人工智能導論(第2版)（簡體書）

《人工智能導論 第2版》系統地闡述了人工智能的基本理論、基本技術、研究方法和應用領域，全面地反映了人工智能研究領域的發展，並根據人工智能的發展動向對一些傳統內容做了取捨，如詳細介紹了機器學習方面的內容。《人工智能導論 第2版》共分為8章，內容涉及人工智能的基本概念、知識工程、確定性推理和不確定性推理、搜索與優化策略、機器學習、人工神經網絡與深度學習，以及模式識別、自然語言處理和多智能體等。每章後面附有習題，以供讀者練習。
《人工智能導論 第2版》充分考慮到人工智能領域的發展動態，注重系統性、新穎性、實用性和可讀性，內容由淺入深、循序漸進、條理清晰。
《人工智能導論 第2版》適合作為計算機專業本科生和其他相關專業本科生、研究生的教材，也可作為有關科技人員的參考書。

重點介紹一些基本原理和基本方法，讓讀者對人工智能有一個基本認識

前言

第1章緒論

11什麼是人工智能

111關於智能

112人工智能的研究目標

12人工智能發展簡史

13人工智能的研究方法

131人工智能的研究特點

132人工智能的研究途徑

133人工智能研究資源

14人工智能研究及應用領域

141模式識別

142自然語言處理

143機器學習與數據挖掘

144人工神經網絡與深度學習

145博弈

146多智能體

147專家系統

148計算機視覺

149自動定理證明

1410智能控制

1411機器人學

1412人工生命

15本章小結

習題

第2章知識工程

21概述

22知識表示方法

221經典邏輯表示法

222產生式表示法

223層次結構表示法

224網絡結構表示法

225其他表示法

23知識獲取與管理

231知識獲取的任務

232知識獲取的方式

233知識管理

234本體論

235知識圖譜

24基於知識的系統

241什麼是知識系統

242專家系統

243問答系統

244知識系統舉例

25本章小結

習題

第3章確定性推理

31概述

311推理方式與分類

312推理控制策略

313知識匹配

32自然演繹推理

33歸結演繹推理

331歸結原理

332歸結策略

333應用歸結原理求解問題

34與或形演繹推理

341與或形正向演繹推理

342與或形逆向演繹推理

343與或形雙向演繹推理

35本章小結

習題

第4章不確定性推理

41概述

42基本概率方法

43主觀貝葉斯方法

431不確定性的表示

432不確定性的傳遞算法

433結論不確定性的合成算法

44可信度方法

441基本可信度模型

442帶閾值限度的可信度模型

443加權的可信度模型

444前件帶不確定性的可信度模型

45模糊推理

451模糊理論

452簡單模糊推理

453模糊三段論推理

454多維模糊推理

455多重模糊推理

456帶有可信度因子的模糊推理

46證據理論

461D-S理論

462基於證據理論的不確定性推理

47粗糙集理論

471粗糙集理論的基本概念

472粗糙集在知識發現中的應用

48本章小結

習題

第5章搜索與優化策略

51概述

511什麼是搜索

512狀態空間表示法

513與或樹表示法

52狀態空間搜索

521狀態空間的一般搜索過程

522廣度優先搜索

523深度優先搜索

524有界深度優先搜索

525啟發式搜索

526A*算法

53與或樹搜索

531與或樹的一般搜索過程

532與或樹的廣度優先搜索

533與或樹的深度優先搜索

534與或樹的有序搜索

535博弈樹的啟發式搜索

536剪枝技術

537人機對弈與AlphaGo

54智能優化搜索

541NP問題

542優化問題

543遺傳算法

544蟻群算法

545粒子群算法

546智能優化搜索應用案例

55本章小結

習題

第6章機器學習

61概述

611什麼是機器學習

612機器學習方法分類

613機器學習的基本問題

614評估學習結果

62決策樹學習

621決策樹表示法

622ID3算法

623決策樹學習的常見問題

624隨機森林算法

625決策樹學習應用案例

63貝葉斯學習

631貝葉斯法則

632樸素貝葉斯方法

633貝葉斯網絡

634EM算法

635貝葉斯學習應用案例

64統計學習

641小樣本統計學習理論

642支持向量機

643核函數

644支持向量機應用案例

65聚類

651聚類問題

652分層聚類方法

653劃分聚類方法

654基於密度的聚類方法

655基於網格的聚類方法

656聚類算法應用案例

66特徵選擇與表示學習

661特徵提取與選擇

662常用的特徵函數

663主成分分析

664表示學習

665表示學習應用案例

67其他學習方法

671k近鄰算法

672強化學習

673隱馬爾可夫模型

68本章小結

習題

第7章人工神經網絡與深度學習

71概述

711人腦神經系統

712人工神經網絡的研究內容與特點

713人工神經網絡基本形態

714深度學習

72前饋神經網絡

721感知器模型

722反向傳播算法

723卷積神經網絡

724前饋神經網絡應用案例

73反饋神經網絡

731循環神經網絡

732長短期記憶網絡

733雙向循環神經網絡

734反饋神經網絡應用案例

74本章小結

習題

第8章人工智能的其他領域

81模式識別

811模式識別的基本問題

812圖像識別

813人臉識別

82自然語言處理

821自然語言處理的基本問題

822信息檢索

823機器翻譯

824自動問答

83多智能體

831多智能體系統模型

832多智能體系統的學習與協作

833多智能體系統的主要研究內容

834多智能體系統應用案例

84本章小結

習題

參考文獻