编辑推荐
本书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。
内容简介
全书共分为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。
展开全文
- 封面
- 书名页
- 版权页
- 前言
- 目录
- 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
- 4.6.1 D-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
- 5.2.6 A∗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
- 5.4.1 NP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
- 6.2.2 ID3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
- 6.3.4 EM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
- 6.7.1 k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
- 封底
展开全部
版权信息
出版社：机械工业出版社
出版时间：2020
作者：鲍军鹏
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人工智能导论（第2版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2020
作者：鲍军鹏
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人工智能导论（第2版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
人工智能导论（第2版）
免费读 (VIP)