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

人工智能导论 方法与系统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

第一章 绪论1

1.1智能1

1.2人工智能3

1.2.1如何衡量机器是否具有智能3

1.2.2人工智能的研究目标4

1.2.3人工智能的研究和应用领域5

1.3人工智能发展简史10

1.3.1孕育期（1956年以前）10

1.3.2形成期（1956年—1970年）12

1.3.3知识工程时代（1970年至20世纪80年代初）13

1.3.4发展期（20世纪80年代初至今）15

1.4人工智能的实现途径16

1.4.1符号主义16

1.4.2连接主义18

1.4.3学习主义18

1.4.4行为主义19

1.4.5进化主义20

1.4.6群体主义21

1.5本书的内容与组织21

小结22

深入学习资源23

习题24

符号主义25

第二章 搜索与问题求解25

2.1搜索概述25

2.2问题求解27

2.2.1状态空间27

2.2.2与或图29

2.3图搜索33

2.3.1图搜索算法的一般结构33

2.3.2盲目图搜索34

2.3.3启发式图搜索36

2.4博弈搜索43

2.4.1博弈树44

2.4.2极大极小搜索46

2.4.3α-β剪枝50

小结52

深入学习资源54

习题54

第三章 知识与推理57

3.1推理概述57

3.1.1推理方式57

3.1.2推理控制策略58

3.2知识及其表示60

3.2.1知识60

3.2.2知识的表示62

3.3知识表示方法63

3.3.1一阶谓词逻辑表示法63

3.3.2产生式表示法70

3.3.3其他知识表示方法73

3.4经典逻辑推理的逻辑基础81

3.4.1推理规则81

3.4.2范式83

3.4.3置换与合一84

3.4.4自然演绎推理85

3.5归结演绎推理87

3.5.1子句集及其转化方法87

3.5.2归结原理88

3.5.3命题逻辑的归结反演90

3.5.4谓词逻辑的归结反演91

3.5.5归结策略93

3.6不确定性推理基本问题94

3.7基于概率论的不确定性推理96

3.7.1概率论基础96

3.7.2可信度方法98

3.7.3主观贝叶斯方法102

3.8基于证据理论的不确定性推理106

3.8.1证据理论基础106

3.8.2推理方法109

3.9模糊推理112

3.9.1模糊集基础113

3.9.2模糊推理模型116

小结120

深入学习资源122

习题122

连接主义127

第四章 人工神经网络127

4.1人工神经元模型128

4.1.1生物神经元128

4.1.2人工神经元130

4.1.3人工神经元互连模型133

4.2人工神经网络的拓扑结构134

4.3人工神经网络的学习方式136

4.3.1赫伯型学习136

4.3.2误差修正型学习137

4.3.3竞争型学习138

4.3.4随机型学习139

4.4多层感知器及其学习算法140

4.4.1感知器与多层感知器140

4.4.2误差反向传播网络（BP网络）143

4.4.3自适应线性神经元网络147

4.4.4径向基函数网络148

4.5霍普菲尔德网络与玻耳兹曼机151

4.5.1霍普菲尔德网络152

4.5.2联想记忆154

4.5.3优化计算155

4.5.4玻耳兹曼机158

4.6自组织特征映射网159

小结162

深入学习资源164

习题164

学习主义166

第五章 机器学习166

5.1什么是机器学习？166

5.2机器学习的主要策略168

5.2.1机械式学习168

5.2.2指导式学习169

5.2.3类比学习172

5.2.4解释学习172

5.2.5归纳学习172

5.3类比学习方法173

5.3.1属性类比学习174

5.3.2转换类比学习175

5.4基于解释的学习176

5.4.1学习模型176

5.4.2基于解释的学习方法178

5.5规则集的归纳学习181

5.5.1示例空间182

5.5.2归纳过程182

5.5.3规则空间183

5.5.4验证过程184

5.6决策树学习184

5.6.1决策树184

5.6.2基本决策树生成算法（ID3算法）184

5.6.3决策树剪枝188

5.7贝叶斯学习190

5.7.1贝叶斯法则190

5.7.2朴素贝叶斯分类器192

5.7.3贝叶斯信念网195

5.8聚类分析199

5.8.1数据相似性度量200

5.8.2划分聚类方法202

5.8.3层次聚类方法206

小结207

深入学习资源209

习题210

行为主义214

第六章 行为智能214

6.1没有表示和推理的智能215

6.1.1感知一行为模式215

6.1.2渐进的智能216

6.2智能体217

6.2.1智能体的特点218

6.2.2智能体的体系结构218

6.2.3智能体的学习220

6.3强化学习220

6.3.1强化学习任务与模型221

6.3.2 Q-学习算法223

6.3.3Dyna-Q225

6.3.4强化学习的应用225

小结226

深入学习资源227

习题227

进化主义229

第七章 进化计算229

7.1生物进化对计算的启示230

7.1.1生物进化的启示230

7.1.2不同的进化计算观点231

7.2进化计算的一般框架和共同特点232

7.2.1进化计算的一般框架232

7.2.2进化计算的共同特点233

7.3遗传算法233

7.3.1遗传算法的起源与发展233

7.3.2遗传算法的基本思想234

7.3.3模式理论239

7.3.4遗传算法的改进与变形244

7.4进化规划244

7.4.1进化规划的起源与发展244

7.4.2进化规划的主要特点245

7.4.3进化规划中的遗传算子245

7.4.4进化规划的算法流程246

7.5进化策略247

7.5.1进化策略的起源与发展247

7.5.2进化策略的主要特点247

7.5.3进化策略的不同形式247

7.5.4进化策略中的遗传操作248

7.5.5进化策略的算法流程250

小结251

深入学习资源252

习题252

群体主义253

第八章 群智能253

8.1多智能体系统253

8.1.1智能体之间的通信机制253

8.1.2智能体之间的协调策略255

8.1.3智能体之间的协作策略255

8.1.4多智能体强化学习256

8.2蚁群优化算法257

8.2.1蚁群觅食行为对计算的启示257

8.2.2蚁群优化算法的基本原理258

8.2.3蚁群优化算法的改进261

8.3粒子群优化算法263

8.3.1鸟群飞行方式对计算的启示263

8.3.2粒子群优化算法的基本原理263

8.3.3粒子群优化算法中的有关参数264

小结266

深入学习资源267

习题267

智能系统269

第九章 专家系统269

9.1什么是专家系统269

9.1.1基本概念269

9.1.2专家系统类型270

9.2专家系统的体系结构273

9.3知识获取275

9.3.1知识获取的任务276

9.3.2知识获取的方法276

9.4专家系统的开发与评价278

9.4.1开发专家系统的前提278

9.4.2专家系统的生命期279

9.4.3专家系统的评价281

9.5专家系统开发工具与环境282

9.5.1程序设计语言283

9.5.2知识工程语言283

9.5.3辅助型工具285

9.5.4支持工具286

9.5.5专家系统开发环境286

9.6专家系统的发展趋势288

小结289

深入学习资源290

习题290

第十章 人工智能程序设计语言292

10.1LISP语言292

10.1.1主要特点292

10.1.2表293

10.1.3函数294

10.1.4 LISP程序设计方法297

10.1.5 LISP编程举例299

10.2 PROLOG301

10.2.1主要特点301

10.2.2语法与数据结构301

10.2.3程序设计原理302

10.2.4编程举例305

小结305

深入学习资源306

习题306

第十一章 智能计算机307

11.1光计算机308

11.1.1光计算机的基本原理308

11.1.2光计算机的基本问题309

11.2量子计算机310

11.2.1量子计算的基本原理310

11.2.2量子计算方法312

11.2.3量子计算的主要问题314

11.3生物计算机314

11.3.1生物开关315

11.3.2 DNA计算机315

小结318

深入学习资源319

习题319

附录1 汉英一英汉术语对照与索引320

附录2 汉英一英汉人名对照与索引334

参考文献338