人工智能

图书标准信息

• 作者 刘凤岐 著
• 出版社 机械工业出版社
• 出版时间 2011-07
• 版次 1
• ISBN 9787111349709
• 定价 38.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 346页
• 正文语种 简体中文
• 丛书 面向计算机科学与技术专业规范系列教材

【内容简介】

 《人工智能》教全面地介绍了人工智能领域的各种课题，其中包括使用神经网络和遗传算法的感知和适应性、附有本体论的智能agent、自动推理、自然语言分析，以及机器学习的随机途径。论述的许多技术和策略可用于应对现今计算机科学面临的众多挑战。此外，《人工智能》进一步从哲学、心理学和神经生理学等角度讨论了人工智能研究工作。

 《人工智能》可作为高等院校研究生的教材，还可供从事人工智能研究和应用的专业人员参考。

【作者简介】

刘凤岐，国防科技大学原计算机系教授，长期从事计算机应用和人工智能的教学和研究工作。自上世纪80年代中期至上世纪末一直带领学生承担国家“863”计划中关于“人工智能程序设计与环境”、“专家系统开发工具”等的研究课题，获省、部级科技进步奖六项。发表论文20余篇，并编著了《逻辑程序设计原理和方法》。1990年获国家“中青年有突出贡献专家”称号，享受政府特殊津贴。

【目录】

出版者的话

序言

前言

第1章导论

1.1人工智能的定义与基础

1.1.1何谓人工智能？

1.1.2ai基础简史

1.1.3ai与唯理主义和经验主义传统

1.1.4形式逻辑的发展

1.1.5图灵测试

1.1.6智能的生物与社会模型agent理论

1.2ai应用领域概述

1.2.1博弈

1.2.2自动推理与定理证明

1.2.3专家系统

1.2.4自然语言理解

1.2.5模拟人的性能

1.2.6规划与机器人

1.2.7ai语言和环境

1.2.8机器学习

1.2.9神经网络与遗传算法

1.2.10ai与哲学

1.3人工智能概要

练习

第2章表示与搜索导引

2.1表示系统

2.2搜索

第3章谓词演算

3.1命题演算

3.1.1语法

3.1.2语义

3.2谓词演算

3.2.1语法

3.2.2语义

3.3谓词演算的推断规则

3.3.1推断规则

3.3.2一致化

3.4应用：基于逻辑的家庭财务咨询系统

练习

第4章状态空间搜索

4.1状态空间搜索的结构

4.1.1图论

4.1.2有限状态机

4.1.3问题的状态空间表示

4.2状态空间搜索策略

4.2.1数据驱动和目标驱动的搜索

4.2.2广度优先和深度优先搜索

4.2.3逐步加深的深度优先搜索

4.3与/或图和逻辑推理

4.4应用：家庭财务咨询系统

练习

第5章启发式搜索

5.1爬山法和动态规划

5.1.1爬山法

5.1.2动态规划

5.2最好优先搜索算法

5.2.1实现最好优先搜索

5.2.2实现启发估价函数

5.2.3启发式搜索与专家系统

5.3可采纳性、单调性及信息度

5.3.1可采纳性

5.3.2单调性

5.3.3a*算法的比较

5.4搜索博弈图

5.4.1极小极大程序

5.4.2固定深度的minimax

5.4.3αβ剪枝

5.5计算复杂度问题

练习

第6章状态空间搜索的控制算法

6.1基于递归的搜索

6.1.1递归搜索

6.1.2递归搜索示例：模式驱动的推理

6.2产生式系统

6.2.1定义及简史

6.2.2产生式系统示例

6.2.3搜索的控制

6.2.4产生式系统的优点

6.3问题求解的黑板体系

练习

第7章知识表示

7.1ai表示研究简史

7.1.1含义的联想主义理论

7.1.2语义网络的早期工作

7.1.3网络关系的标准化

7.1.4脚本

7.1.5框架

7.2概念图

7.2.1概念图导引

7.2.2类型、个体和名称

7.2.3类型的层次结构

7.2.4概念图的操作

7.2.5命题节点

7.2.6概念图与逻辑

7.3替代显式表示

7.3.1brooks的包容体系

7.3.2多种表示、本体论与知识服务

7.4基于agent的分布式问题求解

7.4.1面向agent的问题求解：一种定义

7.4.2agent范型的示例及其存在问题

练习

第8章知识系统

8.1专家系统技术概述

8.1.1设计基于规则的专家系统

8.1.2问题领域的选择与知识工程过程

8.1.3概念模型及其在知识获取中的作用

8.2基于规则的专家系统

8.2.1产生式系统与目标驱动的问题求解

8.2.2目标驱动的推理的解释与透明性

8.2.3产生式系统与数据驱动的推理

8.2.4专家系统的启发性与控制

8.3基于模型、基于事例和混合系统

8.3.1基于模型的推理导引

8.3.2基于模型的推理：nasa的例子

8.3.3基于事例的推理导引

8.3.4混合设计

8.4规划

8.4.1strips

8.4.2目的反应式规划

8.4.3规划：nasa的例子

练习

第9章不确定推理

9.1基于逻辑的反绎推理

9.1.1非单调推理逻辑

9.1.2真值维护系统

9.1.3基于最小模型的逻辑

9.1.4集合覆盖与基于逻辑的反绎

9.2反绎：替代逻辑

9.2.1肯定因数代数

9.2.2模糊推理

9.2.3dempster和shafer的证据论

9.3不确定性的随机途径

9.3.1有向图模型：贝叶斯信念网络

9.3.2有向图模型：d分隔

9.3.3有向图模型：推理算法

9.3.4有向图模型：动态贝叶斯网络

9.3.5markov模型：离散markov过程

9.3.6markov模型：改型

练习

第10章基于符号的机器学习

10.1基于符号的学习框架

10.2版本空间搜索

10.2.1一般化操作与概念空间

10.2.2候选排除算法

10.2.3lex：归纳搜索启发式

10.2.4候选排除算法的评价

10.3id3决策树归纳算法

10.3.1自顶向下归纳决策树

10.3.2信息论的测试选择

10.3.3评价id3

10.3.4决策树的数据问题

10.4归纳偏向与学习能力

10.4.1归纳偏向

10.4.2学习能力理论

10.5知识与学习

10.5.1基于解释的学习

10.5.2类比推理

10.6无监督的学习

10.6.1发现与无监督的学习

10.6.2概念聚类

10.6.3cobweb与分类知识的结构

10.7增强式学习

10.7.1增强式学习的成分

10.7.2示例：井字棋博弈

10.7.3增强式学习的推理算法

练习

第11章神经网络

11.1神经网络基础

11.2感知器学习

11.2.1感知器训练算法

11.2.2感知器学习用于分类

11.2.3梯度下降法与δ规则

11.3反向传播学习

11.3.1反向传播算法

11.3.2例1：nettalk

11.3.3例2：异或函数

11.4竞争学习

11.4.1分类的wta学习算法

11.4.2kohonen的学习原型网络

11.4.3重复传播网络

11.5hebb的叠合学习

11.5.1无监督hebb学习示例

11.5.2有监督hebb学习

11.5.3结合存储与线性结合器

11.6吸引状态网络

11.6.1双向结合存储

11.6.2bam处理示例

11.6.3自结合存储与hopfield网络

练习

第12章学习的遗传与浮现模型

12.1遗传算法

12.1.1遗传算法示例

12.1.2遗传算法的评价

12.2分类器系统与遗传程序设计

12.2.1分类器系统

12.2.2遗传程序设计

12.3人工生命和基于社会的学习

12.3.1“生命博弈”

12.3.2进化规划

12.3.3浮现的专题研究

练习

第13章自动推理

13.1通用问题求解器

13.2归结定理证明器

13.2.1谓词演算表达式化为短句集合

13.2.2归结证明程序

13.2.3归结策略和简化技术

13.2.4由归结反驳抽取答案

13.3prolog与自动推理

练习

第14章自然语言理解

14.1理解语言的符号途径

14.2语法

14.2.1上下文无关文法的规范与分析

14.3跃迁网分析器与语义

14.3.1跃迁网分析器

14.3.2chomsky层次与上下文有关文法

14.3.3语义：atn分析器

14.3.4用atn组合语法和语义知识

14.4语言理解的随机工具

14.4.1语法分析的概率途径

14.4.2概率上下文无关分析器

14.5自然语言的应用

14.5.1故事理解与回答问题

14.5.2数据库前端

14.5.3对web的信息抽取和摘要系统

练习

第15章结束语：评述与展望

15.1对ai几种途径的评述

15.1.1智能与物理符号系统假设

15.1.2连接主义计算

15.1.3agent、浮现与智能

15.1.4概率模型和随机技术

15.2现代认知科学

15.2.1心理学的约束

15.2.2认识论问题

15.3ai：当前的挑战与未来方向

附录a随机方法导论

附录b随机方法的应用

参考文献