具体描述
内容简介
本书较全面地介绍了人工智能的基本理论、方法及其应用技术。全书共12章，可分为三
大部分：第一部分包括第1章至第6章，论述了人工智能的三大技术，即知识表示、推理及搜
索，重点讨论了不确定性的表示及处理技术；第二部分包括第7章至第10章，着重讨论了专家
系统、机器学习、模式识别及智能决策支持系统等研究领域的有关概念及系统构成技术；第三
部分包括第11章和第12章，分别讨论了神经网络和智能计算机的概念、模型、研究现状及展
望等。
该书取材新颖，具有系统性、新颖性、实用性及可读性等特点，便于教学和自学，适于作为
计算机学科本科生及研究生的教科书，亦可供有关科技人员参考。
作者简介
目录信息
第1章 绪论
1.1 什么是人工智能
1.1.1 智能
1.1.2 人工智能
1.1.3 人工智能的发展简史
1.2 人工智能的研究目标及基本内容
1.2.1 人工智能的研究目标
1.2.2 人工智能研究的基本内容
1.3 人工智能的研究途径
1.3.1 以符号处理为核心的方法
1.3.2 以网络连接为主的连接机制方法
1.3.3 系统集成
1.4 人工智能的研究领域
1.4.1 专家系统
1.4.2 机器学习
1.4.3 模式识别
1.4.4 自然语言理解
1.4.5 自动定理证明
1.4.6 自动程序设计
1.4.7 机器人学
1.4.8 博弈
1.4.9 智能决策支持系统
1.4.10 人工神经网络
本章小结
习 题
第2章 人工智能的数学基础
2.1 命题逻辑与谓词逻辑
2.1.1 命题
2.1.2 谓词
2.1.3 谓词公式
2.1.4 谓词公式的解释
2.1.5 谓词公式的永真性、可满足性、不可满足性
2.1.6 谓词公式的等价性与永真蕴含
2.2 多值逻辑
2.3 概率论
2.3.1 随机现象
2.3.2 样本空间与随机事件
2.3.3 事件的概率
2.3.4 条件概率
2.3.5 全概率公式与Bayes公式
2.4 模糊理论
2.4.1 模糊性
2.4.2 集合与特征函数
2.4.3 模糊集与隶属函数
2.4.4 模糊集的表示方法
2.4.5 模糊集的运算
2.4.6 模糊集的λ水平截集
2.4.7 模糊度
2.4.8 模糊数
2.4.9 模糊关系及其合成
2.4.10 模糊变换
2.4.11 实数域上几种常用的隶属函数
2.4.12 建立隶属函数的方法
本章小结
习 题
第3章 知识与知识表示
3.1 基本概念
3.1.1 什么是知识
3.1.2 知识的特性
3.1.3 知识的分类
3.1.4 知识的表示
3.2 一阶谓词逻辑表示法
3.2.1 表示知识方法
3.2.2 一阶谓词逻辑表示法的特点
3.3 产生式表示法
3.3.1 产生式的基本形式
3.3.2 产生式系统
3.3.3 产生式系统的分类
3.3.4 产生式表示法的特点
3.4 框架表示法
3.4.1 框架理论
3.4.2 框架
3.4.3 框架网络
3.4.4 框架中槽的设置与组织
3.4.5 框架系统中求解问题的基本过程
3.4.6 框架表示法的特点
3.5 语义网络表示法
3.5.1 语义网络的概念
3.5.2 知识的语义网络表示
3.5.3 常用的语义联系
3.5.4 语义网络系统中求解问题的基本过程
3.5.5 语义网络表示法的特点
3.6 脚本表示法
3.6.1 概念依赖理论
3.6.2 脚本
3.7 过程表示法
3.7.1 表示知识方法
3.7.2 过程表示法的特点
3.8 Petri网表示法
3.8.1 表示知识方法
3.8.2 Petri网表示法的特点
3.9 面向对象表示法
3.9.1 面向对象的基本概念
3.9.2 表示知识方法
本章小结
习 题
第4章 经典逻辑推理
4.1 基本概念
4.1.1 什么是推理
4.1.2 推理方式及其分类
4.1.3 推理的控制策略
4.1.4 模式匹配
4.1.5 冲突消解策略
4.2 自然演绎推理
4.3 归结演绎推理
4.3.1 子句
4.3.2 海伯伦理论
4.3.3 鲁宾逊归结原理
4.3.4 归结反演
4.3.5 应用归结原理求取问题的答案
4.3.6 归结策略
4.4 与/或形演绎推理
4.4.1 与/或形正向演绎推理
4.4.2 与/或形逆向演绎推理
4.4.3 与/或形双向演绎推理
4.4.4 代换的一致性及剪枝策略
本章小结
习 题
第5章 不确定与非单调推理
5.1 基本概念
5.1.1 什么是不确定性推理
5.1.2 不确定性推理中的基本问题
5.1.3 不确定性推理方法的分类
5.2 概率方法
5.2.1 经典概率方法
5.2.2 逆概率方法
5.3 主观Bayes方法
5.3.1 知识不确定性的表示
5.3.2 证据不确定性的表示
5.3.3 组合证据不确定性的算法
5.3.4 不确定性的传递算法
5.3.5 结论不确定性的合成算法
5.4 可信度方法
5.4.1 可信度的概念
5.4.2 C－F模型
5.4.3 带有阈值限度的不确定性推理
5.4.4 加权的不确定性推理
5.4.5 前提条件中带有可信度因子的不确定性推理
5.5 证据理论
5.5.1 D－S理论
5.5.2 一个具体的不确定性推理模型
5.6 模糊推理
5.6.1 模糊命题
5.6.2 模糊知识的表示
5.6.3 模糊匹配与冲突消解
5.6.4 模糊推理的基本模式
5.6.5 简单模糊推理
5.6.6 模糊三段论推理
5.6.7 多维模糊推理
5.6.8 多重模糊推理
5.6.9 带有可信度因子的模糊推理
5.7 基于框架表示的不确定性推理
5.7.1 不确定性知识的框架表示
5.7.2 框架的不确定性匹配
5.7.3 框架推理
5.8 基于语义网络表示的不确定性推理
5.8.1 不确定性知识的语义网络表示
5.8.2 语义网络推理
5.9 非单调推理
5.9.1 非单调推理的概念
5.9.2 缺省理论
5.9.3 界限理论
5.9.4 正确性维持系统TM S
本章小结
习 题
第6章 搜索策略
6.1 基本概念
6.1.1 什么是搜索
6.1.2 状态空间表示法
6.1.3 与/或树表示法
6.2 状态空间的搜索策略
6.2.1 状态空间的一般搜索过程
6.2.2 广度优先搜索
6.2.3 深度优先搜索
6.2.4 有界深度优先搜索
6.2.5 代价树的广度优先搜索
6.2.6 代价树的深度优先搜索
6.2.7 启发式搜索
6.2.8 A算法
6.3 与/或树的搜索策略
6.3.1 与/或树的一般搜索过程
6.3.2 与/或树的广度优先搜索
6.3.3 与/或树的深度优先搜索
6.3.4 与/或树的有序搜索
6.3.5 博弈树的启发式搜索
6.3.6 α－β剪枝技术
6.4 搜索的完备性与效率
6.4.1 完备性
6.4.2 搜索效率
本章小结
习 题
第7章 专家系统
7.1 基本概念
7.1.1 什么是专家系统
7.1.2 专家系统的产生与发展
7.1.3 专家系统的分类
7.2 专家系统的一般结构
7.2.1 人机接口
7.2.2 知识获取机构
7.2.3 知识库及其管理系统
7.2.4 推理机
7.2.5 数据库及其管理系统
7.2.6 解释机构
7.3 知识获取
7.3.1 知识获取的任务
7.3.2 知识获取方式
7.4 知识的检测与求精
7.4.1 知识的一致性与完整性
7.4.2 基于经典逻辑的检测方法
7.4.3 基于Petri网的检测方法
7.4.4 知识求精
7.5 知识的组织与管理
7.5.1 知识的组织
7.5.2 知识的管理
7.6 专家系统的建造与评价
7.6.1 专家系统的建造原则
7.6.2 专家系统的开发过程
7.6.3 专家系统的评价
7.7 专家系统的开发工具
7.7.1 人工智能语言
7.7.2 专家系统外壳
7.7.3 通用型专家系统工具
7.7.4 专家系统开发环境
7.8 新一代专家系统的研究
7.9 专家系统举例
7.9.1 动物识别系统
7.9.2 专家系统MYCIN
本章小结
习 题
第8章 机器学习
8.1 基本概念
8.1.1 什么是机器学习
8.1.2 学习系统
8.1.3 机器学习的发展
8.1.4 机器学习的分类
8.2 机械式学习
8.3 指导式学习
8.4 归纳学习
8.4.1 归纳推理
8.4.2 示例学习
8.4.3 观察与发现学习
8.5 类比学习
8.5.1 类比推理
8.5.2 属性类比学习
8.5.3 转换类比学习
8.6 基于解释的学习
8.6.1 基于解释学习的概念
8.6.2 基于解释学习的学习过程
8.6.3 领域知识的完善性
8.7 学习方法的比较与展望
8.7.1 各种学习方法的比较
8.7.2机器学习的展望
本章小结
习 题
第9章 模式识别
9.1 基本概念
9.1.1 什么是模式识别
9.1.2 模式识别的一般过程
9.2 统计模式识别
9.2.1 模板匹配分类法
9.2.2 最小距离分类法
9.2.3 相似系数分类法
9.2.4 几何分类法
9.2.5 Bayes分类法
9.2.6 聚类分析法
9.3 结构模式识别
9.3.1 结构模式识别的基本过程
9.3.2 基元抽取与模式文法
9.3.3 模式的识别与分析
9.4 模糊模式识别
9.4.1 基于最大隶属原则的模式分类
9.4.2 基于择近原则的模式分类
9.4.3 基于模糊等价关系的模式分类
9.4.4 基于模糊相似关系的模式分类
本章小结
习 题
第10章 智能决策支持系统
10.1 基本概念
10.1.1 决策与决策过程
10.1.2 决策支持系统
10.1.3 智能决策支持系统
10.2 智能决策支持系统的基本构件
10.2.1 数据库系统
10.2.2 模型库系统
10.2.3 方法库系统
10.2.4 知识库系统
10.2.5 人机接口系统
10.3 智能决策支持系统的系统结构
10.3.1 四库结构
10.3.2 融合结构
10.4 多媒体人机智能接口
10.4.1 多媒体技术
10.4.2 多媒体技术在智能决策支持系统中的应用
10.4.3 多媒体人机智能接口的设计与实现
本章小结
习 题
第11章 神经网络
11.1 基本概念
11.1.1 脑神经系统与生物神经元
11.1.2 人工神经元及其互连结构
11.1.3 人工神经网络的特征及分类
11.1.4 神经网络研究的发展简史
11.2 神经网络模型
11.2.1 感知器
11.2.2 B－P模型
11.2.3 Hopfield模型
11.2.4 自适应共振理论
11.3 神经网络在专家系统中的应用
11.3.1 神经网络与专家系统的互补性
11.3.2 基于神经网络的知识表示
11.3.3 基于神经网络的推理
11.4 神经网络在模式识别中的应用
本章小结
习 题
第12章 智能计算机
12.1 什么是智能计算机
12.2 知识信息处理系统
12.3 人工神经网络计算机
12.3.1 数字集成电路形式
12.3.2 模拟集成电路形式
12.4 光计算机
12.4.1 空间光调制器
12.4.2 光互连
12.4.3 光全息存储与光计算机的研制
12.5 生物计算机
本章小结
习 题
附录
参考文献
· · · · · · (收起)
读后感
用户评价
我对这本书的逻辑连贯性感到深深的困惑，它就像一个由无数个独立、互不关联的知识点随意堆砌起来的巨大石堆，缺乏一条清晰的主线贯穿始终。前一章还在讨论微积分在优化问题中的应用，语气坚定，论述深入；可下一章画风突变，突然跳跃到了某个特定机器学习模型的历史演变，而且仅仅停留在表层描述，没有提供任何深入的数学推导或者实际应用案例的对比分析。这种章节间的跳跃感极强，让人感觉像是在一个知识的迷宫里漫无目的地游荡，每走一步都可能撞上另一堵毫无关联的墙。我不得不频繁地翻阅目录和索引，试图在这些零散的信息碎片中拼凑出一个完整的知识框架，但最终往往是徒劳的，因为作者似乎并不在乎读者能否建立起知识间的桥梁。对于初学者来说，这本书的结构无异于一场智力上的“鬼打墙”，让人感到挫败和迷茫，无法形成系统性的认知。
这本书的排版和装帧简直是一场灾难，纸张的手感粗糙得像砂纸，油墨的味道经久不散，放在书架上都觉得它在散发着一股廉价的气息。内页的字体大小不一，段落间距混乱不堪，阅读体验极差，简直是对读者智力的侮辱。我花了很长时间才适应这种仿佛从上世纪八十年代印刷厂角落里翻出来的排版风格，每次翻页都担心下一秒书页会撕裂。更别提那些图表的质量了，线条模糊，标注不清，完全无法准确传达设计者的意图，很多复杂的算法流程图看起来就像一团打翻的毛线球，让人抓耳挠腮，完全找不到头绪。如果说内容是灵魂，那么这本书的制作工艺就是一具腐朽的躯壳，让人提不起任何阅读的兴趣，我甚至怀疑作者和出版社对“知识载体”这个概念有着某种程度上的误解，或者说，这根本就不是一本严肃的学术著作，而更像是一本粗制滥造的内部资料汇编。我实在无法理解，在当前这个注重用户体验和视觉传达的时代，怎么还会允许这样一本实体书流向市场。
这本书的写作风格极其保守和刻板，充满了那种陈旧的、学院派的僵硬感，仿佛作者是直接把几十年前的讲义原封不动地搬到了纸面上，连标点符号都没怎么修改。语言的使用过于冗长和迂回，一个简单的概念需要用三四句绕来绕去的话才能勉强表述清楚，大量使用晦涩难懂的书面语和不必要的术语堆砌，完全没有考虑如何用更简洁、更现代的方式去解释复杂的思想。举个例子，书中对某个核心算法的介绍，用了整整一页的篇幅来铺垫背景，最后才给出那个关键的公式，而这个公式本身其实非常直观，如果能直接展示并配以清晰的图形注释，可能只需要十分钟就能让读者理解。这种写作习惯，暴露了作者可能长期脱离了一线的研究实践和教学前沿，没有意识到当代读者对信息获取的效率有着极高的要求。阅读过程中，我常常需要停下来，用自己的语言重新组织和提炼作者表达的意思，这极大地消耗了我的时间和精力。
这本书的案例选择和更新速度滞后得令人难以接受，仿佛作者是在一个时间胶囊里写成的。我翻阅了关于深度学习的章节，发现引用的都是一些多年前的经典架构，虽然这些经典依然重要，但书中对近五年内涌现出的那些对行业产生颠覆性影响的新技术、新范式，比如最新的Transformer变体、高效能的大规模预训练模型，甚至是当前热门的联邦学习或可解释性AI（XAI）的最新进展，完全没有涉及。这使得这本书的内容在信息时效性上大打折扣，读起来更像是在温习历史课本，而非学习前沿技术。在人工智能这个日新月异的领域，滞后五年的技术介绍，几乎等同于“过时”。这本书或许能为那些想了解AI诞生之初的知识体系打下基础，但若想紧跟当今业界的发展脉搏，读者必须转向其他更新、更具前瞻性的资料，这本书在这方面提供的帮助微乎其微。
这本书对理论部分的阐述，虽然篇幅不少，但在“如何实践”这一关键环节上，展现出了令人不安的疏忽。书中充斥着大量的数学符号和抽象的模型描述，似乎作者认为只要把公式推导完整，任务就完成了。然而，当我们试图将这些理论应用到实际问题时，却发现这本书几乎没有提供任何可操作的指导。例如，在讨论模型训练时，它只是泛泛地提到了“正则化”的重要性，但对于如何选择合适的正则化参数、不同数据集下参数调整的经验法则，或者遇到梯度爆炸等实际工程问题时该怎么办，书中一概避而不谈。它就像一个理论物理学家写给另一位理论物理学家的手册，充满了精妙的推理，却完全不接地气。对于那些希望通过这本书来提升自己工程能力或解决实际问题的读者来说，这本书的价值是极其有限的，它更像是一部“理论博物馆”的导览，而不是一本“工具箱”。
据说是作者的遗书
据说是作者的遗书
吉林大学《人工智能》视频用书
据说是作者的遗书
教材
