人工智能基础（原书第2版）

图书标准信息

• 作者 [日]马场口登、[日]山田诚二 著；张丹 译
• 出版社 机械工业出版社
• 出版时间 2020-11
• 版次 1
• ISBN 9787111658283
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 152页
• 字数 208千字

【内容简介】

《人工智能基础（原书第2版）》把近年来AI发展历程中的重要事件一一进行了梳理，不仅回顾了AI的诞生、发展，还详细归纳整理了当前AI研究的核心问题 ― 规划、推理、机器学习等，又在此基础上对人工智能未来的发展方向给出了一定的预期，包括分布式AI及进化计算等方面，很好地回答了所谓“人工智能的基础究竟是什么”这一问题。本书内容直观全面，用词简洁易懂，阐述深入浅出，科普性较强，可以说本书既是一本AI入门级阅读资料，又是一本适合各大高校开设人工智能专业非常具有可选性和实用性的基础教材。

【目录】

目 录

 

译者序

 

第 2 版前言

 

第 1 版前言

 

第 1 章 何谓人工智能  

 

1.1 何谓智能 

 

1.1.1 智能的相关词汇 

 

1.1.2 人类智能与机器智能 

 

1.1.3 能否测定机器智能 

 

1.2 人工智能的定义 

 

1.3 人工智能的历史 

 

1.3.1 萌芽期 

 

1.3.2 AI 的起点 ― 达特茅斯会议 

 

1.3.3 AI 的创始期

 

1.3.4 AI 的第一时代 ― 智能时代 

 

1.3.5 AI 的第二时代 ― 知识时代 

 

1.3.6 AI 的发展期 

 

1.3.7 AI 的高峰期 

 

1.3.8 AI 的第三时代 ― 智能体时代 

 

1.4 AI 的研究对象习题

 

参考文献 

 

第 2 章 问题的解决 

 

2.1 问题解决的过程 

 

2.2  AI 的对象问题 

 

2.3 问题的定型化方法 

 

2.3.1 状态空间法 

 

2.3.2 问题分割法 

 

2.3.3 手段 - 目的分析 

 

习题 

 

参考文献 

 

第 3 章 搜索 

 

3.1 盲目搜索法 

 

3.1.1 纵向搜索 

 

3.1.2 横向搜索 

 

3.1.3 纵向搜索与横向搜索的比较 

 

3.1.4 迭代加深搜索 

 

3.2 启发式搜索 

 

3.2.1 爬山算法 

 

3.2.2 最佳优先搜索 

 

3.2.3 A * 算法 

 

3.2.4 实时 A * 算法 

 

3.2.5 启发式函数的具体实例 

 

3.3 博弈树的搜索 

 

3.3.1 极小极大算法 

 

3.3.2 α-β 算法 

 

3.3.3 游戏编程现状 

 

习题 

 

参考文献 

 

第 4 章 知识表示 

 

4.1 知识库系统 

 

4.1.1 问题解决与知识库系统 

 

4.1.2 知识与知识库 

 

4.1.3 知识库系统的特征 

 

4.2 知识处理的三个阶段 

 

4.3 知识的分类 

 

4.3.1 专业知识与常识 1

 

4.3.2 陈述性知识和程序性知识 

 

4.3.3 经验知识和理论知识 

 

4.3.4 行业知识和任务知识 

 

4.3.5 完整的知识和不完整的知识 

 

4.4 知识表示概要 

 

4.5 代表性知识表示法 

 

4.5.1 生产规则 

 

4.5.2 语义网 

 

4.5.3 框架系统 

 

4.5.4 逻辑 

 

4.5.5 逻辑编程 

 

4.6 本体论 

 

4.6.1 本体论的定义及构成要素 

 

4.6.2 本体论的分类 

 

4.7 语义网和关联开放数据 

 

习题 

 

参考文献 

 

第 5 章 规划 

 

5.1 STRIPS 规划 5.2 偏序规划 

 

5.3 反应式规划 

 

5.3.1 反应式规划的具体事例 

 

5.3.2 包容体系结构 

 

习题 

 

参考文献 

 

第 6 章 推理 

 

6.1 演绎、归纳、溯因 

 

6.2 常识推理 

 

6.2.1 缺省逻辑 

 

6.2.2 限界 

 

6.2.3 自认知逻辑 

 

6.2.4 封闭世界假设 

 

6.3 假设推理 

 

6.4 类推 

 

6.5 贝叶斯网络 

 

习题 

 

参考文献 

 

第 7 章 机器学习 

 

7.1 归纳学习 

 

7.1.1 假设空间的探索 

 

7.1.2 变形空间法 7.1.3 偏置 

 

7.2 基于解释的学习（EBL） 

 

7.2.1 基于解释的泛化（EBG） 

 

7.2.2 宏操作符学习系统 

 

7.3 决策树的归纳学习 

 

7.4 强化学习 

 

7.4.1 Q 学习 

 

7.4.2 桶队和利益共享 

 

7.5 最邻近法 

 

7.6 支持向量机 

 

7.7 关联规则的学习 

 

7.7.1 关联规则 

 

7.7.2 Apriori 算法 

 

7.8 聚类 

 

7.8.1 k-means 法 

 

7.8.2 层次聚类 

 

习题 

 

参考文献 

 

第 8 章 分布式人工智能和进化计算 

 

8.1 分布式人工智能 

 

8.1.1 黑板模型 8.1.2 合同网协议 

 

8.2 进化计算 

 

8.2.1 遗传算法 

 

8.2.2 遗传编程 

 

8.2.3 进化学习 

 

习题 

 

参考文献 

 

第 9 章 智能体和智能交互系统 

 

9.1 智能体框架 

 

9.1.1 智能体的抽象模型 

 

9.1.2 智能体的分类 

 

9.1.3 环境 

 

9.1.4 智能体的程序 

 

9.1.5 智能体的学习 

 

9.2 人机交互 

 

9.2.1 HAI 中智能体定义的延伸 

 

9.2.2 HAI 中的交互设计 

 

9.2.3 适应差距 

 

9.3 智能交互系统 

 

9.3.1 交互式机器学习 

 

9.3.2 用户适应系统 

 

习题 

 

参考文献