人工智能导论（第3版）

图书标准信息

• 作者 丁世飞 著
• 出版社 电子工业出版社
• 出版时间 2020-01
• 版次 1
• ISBN 9787121363955
• 定价 56.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 310页
• 字数 518千字

【内容简介】

　　《人工智能导论（第3版）》主要阐述人工智能的基本原理、方法和应用技术。全书共13章，除第1章讨论人工智能基本概念、第13章讨论人工智能的争论与展望外，其余11章按照“基本智能+典型应用+计算智能”三个模块编排内容。一个模块为人工智能经典的三大技术，分别为知识表示技术、搜索技术和推理技术，主要包括知识表示、确定性推理、搜索策略、不确定性推理；第二个模块为人工智能的典型应用领域，包括机器学习、支持向量机和专家系统；第三个模块为计算智能与群智能，包括神经计算、进化计算、模糊计算和群智能。
　　该书力求科学性、模块化、实用性。内容由浅入深、循序渐进，条理清晰，让读者在有限的时间内，掌握人工智能的基本原理、基本方法和应用技术。该书为教师提供习题答案。
　　该书可作为计算机科学与技术、智能科学与技术、人工智能、自动化、机器人工程等相关专业的教材，也可供从事人工智能研究与应用的科技工作者学习参考。

【作者简介】

丁世飞，男，毕业于中国科学院计算技术研究所，中国矿业大学教授，博士生导师。从事人工智能、机器学习、模式识别、数据挖掘、大数据智能分析、生物信息识别、粗糙集与软计算等方面理论与应用研究。主持国家重点基础研究计划（973计划）课题1项、国家自然科学基金面上项目2项、江苏省自然科学基金项目1项、中国博士后科学基金1项、国家重点实验室开放基金3项；参加国家”863”高技术项目1项、国家自然科学基金重点项目1项、国家自然科学基金面上项目3项等。近年来，出版专著4部，申请或授权发明专利10项，在国内外重要学术期刊上发表研究论文200余篇，其中被SCI检索100余篇，其中被计算机学科ESI检索20余篇。

【目录】

目  录
第1章  绪论1
1．1  人工智能的概念1
1．1．1  智能的定义1
1．1．2  人工智能的定义3
1．2  人工智能的产生和发展5
1．2．1  孕育期（20世纪50年代中期以前）5
1．2．2  形成及第一个兴旺期（20世纪50年代中期至60年代中期）6
1．2．3  萧条波折期（20世纪60年代中期至70年代中期）7
1．2．4  第二个兴旺期（20世纪70年代中期至80年代中期）8
1．2．5  稳步增长期（20世纪80年代中期至今）10
1．2．6  中国的人工智能发展11
1．3  人工智能的主要学派12
1．3．1  符号主义学派12
1．3．2  连接主义学派13
1．3．3  行为主义学派14
1．4  人工智能的主要研究内容14
1．5  人工智能的主要应用领域17
小结24
习题124
第2章  知识表示25
2．1  知识表示概述25
2．1．1  知识的概念25
2．1．2  知识表示的概念26
2．2  一阶谓词逻辑表示法27
2．2．1  命题27
2．2．2  谓词28
2．2．3  谓词公式29
2．2．4  谓词逻辑表示30
2．2．5  谓词逻辑表示法的特点33
2．3  产生式表示法33
2．3．1  产生式表示的基本方法33
2．3．2  产生式系统的基本结构35
2．3．3  产生式系统的分类36
2．3．4  产生式表示法的特点37
2．4  语义网络表示法39
2．4．1  语义网络的基本概念39
2．4．2  语义网络的基本语义关系39
2．4．3  语义网络表示知识的方法41
2．4．4  语义网络的推理过程45
2．4．5  语义网络表示法的特点46
2．5  框架表示法46
2．5．1  框架结构46
2．5．2  框架表示48
2．5．3  框架表示的推理过程50
2．5．4  框架表示法的特点50
2．6  脚本表示法50
2．7  面向对象表示法54
小结56
习题257
第3章  确定性推理59
3．1  推理概述59
3．1．1  推理的概念59
3．1．2  推理的分类59
3．1．3  推理的控制策略61
3．2  推理的逻辑基础63
3．2．1  谓词公式的永真性和可满足性63
3．2．2  置换与合一65
3．3  自然演绎推理68
3．4  归结演绎推理69
3．4．1  子句型69
3．4．2  鲁滨逊归结原理72
3．4．3  归结演绎推理的归结策略76
3．4．4　用归结原理求取问题的答案81
小结81
习题382
第4章  搜索策略85
4．1  搜索概述85
4．2  一般图搜索86
4．2．1  图搜索的基本概念86
4．2．2  状态空间搜索87
4．2．3  一般图搜索过程91
4．3  盲目搜索92
4．3．1  宽度优先搜索93
4．3．2  深度优先搜索95
4．3．3  有界深度搜索和迭代加深搜索97
4．3．4  搜索最优策略的比较98
4．4  启发式搜索99
4．4．1  启发性信息和评估函数99
4．4．2  启发式搜索A算法100
4．4．3  实现启发式搜索的关键因素102
4．4．4  A*算法103
4．4．5  迭代加深A*算法106
4．5  回溯搜索和爬山法107
4．5．1  爬山法107
4．5．2  回溯策略108
4．6  问题规约109
4．7  与/或图搜索111
4．7．1  与/或图表示111
4．7．2  与/或图的启发式搜索113
4．8  博弈117
4．8．1  极大极小过程119
4．8．2  α?β过程121
小结122
习题4123
第5章  不确定性推理125
5．1  不确定性推理概述125
5．1．1  不确定性推理的概念125
5．1．2  知识不确定性的来源125
5．1．3  不确定性推理要解决的基本问题126
5．1．4  不确定性推理方法的分类128
5．2  概率方法129
5．2．1  概率论基础129
5．2．2  经典概率方法130
5．2．3  逆概率方法130
5．3  主观贝叶斯方法132
5．3．1  规则不确定性的表示132
5．3．2  证据不确定性的表示134
5．3．3  组合证据不确定性的计算135
5．3．4  不确定性推理135
5．3．5  结论不确定性的合成算法137
5．4  确定性理论140
5．4．1  可信度140
5．4．2  CF模型142
5．4．3  确定性方法的说明145
5．5  证据理论146
5．5．1  证据理论的形式描述147
5．5．2  证据理论的推理模型150
5．5．3  证据不确定性的表示152
5．5．4  规则不确定性的表示152
5．5．5  不确定性的推理152
5．5．6  组合证据的不确定性计算152
5．6  模糊推理155
5．6．1  模糊数学的基本知识155
5．6．2  模糊假言推理157
小结160
习题5161
第6章  机器学习163
6．1  机器学习概述163
6．1．1  学习与机器学习163
6．1．2  学习系统164
6．1．3  机器学习的发展简史166
6．1．4  机器学习的分类167
6．1．5  机器学习的应用和研究目标168
6．2  归纳学习169
6．2．1  归纳学习的基本概念169
6．2．2  变型空间学习171
6．2．3  归纳偏置173
6．3  决策树学习174
6．3．1  决策树的组成及分类174
6．3．2  决策树的构造算法CLS175
6．3．3  基本的决策树算法ID3177
6．3．4  决策树的偏置179
6．4  基于实例的学习180
6．4．1  k?近邻算法180
6．4．2  距离加权最近邻法181
6．4．3  基于范例的学习181
6．5  强化学习186
6．5．1  强化学习模型186
6．5．2  马尔可夫决策过程187
6．5．3  Q学习188
小结190
习题6191
第7章  支持向量机193
7．1  支持向量机概述193
7．2  统计学习理论194
7．2．1  学习问题的表示194
7．2．2  期望风险和经验风险195
7．2．3  VC维理论196
7．2．4  推广性的界197
7．2．5  结构风险最小化198
7．3  支持向量机的构造199
7．3．1  函数集结构的构造199
7．3．2  支持向量机的模式200
7．4  核函数203
7．4．1  核函数概述203
7．4．2  核函数的分类204
7．5  SVM的算法及多类SVM205
7．6  用于非线性回归的SVM206
7．7  支持向量机的应用207
小结209
习题7209
第8章  专家系统210
8．1  专家系统概述210
8．1．1  专家系统的特性210
8．1．2  专家系统的结构和类型211
8．2  基于规则的专家系统213
8．3  基于框架的专家系统215
8．4  基于模型的专家系统217
8．5  专家系统的开发219
8．5．1  专家系统的开发过程219
8．5．2  专家系统的知识获取220
8．5．3  专家系统的开发工具和环境222
8．6  专家系统设计举例224
8．6．1  专家知识的描述224
8．6．2  知识的使用227
8．6．3  决策的解释230
8．6．4  MYCIN系统230
8．7  新型专家系统231
小结233
习题8234
第9章  神经计算235
9．1  神经计算概述235
9．2  感知器237
9．2．1  感知器的结构237
9．2．2  感知器的学习算法238
9．3  反向传播网络240
9．3．1  BP网络的结构240
9．3．2  BP网络的学习算法241
9．4  自组织映射神经网络244
9．4．1  SOM网络结构244
9．4．2  SOM网络的学习算法244
9．5  Hopfield网络246
9．5．1  离散Hopfield网络的结构246
9．5．2  离散Hopfield网络的稳定性247
9．5．3  离散Hopfield 网络的学习算法247
9．6  脉冲耦合神经网络248
9．6．1  PCNN的结构248
9．6．2  PCNN的学习算法249
9．7  深度神经网络249
小结250
习题9251
第10章  进化计算252
10．1  进化计算概述252
10．2  遗传算法253
10．2．1  遗传算法的基本原理253
10．2．2  遗传算法的应用示例255
10．2．3  模式定理257
10．2．4  遗传算法的改进259
10．3  进化规划260
10．3．1  标准进化规划及其改进261
10．3．2  进化规划的基本技术262
10．4  进化策略263
10．4．1  进化策略及其改进263
10．4．2  进化策略的基本技术264
10．5  GA、EP、ES的异同266
小结267
习题10267
第11章  模糊计算268
11．1  模糊集合的概念268
11．1．1  模糊集合的定义268
11．1．2  模糊集合的表示方法268
11．2  模糊集合的代数运算273
11．3  正态模糊集和凸模糊集275
11．4  模糊关系276
11．4．1  模糊关系的概述276
11．4．2  模糊关系的性质277
11．5  模糊判决277
11．6  模糊数学在模式识别中的应用278
11．6．1  最大隶属度原则278
11．6．2  择近原则279
小结280
习题11280
第12章  群智能282
12．1  群智能概述282
12．1．1  群智能优化算法定义282
12．1．2  群智能优化算法原理283
12．1．3  群智能优化算法特点283
12．2  蚁群算法283
12．2．1  蚁群算法概述283
12．2．2  蚁群算法的数学模型284
12．2．3  蚁群算法的改进286
12．2．4  蚁群算法的应用示例287
12．3  粒子群优化算法288
12．3．1  粒子群优化算法基本思想288
12．3．2  粒子群优化算法基本框架288
12．3．3  粒子群优化算法参数分析与改进290
12．3．4  粒子群优化算法的应用示例291
12．4  其他群智能优化算法292
12．4．1  人工鱼群算法292
12．4．2  细菌觅食算法295
12．4．3  混合蛙跳算法297
12．4．4  果蝇优化算法298
小结299
习题12300
第13章  争论与展望301
13．1  争论301
13．1．1  对人工智能理论的争论301
13．1．2  对人工智能方法的争论302
13．1．3  对人工智能技术路线的争论302
13．1．4  对强弱人工智能的争论303
13．2  展望304
13．2．1  更新的理论框架304
13．2．2  更好的技术集成305
13．2．3  更成熟的应用方法305
13．2．4  脑机接口306
小结306
习题13307
附录A  参考答案308
参考文献309