书籍详情
人工智能基础（高济）
作者：高济，朱淼良，何钦铭编著
出版社：高等教育出版社
出版时间：2002-08-01
ISBN：9787040110975
定价：¥32.50
购买这本书可以去
内容简介
《人工智能基础》为“教育部面向21世纪课程教材”，系统介绍了人工智能的基本原理、方法和技术，并反映了国内外人工智能领域研究和应用的最新进展。全书共9章，第一章阐述人工智能研究和应用的概况以及人工智能的发展；第二、三章介绍人工智能的基本概念、方法和技术，包括问题求解的基本方法和知识表示；第四章到第六章讨论人工智能技术的主要应用，包括：基于知识的系统、自动规划和配置、机器学习；第七章到第九章旨在拓广人工智能的研究和应用，包括非单调推理和软计算、机器感知、Agent技术和信息基础设施智能化。《人工智能基础》内容丰富，叙述脉络清晰，同时配有丰富的习题，可作为高等院校计算机及有关专业本科生教材，也可供工程技术人员参考使用。《人工智能基础》也可与教育部新世纪网络课程项目中的“人工智能”课程配套使用。
作者简介
暂缺《人工智能基础（高济）》作者简介
目录
第一章 人工智能研究的发展和基本原则
1.1 人工智能的研究和应用
1.2 人工智能研究的发展
1.3 人工智能研究的成果
1.4 人工智能研究的基本原则
1.5 存在的问题和发展前景
习题
参考文献
第二章 问题求解的基本方法
2.1 一般图搜索
2.1.1 状态空间搜索
2.1.2 启发式搜索
2.1.3 状态空间抽象和生成一测试法
2.1.4 启发式搜索的适用性讨论
2.2 问题归约
2.2.1 问题归约的描述
2.2.2 与或图搜索
2.2.3 与或图的启发式搜索
2.3 基于归结的演绎推理
2.3.1 谓词演算
2.3.2 归结演绎方法
2.3.3 归结反演
2.4 基于规则的演绎推理
2.4.1 基于规则的正向演绎推理
2.4.2 基于规则的逆向演绎推理
2.4.3 演绎推理的应用讨论
2.4.4 逻辑编程语言
本章小结
习题
参考文献
第三章 知识表示
3.1 知识和知识表示
3.1.1 知识原则
3.1.2 知识表示的作用
3.1.3 知识表示的功能
3.1.4 知识表示的性能
3.1.5 基本的知识表示方式
3.2 产生式表示
3.2.1 产生式系统
3.2.2 控制策略
3.2.3 产生式系统的分类
3.3 结构化表示
3.3.1 语义网络
3.3.2 框架表示法
3.3.3 面向对象的表示法
3.4 知识表示的实用化问题
3.4.1 程序性和陈述性知识
3.4.2 表示能力和推理效率之间的制约关系
本章小结
习题
参考文献
第四章 基于知识的系统
4.1 KB系统的开发
4.1.1 KB系统的一般概念
4.1.2 KB系统的体系结构原则
4.1.3 KB系统的开发过程
4.1.4 KB系统的开发工具和环境
4.2 设计基于产生式表示的KB系统开发工具
4.2.1 总体设计
4.2.2 Xps的实现
4.2.3 应用实例——家族树
4.2.4 性能改进
4.2.5 开发工具OPS5
4.3 专家系统实例——MYCIN
4.3.1 知识库的构造
4.3.2 推理机的设计
4.3.3 系统服务设施
4.3.4 开发工具EMYCIN
4.4 问题求解的结构化组织
4.4.1 结构化组织的需求
4.4.2 事务表
4.4.3 黑板法
4.4.4 问题求解建模
4.4.5 新一代KB系统技术
本章小结
习题
参考文献
第五章 自动规划和配置
5.1 经典规划技术
5.1.1 经典规划技术的发展
5.1.2 规划的基本概念
5.1.3 早期的自动规划技术
5.1.4 部分排序规划技术
5.2 自动规划技术的新进展
.5.2.1 非经典规划技术的开发
5.2.2 自动规划技术的实用化
.5.2.3 智能的调度、规划和项目管理
5.3 自动配置
5.3.1 配置的一般概念
5.3.2 自动配置的建模
5.3.3 XCON——计算机自动配置系统
本章小结
习题
参考文献
第六章 机器学习
6.1 机器学习概论
6.1.1 机器学习的基本概念
6.1.2 机器学习的发展历史
6.1.3 机器学习分类
6.2 示例学习
6.2.1 示例学习的基本策略
6.2.2 决策树构造法ID3
6.3 基于解释的学习
6.3.1 基于解释的泛化(EBG）
6.3.2 基于解释学习的若干基本问题
6.4 遗传算法
6.4.1 简单遗传算法
6.4.2 分类系统
6.5 加强学习
6.5.1 加强学习的基本方法
6.5.2 Q学习
6.5.3 有关加强学习的进一步讨论
6.6 基于范例的学习
6.6.1 基于范例推理的过程
6.6.2 应用实例：智能饲料配方系统ICIX
6.7 知识发现与数据挖掘
6.7.1 定理发现
6.7.2 数据挖掘
6.7.3 数据库及网络中的知识发现
本章小结
习题
参考文献
第七章 非单调推理和软计算
7.1 传统逻辑系统的局限性
7.2 非单调推理
7.2.1 非单调推理简介
7.2.2 非单调推理的形式化方法
7.2.3 真值维持系统
7.3 不确定推理
7.3.1 主观Bayes方法
7.3.2 确定性方法
7.3.3 D—S证据理论
7.3.4 应用不确定推理的准则
7.4 模糊逻辑和模糊推理
7.4.1 模糊逻辑
7.4.2 模糊推理
7.4.3 模糊控制
7.5 神经网络
7.5.1 神经元和神经网络
7.5.2 面向映射变换的BP网
7.5.3 面向联想记忆的神经网络
7.5.4 神经网络的实现技术
第八章 机器感知
8.1 视觉与视觉图像
8.2 图像特征提取
8.3 视觉模型与识别
8.4 自然语言理解
8.5 机器翻译
本章小结
习题
参考文献
第九章 Agent技术和信息基础设施智能化
9.1 Agent技术的研究和发展
9.2 多Agent协作
9.3 Agent通信
9.4 信息基础设施的智能化
本章小结
习题
参考文献
1.1 人工智能的研究和应用
1.2 人工智能研究的发展
1.3 人工智能研究的成果
1.4 人工智能研究的基本原则
1.5 存在的问题和发展前景
习题
参考文献
第二章 问题求解的基本方法
2.1 一般图搜索
2.1.1 状态空间搜索
2.1.2 启发式搜索
2.1.3 状态空间抽象和生成一测试法
2.1.4 启发式搜索的适用性讨论
2.2 问题归约
2.2.1 问题归约的描述
2.2.2 与或图搜索
2.2.3 与或图的启发式搜索
2.3 基于归结的演绎推理
2.3.1 谓词演算
2.3.2 归结演绎方法
2.3.3 归结反演
2.4 基于规则的演绎推理
2.4.1 基于规则的正向演绎推理
2.4.2 基于规则的逆向演绎推理
2.4.3 演绎推理的应用讨论
2.4.4 逻辑编程语言
本章小结
习题
参考文献
第三章 知识表示
3.1 知识和知识表示
3.1.1 知识原则
3.1.2 知识表示的作用
3.1.3 知识表示的功能
3.1.4 知识表示的性能
3.1.5 基本的知识表示方式
3.2 产生式表示
3.2.1 产生式系统
3.2.2 控制策略
3.2.3 产生式系统的分类
3.3 结构化表示
3.3.1 语义网络
3.3.2 框架表示法
3.3.3 面向对象的表示法
3.4 知识表示的实用化问题
3.4.1 程序性和陈述性知识
3.4.2 表示能力和推理效率之间的制约关系
本章小结
习题
参考文献
第四章 基于知识的系统
4.1 KB系统的开发
4.1.1 KB系统的一般概念
4.1.2 KB系统的体系结构原则
4.1.3 KB系统的开发过程
4.1.4 KB系统的开发工具和环境
4.2 设计基于产生式表示的KB系统开发工具
4.2.1 总体设计
4.2.2 Xps的实现
4.2.3 应用实例——家族树
4.2.4 性能改进
4.2.5 开发工具OPS5
4.3 专家系统实例——MYCIN
4.3.1 知识库的构造
4.3.2 推理机的设计
4.3.3 系统服务设施
4.3.4 开发工具EMYCIN
4.4 问题求解的结构化组织
4.4.1 结构化组织的需求
4.4.2 事务表
4.4.3 黑板法
4.4.4 问题求解建模
4.4.5 新一代KB系统技术
本章小结
习题
参考文献
第五章 自动规划和配置
5.1 经典规划技术
5.1.1 经典规划技术的发展
5.1.2 规划的基本概念
5.1.3 早期的自动规划技术
5.1.4 部分排序规划技术
5.2 自动规划技术的新进展
.5.2.1 非经典规划技术的开发
5.2.2 自动规划技术的实用化
.5.2.3 智能的调度、规划和项目管理
5.3 自动配置
5.3.1 配置的一般概念
5.3.2 自动配置的建模
5.3.3 XCON——计算机自动配置系统
本章小结
习题
参考文献
第六章 机器学习
6.1 机器学习概论
6.1.1 机器学习的基本概念
6.1.2 机器学习的发展历史
6.1.3 机器学习分类
6.2 示例学习
6.2.1 示例学习的基本策略
6.2.2 决策树构造法ID3
6.3 基于解释的学习
6.3.1 基于解释的泛化(EBG）
6.3.2 基于解释学习的若干基本问题
6.4 遗传算法
6.4.1 简单遗传算法
6.4.2 分类系统
6.5 加强学习
6.5.1 加强学习的基本方法
6.5.2 Q学习
6.5.3 有关加强学习的进一步讨论
6.6 基于范例的学习
6.6.1 基于范例推理的过程
6.6.2 应用实例：智能饲料配方系统ICIX
6.7 知识发现与数据挖掘
6.7.1 定理发现
6.7.2 数据挖掘
6.7.3 数据库及网络中的知识发现
本章小结
习题
参考文献
第七章 非单调推理和软计算
7.1 传统逻辑系统的局限性
7.2 非单调推理
7.2.1 非单调推理简介
7.2.2 非单调推理的形式化方法
7.2.3 真值维持系统
7.3 不确定推理
7.3.1 主观Bayes方法
7.3.2 确定性方法
7.3.3 D—S证据理论
7.3.4 应用不确定推理的准则
7.4 模糊逻辑和模糊推理
7.4.1 模糊逻辑
7.4.2 模糊推理
7.4.3 模糊控制
7.5 神经网络
7.5.1 神经元和神经网络
7.5.2 面向映射变换的BP网
7.5.3 面向联想记忆的神经网络
7.5.4 神经网络的实现技术
第八章 机器感知
8.1 视觉与视觉图像
8.2 图像特征提取
8.3 视觉模型与识别
8.4 自然语言理解
8.5 机器翻译
本章小结
习题
参考文献
第九章 Agent技术和信息基础设施智能化
9.1 Agent技术的研究和发展
9.2 多Agent协作
9.3 Agent通信
9.4 信息基础设施的智能化
本章小结
习题
参考文献
猜您喜欢
