人工智能中的圖表推理

譯者序原書前言第1章 引言：人工智能領域的局限 1.1 引言 1.2 人工智能的局限 1.2.1 創(chuàng)造一臺思考機器的困難 1.2.2 缺乏常識性推理 1.2.3 難以駕馭的特性 1.3 智能系統(tǒng)的解釋能力 1.3.1 系統(tǒng)的透明度 1.3.2 系統(tǒng)的靈活性 1.4 人工智能的未來：面向交互式的圖表 參考文獻第2章 思維模型：在人眼中的圖表 2.1 思維模型的定義 2.2 知識的組織 2.2.1 內部連接 2.2.2 外部連接 2.3 討論 參考文獻第3章 圖表的類型 3.1 引言 3.2 系統(tǒng)拓撲 3.3 順序和流程 3.3.1 活動圖表 3.3.2 泳道：分割一幅活動圖表 3.3.3 案例研究：在急救室中的治療類選法 3.4 層次和分類 3.4.1 組織圖表 3.4.2 遺傳層次 3.4.3 組成模型 3.5 關聯(lián) 3.5.1 語義網絡 3.5.2 實體關系圖表 3.6 因果關系 3.6.1 有向圖 3.6.2 其他符號系統(tǒng) 3.6.3 因果關系推理中的謬論 3.7 決策圖表 3.7.1 決策樹 3.7.2 影響圖表 3.7.3順序的決策 3.8 討論 參考文獻第4章 應用圖表的邏輯推理 4.1 引言 4.2 論證圖表 4.3 用動態(tài)維恩圖表進行邏輯推理 4.3.1 維恩圖表介紹 4.3.2 通過維恩圖表的演繹推論：第一個途徑 4.3.3 轉換規(guī)則 4.4 回顧演繹推理 4.4.1 兩種表示系統(tǒng)的檢驗：語言學(一階邏輯)對應非語言學(維恩圖表) 參考文獻第5章 基于規(guī)則的專家系統(tǒng) 5.1 引言 5.2 基于規(guī)則的推理 5.2.1 基于規(guī)則的專家系統(tǒng)的組成部分 5.2.2 推理機 5.2.3 沖突結果 5.2.4 CLIPS 5.3 利益與局限 5.3.1 很難對專門技術進行提取 5.3.2 不能捕獲所有的知識 5.3.3 專家系統(tǒng)不能夠學習 5.3.4 專家系統(tǒng)缺乏靈活性 5.3.5 缺乏對專家系統(tǒng)的信任，同時在解釋結果上面專家系統(tǒng)的能力有限 5.3.6 專家系統(tǒng)很難檢驗和驗證 附錄A 股票選擇專家系統(tǒng) 參考文獻第6章 帶有圖形的基于規(guī)則的推理 6.1 專家系統(tǒng)的透明性 6.2 用圖表表示一個簡單的專家系統(tǒng) 6.3 更復雜的應用：運輸模式選擇 6.4 知識庫的分層模型 6.5 專家系統(tǒng)的靈活性 6.6 規(guī)則軌跡圖 6.7 策略知識 6.8 討論 附錄A 運輸模式知識庫 參考文獻第7章 基于模型的推理 7.1 基于模型的診斷 7.1.1 排除一個簡單設備的故障 7.1.2 排除邏輯門設備故障 7.2 設計商業(yè)后勤網絡 7.2.1 LogNet描述 7.2.2 網絡基準 7.3 帶有圖形用戶界面的可視化交互模型 7.4 基于模型的推理：通向一個較好網絡設計的向導 7.4.1 網絡整理 7.4.2 網絡分散 7.5 使用LogNet解決問題：兩個方案 7.6 基于啟發(fā)式搜索的調整 7.7 討論參考文獻第8章 基于置信度與貝葉斯網絡的不精確推理 8.1 置信度 8.1.1 信度網絡 8.1.2 惡意病毒檢測系統(tǒng) 8.2 概率論基本原理 8.2.1 基本概念 8.2.2 條件概率與貝葉斯定理 8.3 貝葉斯網絡 8.4 討論 參考文獻第9章 理解圖表推理的框架 9.1 評估圖表準則 9.1.1 有效圖表可以深化對系統(tǒng)的理解 9.1.2 有效圖表表述非常明確 9.1.3 有效圖表是最簡的 9.1.4 有效圖表是相關的 9.1.5 有效圖表支持多層的描述 9.2 比較兩個圖表：信息能力和計算能力 9.3 超越靜態(tài)圖表 9.4 編后：應用并超越人工智能技術的圖形化用戶界面參考文獻