人工智能 类型
可以朗读 语音朗读
264千字 字数
2018-08-01 发行日期
展开全部

主编推荐语

国家级规划教材：9章人工智能全面剖析

内容简介

本书是普通高等教育”十一五”国家级规划教材和北京高等教育精品教材。全书共９章，分别是：第１章人工智能概述，第２章确定性知识系统，第３章搜索策略，第４章计算智能，第５章不确定性推理，第６章符号学习，第７章联结学习，第８章分布智能，第９章智能应用简介。附录Ａ是人工智能课程实验大纲。本书为任课教师免费提供电子课件。

目录

  • 封面
  • 版权页
  • 前言
  • 目录
  • 第1章 人工智能概述
  • 1.1 人工智能的基本概念
  • 1.1.1 智能的概念
  • 1.1.2 人工智能的概念
  • 1.1.3 人工智能的研究目标
  • 1.2 人工智能的产生与发展
  • 1.2.1 孕育期（1956年之前）
  • 1.2.2 形成期（1956年到20世纪60年代末）
  • 1.2.3 知识应用期（20世纪70年代初到80年代初）
  • 1.2.4 从学派分立走向综合（20世纪80年代中到21世纪初）
  • 1.2.5 机器学习和深度学习引领发展（21世纪初至今）
  • 1.3 人工智能研究的基本内容
  • 1.3.1 智能的脑与认知机理研究
  • 1.3.2 智能模拟的理论、方法和技术研究
  • 1.4 人工智能研究中的不同学派
  • 1.4.1 符号主义
  • 1.4.2 连接主义
  • 1.4.3 行为主义
  • 1.5 人工智能的研究和应用领域
  • 1.5.1 机器思维
  • 1.5.2 机器学习
  • 1.5.3 机器感知
  • 1.5.4 机器行为
  • 1.5.5 计算智能
  • 1.5.6 分布智能
  • 1.5.7 智能系统
  • 1.5.8 人工心理和人工情感
  • 1.5.9 人工智能的典型应用
  • 习题1
  • 第2章 确定性知识系统
  • 2.1 确定性知识系统概述
  • 2.1.1 确定性知识表示概述
  • 2.1.2 确定性知识推理概述
  • 2.2 确定性知识表示方法
  • 2.2.1 谓词逻辑表示法
  • 2.2.2 产生式表示法
  • 2.2.3 语义网络表示法
  • 2.2.4 框架表示法
  • 2.3 确定性知识推理方法
  • 2.3.1 产生式推理
  • 2.3.2 自然演绎推理
  • 2.3.3 归结演绎推理
  • 2.4 确定性知识系统简例
  • 2.4.1 产生式系统简例
  • 2.4.2 归结演绎系统简例
  • 习题2
  • 第3章 不确定性知识系统
  • 3.1 不确定性推理概述
  • 3.1.1 不确定性推理的含义
  • 3.1.2 不确定性推理的基本问题
  • 3.1.3 不确定性推理的类型
  • 3.2 可信度推理
  • 3.2.1 可信度的概念
  • 3.2.2 可信度推理模型
  • 3.2.3 可信度推理的例子
  • 3.3 主观Bayes推理
  • 3.3.1 主观Bayes方法的概率论基础
  • 3.3.2 主观Bayes方法的推理模型
  • 3.3.3 主观Bayes推理的例子
  • 3.3.4 主观Bayes推理的特性
  • 3.4 证据理论
  • 3.4.1 证据理论的形式化描述
  • 3.4.2 证据理论的推理模型
  • 3.4.3 推理实例
  • 3.4.4 证据理论推理的特性
  • 3.5 模糊推理
  • 3.5.1 模糊集及其运算
  • 3.5.2 模糊关系及其运算
  • 3.5.3 模糊知识表示
  • 3.5.4 模糊概念的匹配
  • 3.5.5 模糊推理的方法
  • 3.6 概率推理
  • 3.6.1 贝叶斯网络的概念及理论
  • 3.6.2 贝叶斯网络推理的概念和类型
  • 3.6.3 贝叶斯网络的精确推理
  • 3.6.4 贝叶斯网络的近似推理
  • 习题3
  • 第4章 智能搜索技术
  • 4.1 搜索概述
  • 4.1.1 搜索的含义
  • 4.1.2 状态空间问题求解方法
  • 4.1.3 问题归约求解方法
  • 4.1.4 进化搜索法概述
  • 4.2 状态空间的启发式搜索
  • 4.2.1 启发性信息和估价函数
  • 4.2.2 A算法
  • 4.2.3 A*算法
  • 4.2.4 A＊算法应用举例
  • 4.3 与/或树的启发式搜索
  • 4.3.1 解树的代价与希望树
  • 4.3.2 与/或树的启发式搜索过程
  • 4.4 博弈树的启发式搜索
  • 4.4.1 博弈概述
  • 4.4.2 极大/极小过程
  • 4.4.3 α-β剪枝
  • 4.5 遗传算法
  • 4.5.1 遗传算法中的基本概念
  • 4.5.2 遗传算法的基本过程
  • 4.5.3 遗传编码
  • 4.5.4 适应度函数
  • 4.5.5 基本遗传操作
  • 4.5.6 遗传算法应用简例
  • 习题4
  • 第5章 机器学习
  • 5.1 机器学习概述
  • 5.1.1 学习的概念
  • 5.1.2 机器学习的概念
  • 5.1.3 机器学习系统的基本模型
  • 5.2 记忆学习
  • 5.3 示例学习
  • 5.3.1 示例学习的类型
  • 5.3.2 示例学习的模型
  • 5.3.3 示例学习的归纳方法
  • 5.4 决策树学习
  • 5.4.1 决策树的概念
  • 5.4.2 lD3算法
  • 5.5 统计学习
  • 5.5.1 小样本统计学习理论
  • 5.5.2 支持向量机
  • 5.6 集成学习
  • 5.6.1 集成学习概述
  • 5.6.2 AdaBoost算法
  • 5.6.3 Bagging算法
  • 5.7 粗糙集知识发现
  • 5.7.1 粗糙集概述
  • 5.7.2 粗糙集的基本理论
  • 5.7.3 决策表的约简
  • 习题5
  • 第6章 人工神经网络与连接学习
  • 6.1 概述
  • 6.1.1 人工神经网络概述
  • 6.1.2 连接学习概述
  • 6.2 人工神经网络的生物机理
  • 6.2.1 人脑神经元的结构及功能
  • 6.2.2 学习的神经机理
  • 6.3 人工神经元及人工神经网络的结构
  • 6.3.1 人工神经元的结构及模型
  • 6.3.2 人工神经网络的互连结构
  • 6.4 人工神经网络的浅层模型
  • 6.4.1 感知器模型
  • 6.4.2 BP网络模型
  • 6.4.3 Hopfield网络模型
  • 6.5 深层神经网络模型
  • 6.5.1 深度卷积神经网络
  • 6.5.2 深度波尔茨曼机与深度信念网络
  • 6.6 浅层连接学习
  • 6.6.1 连接学习规则
  • 6.6.2 感知器学习
  • 6.6.3 BP网络学习
  • 6.6.4 Hopfield网络学习
  • 6.7 深度学习
  • 6.7.1 深度学习概述
  • 6.7.2 深度卷积神经网络学习
  • 6.7.3 卷积神经网络学习的经典模型LeNet5
  • 习题6
  • 第7章 分布智能
  • 7.1 分布智能概述
  • 7.1.1 分布智能的概念
  • 7.1.2 分布式问题求解
  • 7.1.3 多Agent系统
  • 7.2 Agent的结构
  • 7.2.1 Agent的机理
  • 7.2.2 反应Agent的结构
  • 7.2.3 认知Agent的结构
  • 7.2.4 混合Agent的结构
  • 7.3 多Agent系统
  • 7.3.1 Agent通信
  • 7.3.2 多Agent合作
  • 7.4 移动Agent
  • 7.4.1 移动Agent系统的一般结构
  • 7.4.2 移动Agent的实现技术及应用
  • 习题7
  • 第8章 智能应用简介
  • 8.1 自然语言理解简介
  • 8.1.1 自然语言理解的基本概念
  • 8.1.2 词法分析
  • 8.1.3 句法分析
  • 8.1.4 语义分析
  • 8.2 专家系统简介
  • 8.2.1 专家系统概述
  • 8.2.2 基于规则和基于框架的专家系统
  • 8.2.3 模糊专家系统和神经网络专家系统
  • 8.2.4 基于Web的专家系统
  • 8.2.5 分布式和协同式专家系统
  • 8.2.6 专家系统的开发
  • 习题8
  • 附录A 新一代人工智能简介
  • A.1 新一代人工智能基础理论简介
  • A.2 新一代人工智能关键共性技术简介
  • 参考文献
  • 反侵权盗版声明
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。