《人工智能》一書(shū)系統(tǒng)介紹了人工智能的基本原理、基本技術(shù)、基本方法和應(yīng)用領(lǐng)域等內(nèi)容，比較全面地反映了60年來(lái)人工智能領(lǐng)域的進(jìn)展，并根據(jù)人工智能的發(fā)展動(dòng)向?qū)σ恍﹤鹘y(tǒng)內(nèi)容做了取舍。
內(nèi)容簡(jiǎn)介
本書(shū)系統(tǒng)介紹了人工智能的基本原理、基本技術(shù)、基本方法和應(yīng)用領(lǐng)域等內(nèi)容，比較全面地反映了60年來(lái)人工智能領(lǐng)域的進(jìn)展，并根據(jù)人工智能的發(fā)展動(dòng)向?qū)σ恍﹤鹘y(tǒng)內(nèi)容做了取舍。全書(shū)共9章。第1章介紹人工智能的基本概念、發(fā)展歷史、應(yīng)用領(lǐng)域等。
目錄
第1章緒論
1.1人工智能的定義
1.2人工智能的發(fā)展歷史
1.2.1孕育階段
1.2.2形成階段
1.2.3發(fā)展階段
1.3人工智能的三大學(xué)派
1.3.1符號(hào)主義
1.3.2連接主義
1.3.3行為主義
1.4人工智能研究?jī)?nèi)容與應(yīng)用領(lǐng)域
1.4.1問(wèn)題求解
1.4.2專家系統(tǒng)
1.4.3機(jī)器學(xué)習(xí)
1.4.4神經(jīng)網(wǎng)絡(luò)
1.4.5模式識(shí)別
1.4.6數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)
1.4.7計(jì)算機(jī)視覺(jué)
1.4.8智能控制
1.4.9計(jì)算智能
1.4.10其他
1.5人工智能的發(fā)展趨勢(shì)
1.5.1多學(xué)科交叉研究
1.5.2智能應(yīng)用和智能產(chǎn)業(yè)
1.6習(xí)題
第2章知識(shí)表示
2.1概述
2.1.1知識(shí)及知識(shí)的分類(lèi)
2.1.2知識(shí)表示
2.2謂詞邏輯表示法
2.2.1基本概念
2.2.2謂詞邏輯表示法
2.2.3謂詞邏輯表示法的經(jīng)典應(yīng)用
2.2.4謂詞邏輯表示法的特點(diǎn)
2.3產(chǎn)生式表示法
2.3.1概述
2.3.2產(chǎn)生式系統(tǒng)
2.3.3產(chǎn)生式表示法應(yīng)用舉例
2.3.4產(chǎn)生式系統(tǒng)的推理方式
2.3.5產(chǎn)生式系統(tǒng)的特點(diǎn)
2.4語(yǔ)義網(wǎng)絡(luò)表示法
2.4.1語(yǔ)義網(wǎng)絡(luò)基本概念
2.4.2語(yǔ)義網(wǎng)絡(luò)中常用的語(yǔ)義聯(lián)系
2.4.3語(yǔ)義網(wǎng)絡(luò)表示知識(shí)的方法
2.4.4語(yǔ)義網(wǎng)絡(luò)的推理過(guò)程
2.4.5語(yǔ)義網(wǎng)絡(luò)表示的特點(diǎn)
2.5框架表示法
2.5.1框架基本結(jié)構(gòu)
2.5.2基于框架的推理
2.5.3框架表示法的特點(diǎn)
2.6習(xí)題
第3章搜索策略
3.1搜索的基本概念
3.1.1搜索的含義
3.1.2狀態(tài)空間法
3.1.3問(wèn)題歸約法
3.2狀態(tài)空間搜索
3.2.1盲目搜索
3.2.2狀態(tài)空間的啟發(fā)式搜索
3.3博弈樹(shù)的啟發(fā)式搜索
3.3.1概述
3.3.2極大極小過(guò)程
3.3.3αβ剪枝
3.4習(xí)題
第4章確定性推理
4.1推理的基本概念
4.1.1什么是推理
4.1.2推理方法及其分類(lèi)
4.1.3推理的控制策略及其分類(lèi)
4.1.4正向推理
4.1.5逆向推理
4.1.6混合推理
4.2推理的邏輯基礎(chǔ)
4.2.1謂詞公式的解釋
4.2.2謂詞公式的永真性與可滿足性
4.2.3謂詞公式的等價(jià)性與永真蘊(yùn)含性
4.2.4謂詞公式的范式
4.2.5置換與合一
4.3自然演繹推理
4.4歸結(jié)演繹推理
4.4.1子句集及其簡(jiǎn)化
4.4.2魯濱孫·克魯索歸結(jié)原理
4.4.3歸結(jié)演繹推理的歸結(jié)策略
4.4.4用歸結(jié)反演求取問(wèn)題的解
4.5基于規(guī)則的演繹推理
4.5.1規(guī)則正向演繹推理
4.5.2規(guī)則逆向演繹推理
4.6習(xí)題
第5章不確定性推理
5.1概述
5.1.1為什么要采用不確定性推理
5.1.2不確定性推理要解決的問(wèn)題
5.1.3不確定性推理類(lèi)型
5.2概率基礎(chǔ)
5.3主觀托馬斯·貝葉斯方法
5.3.1不確定性的表示
5.3.2組合證據(jù)不確定性的計(jì)算
5.3.3不確定性的傳遞算法
5.3.4結(jié)論不確定性的合成
5.4可信度方法
5.4.1不確定性的表示
5.4.2組合證據(jù)不確定性的計(jì)算
5.4.3不確定性的傳遞算法
5.4.4結(jié)論不確定性的合成
5.5證據(jù)理論
5.5.1理論基礎(chǔ)
5.5.2不確定性表示
5.5.3組合證據(jù)不確定性的計(jì)算
5.5.4不確定性的更新
5.6模糊推理
5.6.1模糊知識(shí)的表示
5.6.2模糊概念的匹配
5.6.3模糊推理
5.7習(xí)題
第6章機(jī)器學(xué)習(xí)
6.1概述
6.1.1機(jī)器學(xué)習(xí)的基本概念
6.1.2機(jī)器學(xué)習(xí)的發(fā)展歷史
6.1.3學(xué)習(xí)系統(tǒng)的基本模型
6.1.4學(xué)習(xí)策略
6.2記憶學(xué)習(xí)
6.3歸納學(xué)習(xí)
6.3.1 示例學(xué)習(xí)
6.3.2觀察與發(fā)現(xiàn)學(xué)習(xí)
6.4決策樹(shù)學(xué)習(xí)
6.5類(lèi)比學(xué)習(xí)
6.5.1類(lèi)比學(xué)習(xí)的基本過(guò)程
6.5.2屬性類(lèi)比學(xué)習(xí)
6.5.3轉(zhuǎn)換類(lèi)比學(xué)習(xí)
6.5.4派生類(lèi)比學(xué)習(xí)
6.5.5聯(lián)想類(lèi)比學(xué)習(xí)
6.6解釋學(xué)習(xí)
6.7神經(jīng)學(xué)習(xí)
6.7.1感知器學(xué)習(xí)
6.7.2反向傳播網(wǎng)絡(luò)學(xué)習(xí)
6.7.3Hopfield網(wǎng)絡(luò)學(xué)習(xí)
6.8托馬斯·貝葉斯學(xué)習(xí)
6.8.1貝葉斯定理
6.8.2樸素貝葉斯分類(lèi)算法
6.9在線機(jī)器學(xué)習(xí)
6.9.1截?cái)?a href="/hebeideji/3556380345982002133.html">梯度法
6.9.2前向后向切分算法
6.9.3正則對(duì)偶平均算法
6.9.4FTRL
6.10習(xí)題
7.1數(shù)據(jù)挖掘概述
7.1.1數(shù)據(jù)挖掘概念與發(fā)展
7.1.2數(shù)據(jù)挖掘的任務(wù)
7.1.3數(shù)據(jù)挖掘的應(yīng)用
7.1.4數(shù)據(jù)挖掘過(guò)程與方法
7.2分類(lèi)
7.2.1決策樹(shù)分類(lèi)法
7.2.2基于規(guī)則的分類(lèi)器
7.2.3樸素托馬斯·貝葉斯分類(lèi)器
7.2.4基于距離的分類(lèi)算法
7.3聚類(lèi)
7.3.1概念
7.3.2聚類(lèi)分析的基本方法
7.4關(guān)聯(lián)規(guī)則
7.4.1基本概念
7.4.2關(guān)聯(lián)規(guī)則挖掘算法
7.4.3關(guān)聯(lián)規(guī)則生成
7.5習(xí)題
第8章大數(shù)據(jù)
8.1大數(shù)據(jù)概述
8.1.1大數(shù)據(jù)概念
8.1.2特征
8.1.3發(fā)展歷程
8.1.4應(yīng)用
8.2數(shù)據(jù)獲取
8.2.1網(wǎng)絡(luò)爬蟲(chóng)
8.2.2RSS
8.3.1概述
8.3.2數(shù)據(jù)挖掘工具
8.3.3現(xiàn)狀與未來(lái)
8.4數(shù)據(jù)分析
8.4.1概述
8.4.2數(shù)據(jù)分析流程
8.4.3數(shù)據(jù)分析方法
8.4.4數(shù)據(jù)分析工具
8.5Hadoop
8.5.1簡(jiǎn)介
8.5.2分布式離線計(jì)算框架MapReduce
8.5.3Hadoop分布式文件系統(tǒng)
8.5.4HBase大數(shù)據(jù)庫(kù)
8.7習(xí)題
第9章深度學(xué)習(xí)
9.1深度學(xué)習(xí)應(yīng)用背景與概述
9.1.1應(yīng)用背景
9.1.2概述
9.1.3人腦視覺(jué)機(jī)理
9.2特征的概念
9.2.1特征表示的粒度
9.2.2初級(jí)（淺層）特征表示
9.2.3結(jié)構(gòu)性特征表示
9.2.4特征數(shù)量
9.3深度學(xué)習(xí)基本思想
9.4淺層學(xué)習(xí)和深度學(xué)習(xí)
9.4.1淺層學(xué)習(xí)
9.4.2深度學(xué)習(xí)
9.5深度學(xué)習(xí)常用模型和方法
9.5.1自動(dòng)編碼器
9.5.2稀疏編碼
9.5.3深度信念網(wǎng)絡(luò)
9.5.4卷積神經(jīng)網(wǎng)絡(luò)
9.6深度學(xué)習(xí)展望
9.7習(xí)題
參考文獻(xiàn)
參考資料 >