人工智能基础教程2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能基础教程PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　概述1

1.1　什么是人工智能1

目录1

1.2　AI的产生及主要学派3

1.3　人工智能、专家系统和知识工程5

1.4　人工智能的技术特征7

1.5　AI模拟智能成功的标准9

1.6　人工智能应用系统9

2.1.1　如何定义状态空间及其搜索15

第2章 问题求解与搜索方法15

2.1 问题的状态和状态空间15

2.1.2　问题特征分析19

2.2　盲目的搜索方法24

2.2.1　宽度优先搜索24

2.2.2　深度优先搜索24

2.2.3　分支有界搜索24

2.3.1 启发式信息的表示25

2.2.4　迭代加深搜索25

2.3 启发式搜索方法25

2.3.2 几种最基本的搜索策略30

2.4　图搜索策略35

2.4.1 一个通用的图搜索算法35

2.4.2　A算法与A＊算法39

2.5 问题归约与AO＊算法48

2.5.1 问题归约求解方法与与／或图48

2.5.2　与／或图搜索50

2.5.3　与／或图搜索的特点51

2.5.4　与／或图搜索算法AO＊53

2.5.5　对AO＊算法的进一步观察54

2.5.6　用AO＊算法求解一个智力难题55

2.6　博弈59

2.6.1 概述59

2.6.2　极小极大搜索过程61

2.6.3 α-β剪枝算法64

习题268

第3章　知识表示与处理方法70

3.1 概述70

3.1.1 知识和知识表示的含义70

3.1.2 AI中知识表示方法分类71

3.1.3 AI对知识表示方法的要求72

3.1.4　知识表示要注意的问题73

3.2　逻辑表示法74

3.3.1　产生式系统的组成75

3.3　产生式表示法75

3.3.2　产生式系统的知识表示76

3.3.3　产生式系统的推理方式81

3.3.4　产生式规则的选择与匹配83

3.3.5　产生式表示的特点84

3.4　语义网络表示法85

3.4.1　语义网络结构85

3.4.2　二元语义网络的表示85

3.4.3　多元语义网络的表示86

3.4.4　连接词和量词的表示87

3.4.5　语义网络的推理过程91

3.4.6　语义网络的一般描述93

3.5　框架表示法94

3.5.1　框架理论94

3.5.2　框架结构94

3.5.3　框架表示下的推理97

3.6　过程式知识表示100

习题3103

4.1.1　基本概念105

第4章　谓词逻辑的归结原理及其应用105

4.1　命题演算的归结方法105

4.1.2　命题演算的归结方法106

4.2　谓词演算的归结107

4.2.1　谓词演算的基本问题107

4.2.2　将公式化成标准子句形式的步骤107

4.2.3　合一算法109

4.2.4　为什么要变量分离标准化112

4.2.5　谓词演算的归结算法113

4.3 归结原理114

4.3.1 谓词演算基础115

4.3.2　归结方法可靠性证明116

4.3.3 归结方法的完备性119

4.4　归结过程的控制策略128

4.4.1 简化策略128

4.4.2　支撑集策略130

4.4.3　线性输入策略131

4.5.1 归结方法132

4.5　几种归结方法及其应用实例132

4.5.2　归约及其应用134

4.5.3　利用一般归结和等式归结的推理实例137

习题4139

第5章　进一步的推理方法141

5.1　非单调推理141

5.1.1　单调推理与非单调推理的概念141

5.1.2　默认逻辑142

5.2.2 TMS中信念的状态143

5.2 非单调推理系统TMS143

5.2.1 TMS的依据143

5.2.3 TMS中信念的表示方法144

5.2.4 TMS中的证实和推理144

5.3　Dempster-Shafer（D-S）证据理论146

5.4　不确定性推理153

5.4.1 不确定性153

5.4.2　主观概率贝叶斯方法（Bayes Approaches）154

5.5　MYCIN系统的推理模型157

5.5.1　理论和实际的背景157

5.5.2 MYCIN模型159

5.5.3 MYCIN模型分析160

5.5.4 MYCIN推理网络的基本模式162

5.5.5 MYCIN确定性因子的评价164

5.6　模糊推理164

5.6.1　模糊集论与模糊逻辑（Fuzzy Sets and Fuzzy Logic）164

5.6.2　模糊聚类分析167

5.7　基于案例的推理174

5.7.1 基于案例推理的基本思想175

5.7.2　案例的表示与组织176

5.7.3　案例的检索177

5.7.4　案例的改写177

5.8　归纳法推理177

5.8.1 归纳法推理的理论基础178

5.8.2　归纳法推理的基本概念180

5.8.3　归纳法推理研究中的主要难点183

5.8.4　归纳法推理的研究成果184

习题5185

第6章　专家系统188

6.1　概述188

6.1.1　什么是专家系统188

6.1.2　专家系统的结构188

6.1.3　专家系统的特点189

6.1.4　专家系统的类型189

6.1.5　成功专家系统的实例191

6.2.1 概述192

6.2　知识获取的直接方法192

6.2.2　知识获取的直接方法194

6.2.3　知识获取的新进展195

6.3　专家系统的解释机制196

6.3.1　预制文本解释法196

6.3.2　路径跟踪解释法197

6.3.3 自动程序员解释法197

6.3.4　策略解释法198

6.4　专家系统开发工具与环境199

6.5　专家系统开发方法200

6.5.1　专家系统开发步骤200

6.5.2　专家系统开发方法202

6.6　专家系统开发实例202

6.6.1　动物识别专家系统203

6.6.2　MYCIN专家系统204

习题6205

7.1.2　机器学习的研究简史206

7.1.1　机器学习的定义和意义206

第7章　机器学习206

7.1　概述206

7.1.3　机器学习方法的分类207

7.1.4　机器学习中的推理方法209

7.2　归纳概念学习210

7.2.1 归纳概念学习的定义211

7.2.2　归纳概念学习的形式描述213

7.2.3　归纳概念学习算法的一般步骤214

7.2.5　归纳概念学习的基本技术215

7.2.4　归纳概念学习的复杂度和精确度215

7.3　基于解释的学习224

7.3.1 基于解释学习的基本原理224

7.3.2　基于解释学习的一般框架224

7.3.3　基于解释学习的过程225

7.4　基于类比的学习226

7.4.1　类比学习的一般原理226

7.4.2　类比学习的表示227

7.4.4　逐步推理和监控的类比学习228

7.4.3　类比学习的求解228

7.5　人工神经网络学习230

7.5.1　人工神经网络的发展简史230

7.5.2　人工神经网络的基本原理232

7.5.3　人工神经网络模拟的数学基础235

7.5.4　人工神经网络的基本结构模式237

7.5.5　人工神经网络的学习算法238

7.5.6　神经网络模型分类240

习题7243

第8章　自然语言处理244

8.1　语言的组成部分245

8.1.1　实词和虚词245

8.1.2　短语结构245

8.2　上下文无关语法246

8.2.1　重写规则246

8.2.2　语法分析247

8.3　上下文无关语法分析248

8.3.1 产生后继状态的算法249

8.3.2　利用词典251

8.3.3　建立语法分析树251

8.4　特殊语法的分析254

8.4.1 引进特征255

8.4.2　特征匹配256

8.5　利用图表的高效语法分析259

8.5.1　Chart数据结构259

8.5.2　有多种解释的句子259

8.6　语义解释261

8.6.1 词的意思（Sense）262

8.6.2　利用特征的语义解释263

8.6.3　消除词的多义意思265

8.7　生成自然语言266

8.8　在上下文中的自然语言267

8.8.1　言语的行为（Speech Acts）268

8.8.2　创建引用268

8.8.3　处理数据库的断言和问题269

习题8273

第9章　Agent技术275

9.1　Agent的定义275

9.1.1　Agent的弱定义276

9.1.2　Agent的强定义276

9.2　Agent的分类276

9.2.1　按功能划分277

9.2.2 按属性划分278

9.3　移动Agent281

9.2.3　其他的特殊Agent281

9.3.1 移动Agent系统的一般结构282

9.3.2　移动Agent的分类284

9.3.3　移动Agent的优点286

9.3.4　移动Agent的技术难点287

9.3.5　移动Agent技术的标准化288

9.4　移动Agent平台的介绍289

9.4.1　General Magic公司的Odyssey290

9.4.2　IBM公司的Aglet290

10.1.1 数据挖掘的产生和最新发展292

第10章　知识获取的新技术292

10.1　数据挖掘292

10.1.2　数据挖掘研究的主要内容293

10.1.3　数据挖掘的特点294

10.1.4　数据挖掘的分类294

10.1.5　数据挖掘中常用的技术295

10.1.6　数据挖掘过程296

10.1.7　数据挖掘的研究方向及面临的困难296

10.1.8　数据挖掘中的关联规则挖掘297

10.2.1 Web挖掘概述303

10.2　Web挖掘303

10.2.2 Web挖掘分类304

10.2.3 Web数据挖掘的技术难点310

10.3　文本挖掘310

10.3.1　文本挖掘的概念310

10.3.2　文本挖掘预处理311

10.3.3　文本挖掘的关键技术312

10.3.4　文本挖掘系统的评价标准313

11.1.1　遗传算法的基本概念314

第11章　遗传算法314

11.1 概述314

11.1.2　遗传算法的基本流程315

11.2　遗传编码316

11.2.1　二进制编码317

11.2.2　Gray编码318

11.2.3　实数编码318

11.2.4　有序编码318

11.2.5 结构式编码319

11.3　适应值函数319

11.4　遗传操作320

11.4.1　选择操作（Selection）320

11.4.2　交叉操作（Crossover）323

11.4.3　变异操作（Mutation）325

11.5　初始化群体326

11.6　控制参数的选取326

11.8.1　模式定理327

11.8　遗传算法的基本理论327

11.7　算法的终止准则327

11.8.2　隐含并行性329

11.8.3　构造块假设329

11.8.4　收敛性329

11.9　遗传算法简例329

11.10 遗传算法的应用领域332

习题11334

12.2　群集智能基本算法的介绍335

12.2.1 蚁群算法335

12.1　群集智能算法的研究背景335

第12章　群集智能算法335

12.2.2　Flock算法340

12.3　集智系统介绍342

12.3.1 “人工鱼”342

12.3.2　Terrarium世界346

12.4　群集智能的优缺点352

13.1.2　人工智能中不协调的数据和知识库353

13.1.1　传统的人工智能与经典逻辑353

13.1 次协调逻辑的概述353

第13章　次协调逻辑与自动推理353

13.1.3　次协调逻辑的含义354

13.2　注解谓词演算354

13.2.1 多真值格354

13.2.2　注解逻辑356

13.2.3　注解谓词公式的语义356

13.2.4　APC中的不协调、非、蕴含359

13.3 基于APC的SLDa－推导和SLDa－反驳361

13.3.1 SLDa－推导和SLDa－反驳361

13.3.2　注解逻辑推理方法362

13.3.3　注解逻辑推理举例362

13.4　注解逻辑的归结原理364

13.5　应用实例368

13.6　控制策略375

习题13376

参考文献377