高等院校规划教材：人工智慧导论 _生活百科

文章插图
高等院校规划教材：人工智慧导论【高等院校规划教材：人工智慧导论】《高等院校规划教材人工智慧导论》是2011年机械工业出版社出版的图书，作者是鲍军鹏、张选平。本书系统地阐述了人工智慧的基本理论、基本技术、研究方法和套用领域。
基本介绍书名：高等院校规划教材：人工智慧导论
作者：鲍军鹏、张选平
ISBN：9787111288374
页数：313
定价：39.00
出版社：机械工业出版社
出版时间：2011年7月1日
装帧：平装
开本：16开
版次：第一版
内容简介《计算机科学与技术系列·高等院校规划教材：人工智慧导论》系统地阐述了人工智慧的基本理论、基本技术、研究方法和套用领域等内容，比较全面地反映了近：20年来人工智慧研究领域的进展，并根据人工智慧的发展动向对一些传统内容作了取捨，详细介绍了机器学习方面的内容。全书分为8章，内容涉及人工智慧的基本概念、知识工程、确定性推理和不确定性推理、搜寻策略、机器学习、人工神经网路，以及模式识别、自然语言处理和智慧型体等方面。每章后面都附有习题，以供读者练习。《人工智慧导论》可作为计算机专业本科生和其他相关学科本科生、研究生的教材，也可作为有关科技人员的参考用书。目录前言第1章　绪论1.1　什幺是人工智慧1.1.1　关于智慧型1.1.2　人工智慧的研究目标1.2　人工智慧发展简史1.3　人工智慧研究方法1.3.1　人工智慧研究的特点1.3.2　人工智慧研究的途径1.3.3　人工智慧研究的资源1.4　人工智慧研究及套用领域1.4.1　问题求解与博弈1.4.2　专家系统1.4.3　自动定理证明1.4.4　机器学习1.4.5　人工神经网路1.4.6　模式识别1.4.7　计算机视觉1.4.8　自然语言处理1.4.9　智慧型体1.4.10　智慧型控制1.4.11　机器人学1.4.12　人工生命1.5　本章小结1.6　习题第2章　知识工程2.1　概述2.2　知识表示方法2.2.1　经典逻辑表示法2.2.2　产生式表示法2.2.3　层次结构表示法2.2.4　网路结构表示法2.2.5　其他表示法2.3　知识获取与管理2.3.1　知识获取的任务2.3.2　知识获取的方式2.3.3　知识管理2.3.4　本体论2.4　基于知识的系统2.4.1　什幺是知识系统2.4.2　专家系统2.4.3　知识系统举例2.5　本章小结2.6　习题第3章　确定性推理3.1　概述3.1.1　推理方式与分类3.1.2　推理控制策略3.1.3　知识匹配3.2　自然演绎推理3.3　归结演绎推理3.3.1　海伯伦理论3.3.2　鲁宾逊归结原理3.3.3　归结反演3.3.4　归结策略3.3.5　套用归结原理求解问题3.4　与或形演绎推理3.4.1　与或形正向演绎推理3.4.2　与或形逆向演绎推理3.4.3　与或形双向演绎推理3.5　本章小结3.6　习题第4章　不确定性推理4.1　概述4.2　基本机率方法4.3　主观贝叶斯方法4.3.1　不确定性的表示4.3.2　不确定性的传递算法4.3.3　结论不确定性的合成算法4.4 可信度方法4.4.1 基本可信度模型4.4.2 带阈值限度的可信度模型4.4.3 加权的可信度模型4.4.4 前件带不确定性的可信度模型4.5 模糊推理4.5.1 模糊理论4.5.2 简单模糊推理4.5.3 模糊三段论推理4.5.4 多维模糊推理4.5.5 多重模糊推理4.5.6 带有可信度因子的模糊推理4.6 证据理论4.6.1 D—S理论4.6.2 基于证据理论的不确定性推理4.7 粗糙集理论4.7.1 粗糙集理论的基本概念4.7.2 粗糙集在知识发现中的套用4.8 本章小结4.9 习题第5章搜寻策略5.1 概述5.1.1 什幺是搜寻5.1.2 状态空间表示法5.1.3 与或树表示法5.2 状态空间搜寻5.2.1 状态空间的一般搜寻过程5.2.2 广度优先搜寻5.2.3 深度优先搜寻5.2.4 有界深度优先搜寻5.2.5 启发式搜寻5.2.6 A*算法5.3 与或树搜寻5.3.1 与或树的一般搜寻过程5.3.2 与或树的广度优先搜寻5.3.3 与或树的深度优先搜寻5.3.4 与或树的有序搜寻5.3.5 博弈树的启发式搜寻5.3.6 剪枝技术5.4 本章小结5.5 习题第6章机器学习6.1 概述6.1.1 什幺是机器学习6.1.2 机器学习方法的分类6.1.3 机器学习的基本问题6.1.4 评估学习结果6.2 决策树学习6.2.1 决策树表示法6.2.2 ID3算法6.2.3 决策树学习的常见问题6.2.4 用决策树学习客户分类6.3 贝叶斯学习6.3.1 贝叶斯法则6.3.2 朴素贝叶斯方法6.3.3 贝叶斯网路6.3.4 EM算法6.3.5 用贝叶斯方法过滤垃圾邮件6.4 统计学习6.4.1 统计学习理论6.4.2 支持向量机6.4.3 核函式6.4.4 基于支持向量机的车牌识别6.5 遗传算法6.5.1 进化计算6.5.2 遗传算法原理 6.5.3 问题编码策略6.5.4 遗传运算元6.5.5 遗传算法的理论分析6.5.6 用遗传算法解决TSP问题6.6 聚类6.6.1 聚类问题6.6.2 分层聚类方法6.6.3 划分聚类方法6.6.4 基于密度的聚类方法6.6.5 基于格线的聚类方法6.6.6 股票信息的聚类分析6.7 特徵选择与提取6.7.1 特徵选择6.7.2 常用的特徵函式6.7.3 主成分分析6.8 其他学习方法6.8.1 强化学习6.8.2 隐马尔可夫模型6.9 本章小结6.10 习题第7章人工神经网路7.1 概述7.1.1 人脑神经系统7.1.2 人工神经网路的研究内容与特点7.1.3 人工神经网路的基本形态7.2 感知器7.2.1 简单感知器7.2.2 多层感知器7.3 前馈神经网路7.3.1 反向传播算法7.3.2 反向传播算法中的问题7.3.3 径向基函式网路7.4 反馈神经网路7.4.1 Hopfield网路7.4.2 离散型Hopfield网路7.4.3 连续型Hopfield网路7.4.4 Hopfield网路中的问题7.4.5 用Hopfield网路解决TSP问题7.5 随机神经网路7.5.1 模拟退火算法7.5.2 波尔兹曼机7.6 自组织神经网路7.6.1 竞争学习7.6.2 自组织特徵映射网路7.7 本章小结7.8 习题第8章人工智慧的其他领域8.1 模式识别8.1.1 模式识别的基本问题8.1.2 统计模式识别8.1.3 句法模式识别8.1.4 模糊模式识别8.1.5 神经网路模式识别8.1.6 模式识别的套用8.2 自然语言处理8.2.1 自然语言处理的基本问题8.2.2 语法分析8.2.3 语义分析8.2.4 大规模文本处理8.2.5 自然语言处理的套用8.3 智慧型体8.3.1 智慧型体模型8.3.2 多智慧型体系统的模型8.3.3 多智慧型体系统的协作、协商与协调8.3.4 多智慧型体系统的学习与规划8.3.5 智慧型体间的通信8.3.6 智慧型体的套用8.4 本章小结8.5 习题参考文献