 旅行商問題  
7.4.1 旅行商問題的描述  
7.4.2 個體的編碼表示  
7.4.3 雜交算子  
7.4.4 變異算子  
7.4.5 實驗仿真  
習題  
第8章 數(shù)據(jù)挖掘  
8.1 數(shù)據(jù)挖掘概述  
8.1.1 數(shù)據(jù)挖掘的定義  
8.1.2 數(shù)據(jù)挖掘與數(shù)據(jù)庫中的知識發(fā)現(xiàn)  
8.1.3 數(shù)據(jù)挖掘研究的理論基礎  
8.1.4 數(shù)據(jù)挖掘與其他數(shù)據(jù)處理方法的區(qū)別及聯(lián)系  
8.1.5 數(shù)據(jù)挖掘的內(nèi)容  
8.1.6 數(shù)據(jù)挖掘的研究歷史和現(xiàn)狀  
8.2 數(shù)據(jù)挖掘技術簡介  
8.2.1 分類和預測  
8.2.2 聚類分析  
8.3 關聯(lián)規(guī)則挖掘  
8.3.1 關聯(lián)規(guī)則概述  
8.3.2 關聯(lián)規(guī)則的分類  
8.3.3 經(jīng)典關聯(lián)規(guī)則挖掘算法  
8.3.4 多層關聯(lián)規(guī)則挖掘  
8.4 序列模式挖掘  
8.4.1 序列模式的概念及定義  
8.4.2 序列模式的發(fā)現(xiàn)  
8.4.3 序列階段的算法  
8.5 Web挖掘  
8.5.1 概述  
8.5.2 Web內(nèi)容挖掘  
8.5.3 Web結構挖掘  
8.5.4 Web使用記錄挖掘  
8.6 數(shù)據(jù)挖掘的研究熱點與發(fā)展趨勢  
8.6.1 研究熱點  
8.6.2 發(fā)展趨勢  
習題  
第9章 模式識別  
9.1 概論  
9.1.1 預處理  
9.1.2 特征和模式基元選擇  
9.1.3 識別  
9.2 統(tǒng)計模式識別  
9.2.1 決策理論方法  
9.2.2 統(tǒng)計分類法  
9.2.3 特征的提取與選擇  
9.3 監(jiān)督與非監(jiān)督分類方法  
9.3.1 監(jiān)督分類方法  
9.3.2 非監(jiān)督分類法  
9.4 結構模式識別  
9.4.1 概述  
9.4.2 結構模式識別系統(tǒng)  
9.4.3 模式基元的選擇與抽取  
9.4.4 模式文法  
9.4.5 串的識別與分析  
9.5 神經(jīng)網(wǎng)絡模式識別  
9.5.1 人工神經(jīng)網(wǎng)絡概述  
9.5.2 BP模型及其在模式識別中的應用  
習題  
參考文獻...