人工智能導論（第2版）

前言
第1章緒論
11什么是人工智能
111關(guān)于智能
112人工智能的研究目標
12人工智能發(fā)展簡史
13人工智能的研究方法
131人工智能的研究特點
132人工智能的研究途徑
133人工智能研究資源
14人工智能研究及應(yīng)用領(lǐng)域
141模式識別
142自然語言處理
143機器學習與數(shù)據(jù)挖掘
144人工神經(jīng)網(wǎng)絡(luò)與深度學習
145博弈
146多智能體
147專家系統(tǒng)
148計算機視覺
149自動定理證明
1410智能控制
1411機器人學
1412人工生命
15本章小結(jié)
習題
第2章知識工程
21概述
22知識表示方法
221經(jīng)典邏輯表示法
222產(chǎn)生式表示法
223層次結(jié)構(gòu)表示法
224網(wǎng)絡(luò)結(jié)構(gòu)表示法
225其他表示法
23知識獲取與管理
231知識獲取的任務(wù)
232知識獲取的方式
233知識管理
234本體論
235知識圖譜
24基于知識的系統(tǒng)
241什么是知識系統(tǒng)
242專家系統(tǒng)
243問答系統(tǒng)
244知識系統(tǒng)舉例
25本章小結(jié)
習題
第3章確定性推理
31概述
311推理方式與分類
312推理控制策略
313知識匹配
32自然演繹推理
33歸結(jié)演繹推理
331歸結(jié)原理
332歸結(jié)策略
333應(yīng)用歸結(jié)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5本章小結(jié)
習題
第4章不確定性推理
41概述
42基本概率方法
43主觀貝葉斯方法
431不確定性的表示
432不確定性的傳遞算法
433結(jié)論不確定性的合成算法
44可信度方法
441基本可信度模型
442帶閾值限度的可信度模型
443加權(quán)的可信度模型
444前件帶不確定性的可信度模型
45模糊推理
451模糊理論
452簡單模糊推理
453模糊三段論推理
454多維模糊推理
455多重模糊推理
456帶有可信度因子的模糊推理
46證據(jù)理論
461D-S理論
462基于證據(jù)理論的不確定性推理
47粗糙集理論
471粗糙集理論的基本概念
472粗糙集在知識發(fā)現(xiàn)中的應(yīng)用
48本章小結(jié)
習題
第5章搜索與優(yōu)化策略
51概述
511什么是搜索
512狀態(tài)空間表示法
513與或樹表示法
52狀態(tài)空間搜索
521狀態(tài)空間的一般搜索過程
522廣度優(yōu)先搜索
523深度優(yōu)先搜索
524有界深度優(yōu)先搜索
525啟發(fā)式搜索
526A*算法
53與或樹搜索
531與或樹的一般搜索過程
532與或樹的廣度優(yōu)先搜索
533與或樹的深度優(yōu)先搜索
534與或樹的有序搜索
535博弈樹的啟發(fā)式搜索
536剪枝技術(shù)
537人機對弈與AlphaGo
54智能優(yōu)化搜索
541NP問題
542優(yōu)化問題
543遺傳算法
544蟻群算法
545粒子群算法
546智能優(yōu)化搜索應(yīng)用案例
55本章小結(jié)
習題
第6章機器學習
61概述
611什么是機器學習
612機器學習方法分類
613機器學習的基本問題
614評估學習結(jié)果
62決策樹學習
621決策樹表示法
622ID3算法
623決策樹學習的常見問題
624隨機森林算法
625決策樹學習應(yīng)用案例
63貝葉斯學習
631貝葉斯法則
632樸素貝葉斯方法
633貝葉斯網(wǎng)絡(luò)
634EM算法
635貝葉斯學習應(yīng)用案例
64統(tǒng)計學習
641小樣本統(tǒng)計學習理論
642支持向量機
643核函數(shù)
644支持向量機應(yīng)用案例
65聚類
651聚類問題
652分層聚類方法
653劃分聚類方法
654基于密度的聚類方法
655基于網(wǎng)格的聚類方法
656聚類算法應(yīng)用案例
66特征選擇與表示學習
661特征提取與選擇
662常用的特征函數(shù)
663主成分分析
664表示學習
665表示學習應(yīng)用案例
67其他學習方法
671k近鄰算法
672強化學習
673隱馬爾可夫模型
68本章小結(jié)
習題
第7章人工神經(jīng)網(wǎng)絡(luò)與深度學習
71概述
711人腦神經(jīng)系統(tǒng)
712人工神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容與特點
713人工神經(jīng)網(wǎng)絡(luò)基本形態(tài)
714深度學習
72前饋神經(jīng)網(wǎng)絡(luò)
721感知器模型
722反向傳播算法
723卷積神經(jīng)網(wǎng)絡(luò)
724前饋神經(jīng)網(wǎng)絡(luò)應(yīng)用案例
73反饋神經(jīng)網(wǎng)絡(luò)
731循環(huán)神經(jīng)網(wǎng)絡(luò)
732長短期記憶網(wǎng)絡(luò)
733雙向循環(huán)神經(jīng)網(wǎng)絡(luò)
734反饋神經(jīng)網(wǎng)絡(luò)應(yīng)用案例
74本章小結(jié)
習題
第8章人工智能的其他領(lǐng)域
81模式識別
811模式識別的基本問題
812圖像識別
813人臉識別
82自然語言處理
821自然語言處理的基本問題
822信息檢索
823機器翻譯
824自動問答
83多智能體
831多智能體系統(tǒng)模型
832多智能體系統(tǒng)的學習與協(xié)作
833多智能體系統(tǒng)的主要研究內(nèi)容
834多智能體系統(tǒng)應(yīng)用案例
84本章小結(jié)
習題
參考文獻