人工智能导论 第2版

图书标准信息

• 作者 鲍军鹏 张选平 编著
• 出版社 机械工业出版社
• 出版时间 2020-08
• 版次 2
• ISBN 9787111660521
• 定价 75.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 336页
• 字数 538千字

【内容简介】

《人工智能导论 第2版》系统地阐述了人工智能的基本理论、基本技术、研究方法和应用领域，全面地反映了人工智能研究领域的发展，并根据人工智能的发展动向对一些传统内容做了取舍，如详细介绍了机器学习方面的内容。《人工智能导论 第2版》共分为8章，内容涉及人工智能的基本概念、知识工程、确定性推理和不确定性推理、搜索与优化策略、机器学习、人工神经网络与深度学习，以及模式识别、自然语言处理和多智能体等。每章后面附有习题，以供读者练习。
  《人工智能导论 第2版》充分考虑到人工智能领域的发展动态，注重系统性、新颖性、实用性和可读性，内容由浅入深、循序渐进、条理清晰。
  《人工智能导论 第2版》适合作为计算机专业本科生和其他相关专业本科生、研究生的教材，也可作为有关科技人员的参考书。

【目录】

前言

第1章绪论

11什么是人工智能

111关于智能

112人工智能的研究目标

12人工智能发展简史

13人工智能的研究方法

131人工智能的研究特点

132人工智能的研究途径

133人工智能研究资源

14人工智能研究及应用领域

141模式识别

142自然语言处理

143机器学习与数据挖掘

144人工神经网络与深度学习

145博弈

146多智能体

147专家系统

148计算机视觉

149自动定理证明

1410智能控制

1411机器人学

1412人工生命

15本章小结

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网络结构表示法

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35知识图谱

24基于知识的系统

241什么是知识系统

242专家系统

243问答系统

244知识系统举例

25本章小结

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归结原理

332归结策略

333应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

习题

第4章不确定性推理

41概述

42基本概率方法

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1D-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应用

48本章小结

习题

第5章搜索与优化策略

51概述

511什么是搜索

512状态空间表示法

513与或树表示法

52状态空间搜索

521状态空间的一般搜索过程

522广度优先搜索

523深度优先搜索

524有界深度优先搜索

525启发式搜索

526A*算法

53与或树搜索

531与或树的一般搜索过程

532与或树的广度优先搜索

533与或树的深度优先搜索

534与或树的有序搜索

535博弈树的启发式搜索

536剪枝技术

537人机对弈与AlphaGo

54智能优化搜索

541NP问题

542优化问题

543遗传算法

544蚁群算法

545粒子群算法

546智能优化搜索应用案例

55本章小结

习题

第6章机器学习

61概述

611什么是机器学习

612机器学习方法分类

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2ID3算法

623决策树学习的常见问题

624随机森林算法

625决策树学习应用案例

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贝叶斯网络

634EM算法

635贝叶斯学习应用案例

64统计学习

641小样本统计学习理论

642支持向量机

643核函数

644支持向量机应用案例

65聚类

651聚类问题

652分层聚类方法

653划分聚类方法

654基于密度的聚类方法

655基于网格的聚类方法

656聚类算法应用案例

66特征选择与表示学习

661特征提取与选择

662常用的特征函数

663主成分分析

664表示学习

665表示学习应用案例

67其他学习方法

671k近邻算法

672强化学习

673隐马尔可夫模型

68本章小结

习题

第7章人工神经网络与深度学习

71概述

711人脑神经系统

712人工神经网络的研究内容与特点

713人工神经网络基本形态

714深度学习

72前馈神经网络

721感知器模型

722反向传播算法

723卷积神经网络

724前馈神经网络应用案例

73反馈神经网络

731循环神经网络

732长短期记忆网络

733双向循环神经网络

734反馈神经网络应用案例

74本章小结

习题

第8章人工智能的其他领域

81模式识别

811模式识别的基本问题

812图像识别

813人脸识别

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信息检索

823机器翻译

824自动问答

83多智能体

831多智能体系统模型

832多智能体系统的学习与协作

833多智能体系统的主要研究内容

834多智能体系统应用案例

84本章小结

习题

参考文献