人工智能导论（第2版）

　　《人工智能导论 第2版》系统地阐述了人工智能的基本理论、基本技术、研究方法和应用领域，全面地反映了人工智能研究领域的发展，并根据人工智能的发展动向对一些传统内容做了取舍，如详细介绍了机器学习方面的内容。《人工智能导论 第2版》共分为8章，内容涉及人工智能的基本概念、知识工程、确定性推理和不确定性推理、搜索与优化策略、机器学习、人工神经网络与深度学习，以及模式识别、自然语言处理和多智能体等。每章后面附有习题，以供读者练习。 《人工智能导论 第2版》充分考虑到人工智能领域的发展动态，注重系统性、新颖性、实用性和可读性，内容由浅入深、循序渐进、条理清晰。 《人工智能导论 第2版》适合作为计算机专业本科生和其他相关专业本科生、研究生的教材，也可作为有关科技人员的参考书。

暂缺《人工智能导论（第2版）》作者简介

前言
第1章绪论
11什么是人工智能
111关于智能
112人工智能的研究目标
12人工智能发展简史
13人工智能的研究方法
131人工智能的研究特点
132人工智能的研究途径
133人工智能研究资源
14人工智能研究及应用领域
141模式识别
142自然语言处理
143机器学习与数据挖掘
144人工神经网络与深度学习
145博弈
146多智能体
147专家系统
148计算机视觉
149自动定理证明
1410智能控制
1411机器人学
1412人工生命
15本章小结
习题
第2章知识工程
21概述
22知识表示方法
221经典逻辑表示法
222产生式表示法
223层次结构表示法
224网络结构表示法
225其他表示法
23知识获取与管理
231知识获取的任务
232知识获取的方式
233知识管理
234本体论
235知识图谱
24基于知识的系统
241什么是知识系统
242专家系统
243问答系统
244知识系统举例
25本章小结
习题
第3章确定性推理
31概述
311推理方式与分类
312推理控制策略
313知识匹配
32自然演绎推理
33归结演绎推理
331归结原理
332归结策略
333应用归结原理求解问题
34与或形演绎推理
341与或形正向演绎推理
342与或形逆向演绎推理
343与或形双向演绎推理
35本章小结
习题
第4章不确定性推理
41概述
42基本概率方法
43主观贝叶斯方法
431不确定性的表示
432不确定性的传递算法
433结论不确定性的合成算法
44可信度方法
441基本可信度模型
442带阈值限度的可信度模型
443加权的可信度模型
444前件带不确定性的可信度模型
45模糊推理
451模糊理论
452简单模糊推理
453模糊三段论推理
454多维模糊推理
455多重模糊推理
456带有可信度因子的模糊推理
46证据理论
461D-S理论
462基于证据理论的不确定性推理
47粗糙集理论
471粗糙集理论的基本概念
472粗糙集在知识发现中的应用
48本章小结
习题
第5章搜索与优化策略
51概述
511什么是搜索
512状态空间表示法
513与或树表示法
52状态空间搜索
521状态空间的一般搜索过程
522广度优先搜索
523深度优先搜索
524有界深度优先搜索
525启发式搜索
526A*算法
53与或树搜索
531与或树的一般搜索过程
532与或树的广度优先搜索
533与或树的深度优先搜索
534与或树的有序搜索
535博弈树的启发式搜索
536剪枝技术
537人机对弈与AlphaGo
54智能优化搜索
541NP问题
542优化问题
543遗传算法
544蚁群算法
545粒子群算法
546智能优化搜索应用案例
55本章小结
习题
第6章机器学习
61概述
611什么是机器学习
612机器学习方法分类
613机器学习的基本问题
614评估学习结果
62决策树学习
621决策树表示法
622ID3算法
623决策树学习的常见问题
624随机森林算法
625决策树学习应用案例
63贝叶斯学习
631贝叶斯法则
632朴素贝叶斯方法
633贝叶斯网络
634EM算法
635贝叶斯学习应用案例
64统计学习
641小样本统计学习理论
642支持向量机
643核函数
644支持向量机应用案例
65聚类
651聚类问题
652分层聚类方法
653划分聚类方法
654基于密度的聚类方法
655基于网格的聚类方法
656聚类算法应用案例
66特征选择与表示学习
661特征提取与选择
662常用的特征函数
663主成分分析
664表示学习
665表示学习应用案例
67其他学习方法
671k近邻算法
672强化学习
673隐马尔可夫模型
68本章小结
习题
第7章人工神经网络与深度学习
71概述
711人脑神经系统
712人工神经网络的研究内容与特点
713人工神经网络基本形态
714深度学习
72前馈神经网络
721感知器模型
722反向传播算法
723卷积神经网络
724前馈神经网络应用案例
73反馈神经网络
731循环神经网络
732长短期记忆网络
733双向循环神经网络
734反馈神经网络应用案例
74本章小结
习题
第8章人工智能的其他领域
81模式识别
811模式识别的基本问题
812图像识别
813人脸识别
82自然语言处理
821自然语言处理的基本问题
822信息检索
823机器翻译
824自动问答
83多智能体
831多智能体系统模型
832多智能体系统的学习与协作
833多智能体系统的主要研究内容
834多智能体系统应用案例
84本章小结
习题
参考文献