人工智能（第3版·微課視頻版）

目錄

第1章緒論

1.1人工智能的概念

1.1.1智能的定義

1.1.2人工智能的定義

1.2人工智能的誕生與發展

1.2.1孕育期

1.2.2形成期

1.2.3蕭條期

1.2.4第二個興旺期

1.2.5穩步增長期

1.2.6中國的人工智能發展

1.3人工智能的主要研究學派

1.3.1符號主義學派

1.3.2連接主義學派

1.3.3行為主義學派

1.4人工智能的主要研究內容

1.5人工智能的主要應用領域

1.6小結

習題

第2章知識表示

2.1知識表示概述

2.1.1知識的概念 

2.1.2知識表示的概念

2.2一階謂詞邏輯表示法

2.2.1命題

2.2.2謂詞 

2.2.3謂詞公式 

2.2.4謂詞邏輯表示

2.2.5謂詞邏輯表示法的特點

2.3產生式表示法

2.3.1產生式表示的基本方法

2.3.2產生式系統的基本結構

2.3.3產生式系統的分類

2.3.4產生式表示法的特點

2.4語義網絡表示法

2.4.1語義網絡的基本概念

2.4.2語義網絡的基本語義關系

2.4.3語義網絡表示知識的方法

2.4.4語義網絡的推理過程

2.4.5語義網絡表示法的特點

2.5框架表示法

2.5.1框架結構

2.5.2框架表示

2.5.3框架表示的推理過程

2.5.4框架表示法的特點

2.6腳本表示法

2.7面向對象表示法

2.7.1面向對象的基本概念

2.7.2面向對象方法學的主要觀點

2.8小結

習題

第3章搜索策略

3.1搜索策略概述

3.2基於狀態空間圖的搜索技術

3.2.1圖搜索的基本概念

3.2.2狀態空間搜索

3.2.3一般圖搜索過程

3.3盲目搜索

3.3.1寬度優先搜索

3.3.2深度優先搜索

3.3.3有界深度搜索和迭代加深搜索 

3.3.4搜索最優策略的比較 

3.4啟發式搜索

3.4.1啟發性信息和評估函數

3.4.2啟發式搜索A算法

3.4.3實現啟發式搜索的關鍵因素

3.4.4A*算法

3.4.5迭代加深A*算法 

3.5回溯搜索和爬山法

3.5.1爬山法

3.5.2回溯策略

3.6問題規約和與或圖啟發式搜索

3.6.1問題規約

3.6.2與或圖表示

3.6.3與或圖的啟發式搜索

3.7博弈

3.7.1極大極小過程 

3.7.2αβ過程 

3.8小結

習題

第4章確定性推理

4.1推理概述

4.1.1推理的概念

4.1.2推理的分類

4.1.3推理的控制策略

4.2推理的邏輯基礎

4.2.1謂詞公式的永真性和可滿足性

4.2.2置換與合一

4.3自然演繹推理

4.4歸結演繹推理

4.4.1子句集

4.4.2魯濱遜歸結原理

4.4.3歸結演繹推理的歸結策略

4.4.4用歸結原理求取問題的答案

4.5小結

習題

第5章不確定性推理

5.1不確定性推理概述

5.1.1什麽是不確定性推理

5.1.2知識不確定性的來源

5.1.3不確定性推理方法分類

5.2不確定性推理的基本問題

5.2.1表示問題

5.2.2計算問題

5.2.3語義問題

5.3概率方法

5.3.1概率論基礎

5.3.2經典概率方法

5.3.3逆概率方法

5.4主觀Bayes方法

5.4.1規則不確定性的表示

5.4.2證據不確定性的表示

5.4.3組合證據不確定性的計算

5.4.4不確定性推理的計算

5.4.5結論不確定性的合成算法

5.5可信度方法

5.5.1可信度的定義和性質

5.5.2CF模型

5.5.3可信度方法的說明

5.6證據理論

5.6.1證據理論的形式描述

5.6.2證據理論的推理模型

5.6.3證據不確定性的表示

5.6.4規則不確定性的表示

5.6.5不確定性推理計算

5.6.6組合證據不確定性的計算

5.7模糊推理

5.7.1模糊數學的基本知識

5.7.2模糊假言推理

5.8小結

習題

第6章機器學習

6.1概述

6.1.1學習與機器學習

6.1.2學習系統

6.1.3機器學習的發展簡史

6.1.4機器學習的分類

6.1.5機器學習的應用與研究目標

6.2歸納學習

6.2.1歸納學習的基本概念

6.2.2變型空間學習

6.2.3歸納偏置

6.3決策樹學習

6.3.1決策樹的組成及分類

6.3.2決策樹的構造算法CLS

6.3.3基本的決策樹算法ID3

6.3.4決策樹的偏置

6.4基於實例的學習

6.4.1k近鄰算法

6.4.2距離加權最近鄰法

6.4.3基於範例的學習

6.5強化學習

6.5.1強化學習模型

6.5.2馬爾可夫決策過程

6.5.3Q學習

6.6小結

習題

第7章支持向量機

7.1支持向量機概述

7.1.1支持向量機的概念

7.1.2支持向量機的基本思想

7.2統計學習理論

7.2.1學習問題的表示

7.2.2期望風險和經驗風險

7.2.3VC維理論

7.2.4推廣性的界

7.2.5結構風險最小化

7.3支持向量機的構造

7.3.1函數集結構的構造

7.3.2支持向量機求解

7.4核函數

7.4.1概述

7.4.2核函數的分類

7.5SVM的算法及多類SVM

7.6用於非線性回歸的SVM

7.7支持向量機的應用

7.8小結

習題

第8章專家系統

8.1專家系統概述

8.1.1專家系統的主要特性

8.1.2專家系統的結構與類型

8.2基於規則的專家系統

8.2.1基於規則的專家系統的基本結構

8.2.2基於規則的專家系統的特點

8.2.3基於規則的專家系統舉例

8.3基於框架的專家系統

8.3.1基於框架的專家系統簡介

8.3.2基於框架的專家系統的繼承、槽和方法

8.3.3基於框架的專家系統舉例

8.4基於模型的專家系統

8.4.1基於模型的專家系統的概念

8.4.2基於模型的專家系統舉例

8.5專家系統的開發

8.5.1開發步驟

8.5.2知識獲取

8.5.3開發工具及環境

8.6專家系統設計舉例

8.6.1專家知識的描述

8.6.2知識的使用

8.6.3決策的解釋

8.6.4MYCIN系統

8.7新型專家系統

8.8小結

習題

第9章神經計算

9.1人工神經元模型

9.2感知器

9.2.1感知器的結構

9.2.2感知器學習算法

9.3反向傳播網絡

9.3.1BP網絡的結構

9.3.2BP網絡的學習算法

9.4自組織映射神經網絡

9.4.1SOM網絡結構

9.4.2SOM網絡的學習算法

9.5Hopfield網絡

9.5.1離散Hopfield網絡的結構

9.5.2離散Hopfield 網絡的穩定性

9.5.3離散Hopfield 網絡的學習算法

9.6脈沖耦合神經網絡

9.6.1PCNN的結構

9.6.2PCNN的學習算法

9.7面向時序數據的神經網絡

9.7.1循環神經網絡及其學習算法

9.7.2長短時記憶神經網絡

9.8深度神經網絡

9.8.1捲積神經網絡

9.8.2註意力機制

9.9小結

習題

第10章進化計算

10.1進化計算概述

10.2遺傳算法

10.2.1遺傳算法的基本原理

10.2.2遺傳算法的應用示例

10.2.3模式定理

10.2.4遺傳算法的改進

10.3進化規劃

10.3.1標準進化規劃及其改進

10.3.2進化規劃的基本技術

10.4進化策略

10.4.1進化策略及其改進

10.4.2進化策略的基本技術

10.5GA、EP、ES的異同

10.5.1GA、ES的異同

10.5.2EP和ES的異同

10.6小結

習題

第11章模糊計算

11.1模糊集合的概念

11.1.1模糊集合的定義

11.1.2模糊集合的表示方法

11.2模糊集合的代數運算

11.3正態模糊集和凸模糊集

11.4模糊關系

11.4.1模糊關系的概述

11.4.2模糊關系的性質

11.5模糊判決

11.6模糊數學在模式識別中的應用

11.6.1模糊模式識別的直接方法

11.6.2模糊模式識別的間接方法

11.7模糊綜合評判

11.8小結

習題

第12章群智能

12.1群智能概述

12.1.1群智能優化算法定義

12.1.2群智能優化算法原理

12.1.3群智能優化算法特點

12.2蟻群優化算法

12.2.1蟻群優化算法概述

12.2.2蟻群優化算法的數學模型

12.2.3蟻群優化算法的改進

12.2.4蟻群優化算法的應用示例

12.3粒子群優化算法

12.3.1粒子群優化算法基本思想

12.3.2粒子群優化算法基本框架

12.3.3粒子群優化算法參數分析與改進

12.3.4粒子群優化算法的應用示例

12.4其他群智能優化算法

12.4.1人工魚群算法

12.4.2細菌覓食算法

12.4.3混合蛙跳算法

12.4.4果蠅優化算法

12.5小結

習題

第13章爭論與展望

13.1爭論

13.1.1對人工智能理論的爭論

13.1.2對人工智能方法的爭論

13.1.3對人工智能技術路線的爭論

13.1.4對強弱人工智能的爭論

13.2展望

13.2.1更新的理論框架

13.2.2更好的技術集成

13.2.3更成熟的應用方法

13.2.4腦機接口

13.3小結

習題

參考文獻