人工智能导论2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能导论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　绪论1

1.1　什么是人工智能1

1.1.1　关于智能1

1.1.2　人工智能的研究目标2

1.2　人工智能发展简史3

1.3　人工智能研究方法8

1.3.1　人工智能研究的特点8

1.3.2　人工智能研究的途径9

1.3.3　人工智能研究的资源11

1.4　人工智能研究及应用领域12

1.4.1　问题求解与博弈12

1.4.2　专家系统13

1.4.3　自动定理证明14

1.4.4　机器学习15

1.4.5　人工神经网络16

1.4.6　模式识别17

1.4.7　计算机视觉17

1.4.8　自然语言处理18

1.4.9　智能体19

1.4.10　智能控制20

1.4.11　机器人学21

1.4.12　人工生命22

1.5　本章小结23

1.6　习题23

第2章　知识工程24

2.1　概述24

2.2　知识表示方法26

2.2.1　经典逻辑表示法26

2.2.2　产生式表示法27

2.2.3　层次结构表示法32

2.2.4　网络结构表示法34

2.2.5　其他表示法36

2.3　知识获取与管理39

2.3.1　知识获取的任务39

2.3.2　知识获取的方式41

2.3.3　知识管理42

2.3.4　本体论44

2.4　基于知识的系统46

2.4.1　什么是知识系统46

2.4.2 专家系统47

2.4.3　知识系统举例48

2.5　本章小结51

2.6　习题51

第3章　确定性推理53

3.1　概述53

3.1.1　推理方式与分类53

3.1.2　推理控制策略54

3.1.3　知识匹配55

3.2　自然演绎推理57

3.3　归结演绎推理59

3.3.1　海伯伦理论59

3.3.2　鲁宾逊归结原理62

3.3.3　归结反演65

3.3.4　归结策略66

3.3.5　应用归结原理求解问题73

3.4　与或形演绎推理76

3.4.1　与或形正向演绎推理76

3.4.2　与或形逆向演绎推理79

3.4.3　与或形双向演绎推理81

3.5　本章小结82

3.6　习题83

第4章　不确定性推理85

4.1　概述85

4.2　基本概率方法88

4.3　主观贝叶斯方法90

4.3.1　不确定性的表示91

4.3.2　不确定性的传递算法92

4.3.3　结论不确定性的合成算法95

4.4　可信度方法96

4.4.1　基本可信度模型96

4.4.2　带阈值限度的可信度模型98

4.4.3　加权的可信度模型99

4.4.4　前件带不确定性的可信度模型100

4.5　模糊推理102

4.5.1　模糊理论102

4.5.2　简单模糊推理110

4.5.3　模糊三段论推理116

4.5.4　多维模糊推理118

4.5.5　多重模糊推理121

4.5.6　带有可信度因子的模糊推理121

4.6　证据理论123

4.6.1　D-S理论123

4.6.2　基于证据理论的不确定性推理125

4.7　粗糙集理论128

4.7.1　粗糙集理论的基本概念128

4.7.2　粗糙集在知识发现中的应用132

4.8　本章小结133

4.9　习题134

第5章　搜索策略137

5.1　概述137

5.1.1　什么是搜索137

5.1.2　状态空间表示法137

5.1.3　与或树表示法139

5.2　状态空间搜索142

5.2.1　状态空间的一般搜索过程142

5.2.2　广度优先搜索143

5.2.3　深度优先搜索145

5.2.4　有界深度优先搜索146

5.2.5　启发式搜索148

5.2.6　A*算法151

5.3　与或树搜索154

5.3.1　与或树的一般搜索过程154

5.3.2　与或树的广度优先搜索155

5.3.3　与或树的深度优先搜索156

5.3.4　与或树的有序搜索157

5.3.5　博弈树的启发式搜索161

5.3.6　剪枝技术164

5.4　本章小结164

5.5　习题165

第6章　机器学习167

6.1　概述167

6.1.1　什么是机器学习167

6.1.2　机器学习方法的分类169

6.1.3　机器学习的基本问题171

6.1.4　评估学习结果173

6.2　决策树学习176

6.2.1　决策树表示法177

6.2.2　ID3算法178

6.2.3　决策树学习的常见问题180

6.2.4　用决策树学习客户分类182

6.3　贝叶斯学习186

6.3.1　贝叶斯法则186

6.3.2　朴素贝叶斯方法189

6.3.3　贝叶斯网络189

6.3.4　EM算法191

6.3.5　用贝叶斯方法过滤垃圾邮件193

6.4　统计学习194

6.4.1　统计学习理论195

6.4.2　支持向量机198

6.4.3　核函数201

6.4.4　基于支持向量机的车牌识别202

6.5　遗传算法205

6.5.1　进化计算205

6.5.2　遗传算法原理207

6.5.3　问题编码策略210

6.5.4　遗传算子213

6.5.5　遗传算法的理论分析217

6.5.6　用遗传算法解决TSP问题219

6.6　聚类221

6.6.1　聚类问题222

6.6.2　分层聚类方法223

6.6.3　划分聚类方法226

6.6.4　基于密度的聚类方法227

6.6.5　基于网格的聚类方法229

6.6.6　股票信息的聚类分析230

6.7　特征选择与提取232

6.7.1　特征选择232

6.7.2　常用的特征函数233

6.7.3　主成分分析234

6.8　其他学习方法235

6.8.1　强化学习235

6.8.2　隐马尔可夫模型237

6.9　本章小结239

6.10　习题239

第7章　人工神经网络241

7.1　概述241

7.1.1　人脑神经系统241

7.1.2　人工神经网络的研究内容与特点244

7.1.3　人工神经网络的基本形态245

7.2　感知器249

7.2.1　简单感知器249

7.2.2　多层感知器252

7.3　前馈神经网络253

7.3.1　反向传播算法253

7.3.2　反向传播算法中的问题258

7.3.3　径向基函数网络259

7.4　反馈神经网络262

7.4.1　Hopfield网络263

7.4.2　离散型Hopfield网络263

7.4.3　连续型Hopfield网络265

7.4.4　Hopfield网络中的问题266

7.4.5　用Hopfield网络解决TSP问题267

7.5　随机神经网络268

7.5.1　模拟退火算法268

7.5.2　波尔兹曼机270

7.6　自组织神经网络272

7.6.1　竞争学习273

7.6.2　自组织特征映射网络274

7.7　本章小结275

7.8　习题276

第8章　人工智能的其他领域277

8.1　模式识别277

8.1.1　模式识别的基本问题277

8.1.2　统计模式识别278

8.1.3　句法模式识别280

8.1.4　模糊模式识别282

8.1.5　神经网络模式识别282

8.1.6　模式识别的应用283

8.2　自然语言处理284

8.2.1 自然语言处理的基本问题284

8.2.2　语法分析287

8.2.3　语义分析289

8.2.4　大规模文本处理291

8.2.5 自然语言处理的应用294

8.3　智能体296

8.3.1　智能体模型297

8.3.2　多智能体系统的模型300

8.3.3　多智能体系统的协作、协商与协调302

8.3.4　多智能体系统的学习与规划304

8.3.5　智能体间的通信305

8.3.6　智能体的应用307

8.4　本章小结308

8.5　习题309

参考文献310