前言第1章　緒論 1.1　什麼是人工智能 1.1.1　關於智能 1.1.2　人工智能的研究目標 1.2　人工智能發展簡史 1.3　人工智能研究方法 1.3.1　人工智能研究的特點 1.3.2　人工智能研究的途徑 1.3.3　人工智能研究的資源 1.4　人工智能研究及應用領域 1.4.1　問題求解與博弈 1.4.2　專傢係統 1.4.3　自動定理證明 1.4.4　機器學習 1.4.5　人工神經網絡 1.4.6　模式識彆 1.4.7　計算機視覺 1.4.8　自然語言處理 1.4.9　智能體 1.4.10　智能控製 1.4.11　機器人學 1.4.12　人工生命 1.5　本章小結 1.6　習題第2章　知識工程 2.1　概述 2.2　知識錶示方法 2.2.1　經典邏輯錶示法 2.2.2　産生式錶示法 2.2.3　層次結構錶示法 2.2.4　網絡結構錶示法 2.2.5　其他錶示法 2.3　知識獲取與管理 2.3.1　知識獲取的任務 2.3.2　知識獲取的方式 2.3.3　知識管理 2.3.4　本體論 2.4　基於知識的係統 2.4.1　什麼是知識係統 2.4.2　專傢係統 2.4.3　知識係統舉例 2.5　本章小結 2.6　習題第3章　確定性推理 3.1　概述 3.1.1　推理方式與分類 3.1.2　推理控製策略 3.1.3　知識匹配 3.2　自然演繹推理 3.3　歸結演繹推理 3.3.1　海伯倫理論 3.3.2　魯賓遜歸結原理 3.3.3　歸結反演 3.3.4　歸結策略 3.3.5　應用歸結原理求解問題 3.4　與或形演繹推理 3.4.1　與或形正嚮演繹推理 3.4.2　與或形逆嚮演繹推理 3.4.3　與或形雙嚮演繹推理 3.5　本章小結 3.6　習題第4章　不確定性推理 4.1　概述 4.2　基本概率方法 4.3　主觀貝葉斯方法 4.3.1　不確定性的錶示 4.3.2　不確定性的傳遞算法 4.3.3　結論不確定性的閤成算法 4.4 可信度方法 4.4.1 基本可信度模型 4.4.2 帶閾值限度的可信度模型 4.4.3 加權的可信度模型 4.4.4 前件帶不確定性的可信度模型 4.5 模糊推理 4.5.1 模糊理論 4.5.2 簡單模糊推理 4.5.3 模糊三段論推理 4.5.4 多維模糊推理 4.5.5 多重模糊推理 4.5.6 帶有可信度因子的模糊推理 4.6 證據理論 4.6.1 D—S理論 4.6.2 基於證據理論的不確定性推理 4.7 粗糙集理論 4.7.1 粗糙集理論的基本概念 4.7.2 粗糙集在知識發現中的應用 4.8 本章小結 4.9 習題第5章 搜索策略 5.1 概述 5.1.1 什麼是搜索 5.1.2 狀態空間錶示法 5.1.3 與或樹錶示法 5.2 狀態空間搜索 5.2.1 狀態空間的一般搜索過程 5.2.2 廣度優先搜索 5.2.3 深度優先搜索 5.2.4 有界深度優先搜索 5.2.5 啓發式搜索 5.2.6 A*算法 5.3 與或樹搜索 5.3.1 與或樹的一般搜索過程 5.3.2 與或樹的廣度優先搜索 5.3.3 與或樹的深度優先搜索 5.3.4 與或樹的有序搜索 5.3.5 博弈樹的啓發式搜索 5.3.6 剪枝技術 5.4 本章小結 5.5 習題第6章 機器學習 6.1 概述 6.1.1 什麼是機器學習 6.1.2 機器學習方法的分類 6.1.3 機器學習的基本問題 6.1.4 評估學習結果 6.2 決策樹學習 6.2.1 決策樹錶示法 6.2.2 ID3算法 6.2.3 決策樹學習的常見問題 6.2.4 用決策樹學習客戶分類 6.3 貝葉斯學習 6.3.1 貝葉斯法則 6.3.2 樸素貝葉斯方法 6.3.3 貝葉斯網絡 6.3.4 EM算法 6.3.5 用貝葉斯方法過濾垃圾郵件 6.4 統計學習 6.4.1 統計學習理論 6.4.2 支持嚮量機 6.4.3 核函數 6.4.4 基於支持嚮量機的車牌識彆 6.5 遺傳算法 6.5.1 進化計算 6.5.2 遺傳算法原理 6.5.3 問題編碼策略 6.5.4 遺傳算子 6.5.5 遺傳算法的理論分析 6.5.6 用遺傳算法解決TSP問題 6.6 聚類 6.6.1 聚類問題 6.6.2 分層聚類方法 6.6.3 劃分聚類方法 6.6.4 基於密度的聚類方法 6.6.5 基於網格的聚類方法 6.6.6 股票信息的聚類分析 6.7 特徵選擇與提取 6.7.1 特徵選擇 6.7.2 常用的特徵函數 6.7.3 主成分分析 6.8 其他學習方法 6.8.1 強化學習 6.8.2 隱馬爾可夫模型 6.9 本章小結 6.10 習題第7章 人工神經網絡 7.1 概述 7.1.1 人腦神經係統 7.1.2 人工神經網絡的研究內容與特點 7.1.3 人工神經網絡的基本形態 7.2 感知器 7.2.1 簡單感知器 7.2.2 多層感知器 7.3 前饋神經網絡 7.3.1 反嚮傳播算法 7.3.2 反嚮傳播算法中的問題 7.3.3 徑嚮基函數網絡 7.4 反饋神經網絡 7.4.1 Hopfield網絡 7.4.2 離散型Hopfield網絡 7.4.3 連續型Hopfield網絡 7.4.4 Hopfield網絡中的問題 7.4.5 用Hopfield網絡解決TSP問題 7.5 隨機神經網絡 7.5.1 模擬退火算法 7.5.2 波爾茲曼機 7.6 自組織神經網絡 7.6.1 競爭學習 7.6.2 自組織特徵映射網絡 7.7 本章小結 7.8 習題第8章 人工智能的其他領域 8.1 模式識彆 8.1.1 模式識彆的基本問題 8.1.2 統計模式識彆 8.1.3 句法模式識彆 8.1.4 模糊模式識彆 8.1.5 神經網絡模式識彆 8.1.6 模式識彆的應用 8.2 自然語言處理 8.2.1 自然語言處理的基本問題 8.2.2 語法分析 8.2.3 語義分析 8.2.4 大規模文本處理 8.2.5 自然語言處理的應用 8.3 智能體 8.3.1 智能體模型 8.3.2 多智能體係統的模型 8.3.3 多智能體係統的協作、協商與協調 8.3.4 多智能體係統的學習與規劃 8.3.5 智能體間的通信 8.3.6 智能體的應用 8.4 本章小結 8.5 習題參考文獻
· · · · · · (收起)