相關商品
商品簡介
目次
商品簡介
《21世紀高等學校規劃教材·計算機科學與技術:人工智能》系統地闡述了人工智能的基本原理、方法和應用技術,比較全面地反映了國內外人工智能領域研究的最新進展和研究動態。全書將人工智能劃分為3篇,第1篇:基本人工智能。論述人工智能的基本理論與技術。第2篇:高級人工智能。論述人工智能的高級理論與技術,主要涉及粗糙集與軟計算、進化計算、模糊計算,以及粒度計算等人工智能的研究熱點。第3篇:人工智能的展望。討論人工智能的爭論與展望。
《21世紀高等學校規劃教材·計算機科學與技術:人工智能》力求科學性、實用性、可讀性好。內容由淺入深、循序漸進,條理清晰,讓學生在有限的時間內,掌握人工智能的基本原理與應用技術。
《21世紀高等學校規劃教材·計算機科學與技術:人工智能》可作為高等院校高年級本科生和研究生的人工智能課程教材,也可供從事人工智能研究與應用的科技工作者學習參考。
《21世紀高等學校規劃教材·計算機科學與技術:人工智能》力求科學性、實用性、可讀性好。內容由淺入深、循序漸進,條理清晰,讓學生在有限的時間內,掌握人工智能的基本原理與應用技術。
《21世紀高等學校規劃教材·計算機科學與技術:人工智能》可作為高等院校高年級本科生和研究生的人工智能課程教材,也可供從事人工智能研究與應用的科技工作者學習參考。
目次
第1篇 基本人工智能
第1章 緒論 3
1.1 什麼是人工智能 3
1.1.1 人工智能的定義 3
1.1.2 人工智能研究的目標 4
1.2 人工智能的發展 4
1.2.1 人工智能的孕育期 4
1.2.2 搖籃期 5
1.2.3 形成期 5
1.2.4 發展期 6
1.2.5 實用期 7
1.2.6 穩步增長期 8
1.3 人工智能的研究方法 8
1.3.1 符號主義 8
1.3.2 連接主義 9
1.3.3 行為主義 9
1.4 人工智能的應用領域 9
1.4.1 機器學習 9
1.4.2 問題求解 10
1.4.3 專家系統 10
.1.4.4 模式識別 10
1.4.5 自然語言處理 11
1.4.6 智能決策支持系統 11
1.4.7 人工神經網絡 11
1.4.8 自動定理證明 12
1.4.9 機器人學 12
1.5 本章小結 12
習題1 13
第2章 知識表示 14
2.1 概述 14
2.1.1 知識與知識表示 14
2.1.2 知識表示方法 15
2.2 謂詞邏輯表示法 16
2.2.1 命題邏輯 16
2.2.2 謂詞邏輯 18
2.3 產生式表示法 22
2.3.1 產生式可表示的知識種類及其基本形式 23
2.3.2 知識的表示方法 23
2.3.3 產生式系統的組成 24
2.3.4 產生式系統的推理方式 25
2.3.5 產生式表示法的特點 26
2.4 語義網絡表示法 28
2.4.1 語義網絡的概念及結構 28
2.4.2 語義網絡的基本語義聯系 29
2.4.3 語義網絡表示知識的方法及步驟 31
2.4.4 語義網絡知識表示舉例 34
2.4.5 語義網絡的推理過程 35
2.4.6 語義網絡表示法的特點 36
2.5 框架表示法 37
2.5.1 框架結構 37
2.5.2 框架表示知識舉例 39
2.5.3 推理方法 40
2.5.4 框架表示法的特點 40
2.6 腳本表示法 41
2.6.1 腳本的定義與組成 41
2.6.2 用腳本表示知識的步驟 43
2.6.3 用腳本表示知識的推理方法 44
2.6.4 腳本表示法的特點 45
2.7 狀態空間表示法 45
2.7.1 問題狀態空間的構成 45
2.7.2 用狀態空間表示問題的步驟 46
2.7.3 利用狀態空間求解問題的過程 46
2.8 面向對象的知識表示 48
2.8.1 面向對象的基本概念 48
2.8.2 面向對象的知識表示 49
2.8.3 面向對象方法學的主要觀點 50
2.9 本章小結 50
習題2 51
第3章 搜索策略 53
3.1 引言 53
3.2 基於狀態空間圖的搜索技術 54
3.2.1 圖搜索的基本概念 55
3.2.2 狀態空間搜索 55
3.2.3 一般圖的搜索算法 60
3.3 盲目搜索 61
3.3.1 寬度優先搜索 61
3.3.2 深度優先搜索 63
3.3.3 有界深度搜索和迭代加深搜索 65
3.3.4 搜索最優策略的比較 66
3.4 啟發式搜索 67
3.4.1 啟發性信息和評估函數 67
3.4.2 啟發式搜索a算法 68
3.4.3 實現啟發式搜索的關鍵因素和a*算法 69
3.4.4 迭代加深a*算法 72
3.4.5 爬山法和回溯策略 73
3.5 問題規約和與或圖啟發式搜索 74
3.5.1 問題規約 74
3.5.2 與或圖表示 76
3.5.3 與或圖的啟發式搜索 78
3.6 博弈 81
3.6.1 極大極小過程 83
3.6.2 α β 過程 85
3.7 本章小結 87
習題3 87
第4章 確定性推理 89
4.1 推理技術概述 89
4.1.1 推理的概述和類型 89
4.1.2 推理的控制策略 92
4.2 推理的邏輯基礎 93
4.2.1 謂詞與個體 93
4.2.2 謂詞公式的永真性和可滿足性 94
4.3 自然演繹推理 96
4.4 歸結演繹推理 97
4.4.1 子句型 97
4.4.2 魯濱遜歸結原理 100
4.4.3 歸結演繹推理的歸結策略 103
4.4.4 用歸結反演求取問題的答案 107
4.5 本章小結 108
習題4 109
第5章 不確定性推理 110
5.1 概述 110
5.1.1 什麼是不確定性推理 110
5.1.2 不確定性推理要解決的基本問題 111
5.1.3 不確定性推理方法分類 112
5.2 不確定性的表示和度量 113
5.2.1 知識的不確定性 113
5.2.2 證據的不確定性 114
5.2.3 不確定性的表示 114
5.3 主觀bayes方法 114
5.3.1 知識不確定性的表示 115
5.3.2 證據不確定性的表示 118
5.3.3 不確定性的更新 119
5.3.4 結論不確定性的合成算法 120
5.4 可信度方法 123
5.4.1 可信度模型 124
5.4.2 確定性方法的說明 129
5.5 證據理論 130
5.5.1 證據的不確定性 130
5.5.2 證據的組合函數 132
5.5.3 規則的不確定性 133
5.5.4 不確定性的組合 134
5.6 本章小結 136
習題5 137
第6章 機器學習 139
6.1 機器學習概述 139
6.1.1 機器學習的基本概念 139
6.1.2 機器學習的發展簡史 140
6.1.3 機器學習分類 141
6.1.4 機器學習的應用與研究目標 142
6.2 歸納學習 142
6.2.1 歸納學習的基本概念 143
6.2.2 變型空間學習 144
6.2.3 歸納偏置 146
6.3 決策樹學習 147
6.3.1 決策樹的組成及分類 147
6.3.2 決策樹的構造算法cls 148
6.3.3 基本的決策樹算法id3 150
6.3.4 決策樹的偏置 152
6.4 基於實例的學習 153
6.4.1 近鄰算法 153
6.4.2 距離加權最近鄰法 154
6.4.3 基於範例的學習 155
6.5 強化學習 159
6.5.1 強化學習模型 159
6.5.2 馬爾可夫決策過程 160
6.5.3 學習 161
6.6 本章小結 163
習題6 164
第2篇 高級人工智能
第7章 支持向量機 169
7.1 概述 169
7.2 統計學習理論 170
7.2.1 學習問題的表示 170
7.2.2 期望風險和經驗風險 171
7.2.3 vc維理論 172
7.2.4 推廣性的界 173
7.2.5 結構風險最小化 174
7.3 支持向量機 175
7.3.1 函數集結構的構造 175
7.3.2 支持向量機 176
7.4 核函數 179
7.4.1 概述 179
7.4.2 核函數的分類 180
7.5 svm的算法及多類svm 181
7.5.1 svm的算法 181
7.5.2 多類問題中的svm 181
7.6 svm的應用現狀 182
7.6.1 人臉檢測、驗證和識別 182
7.6.2 說話人/語音識別 182
7.6.3 文字/手寫體識別 182
7.6.4 圖像處理 183
7.7 本章小結 183
第8章 神經計算 185
8.1 人工神經元模型 185
8.2 感知器 187
8.2.1 感知器的結構 187
8.2.2 感知器學習算法 188
8.3 反向傳播網絡 190
8.3.1 bp網絡的結構 190
8.3.2 bp網絡的學習算法 190
8.4 自組織映射神經網絡 193
8.4.1 som網絡結構 193
8.4.2 som網絡的學習算法 194
8.5 hopfield網絡 196
8.5.1 離散hopfield網絡的結構 196
8.5.2 離散hopfield 網絡的穩定性 197
8.5.3 離散hopfield 網絡的學習算法 197
8.6 脈沖耦合神經網絡 198
8.6.1 pcnn的結構 198
8.6.2 pcnn的學習算法 198
8.7 神經計算的發展趨勢 199
8.8 本章小結 200
習題8 201
第9章 進化計算 202
9.1 概述 202
9.2 遺傳算法 203
9.2.1 遺傳算法的基本原理 203
9.2.2 遺傳算法的應用示例 204
9.2.3 模式定理 207
9.2.4 遺傳算法的改進 210
9.3 進化規劃 211
9.3.1 標準進化規劃及其改進 211
9.3.2 進化規劃的基本技術 213
9.4 進化策略 214
9.4.1 進化策略及其改進 214
9.4.2 進化策略的基本技術 215
9.5 ga、ep、es的異同 216
9.6 本章小結 217
習題9 218
第10章 模糊計算 219
10.1 模糊集合的概念 219
10.1.1 模糊集合的定義 219
10.1.2 模糊集合的表示方法 220
10.2 模糊集合的代數運算 223
10.3 正態模糊集和凸模糊集 226
10.4 模糊關係 226
10.4.1 模糊關係 226
10.4.2 模糊關係的性質 227
10.5 模糊邏輯推理 227
10.6 模糊判決 229
10.7 模糊計算在模式識別中的應用 230
10.7.1 最大隸屬度原則 230
10.7.2 擇近原則 231
10.8 本章小結 232
習題10 232
第11章 粗糙集 234
11.1 概述 234
11.2 基本粗糙集理論 236
11.3 粗糙集中的知識表示 238
11.4 知識約簡 239
11.5 知識的約簡算法 241
11.5.1 信息系統的知識約簡算法 241
11.5.2 決策表的知識約簡算法 242
11.6 本章小結 244
習題11 244
第12章 粒度計算 245
12.1 粒度計算概述 245
12.1.1 粒度計算的定義 245
12.1.2 粒度計算的基本成分 245
12.2 粒度計算的基本問題 247
12.3 幾個粒度計算的典型模型 248
12.3.1 基於粗糙集理論的粒度計算模型 248
12.3.2 基於商空間的粒度計算模型 250
12.3.3 基於模糊集合論的詞計算模型 253
12.3.4 三大模型之間的關係 256
12.4 本章小結 258
習題12 259
第3篇 展望
第13章 人工智能的爭論 263
13.1 人工智能的學派 263
13.2 對人工智能理論的爭論 264
13.3 對人工智能方法的爭論 265
13.4 對人工智能技術路線的爭論 265
13.5 對強弱人工智能的爭論 266
13.5.1 強弱人工智能 266
13.5.2 對強人工智能的哲學爭論 266
13.6 本章小結 267
第14章 人工智能的展望 268
14.1 人工智能的未來問題 268
14.1.1 更新的理論框架 268
14.1.2 更好的技術集成 269
14.1.3 更成熟的應用方法 269
14.2 腦機接口 270
14.3 本章小結 271
參考文獻272
第1章 緒論 3
1.1 什麼是人工智能 3
1.1.1 人工智能的定義 3
1.1.2 人工智能研究的目標 4
1.2 人工智能的發展 4
1.2.1 人工智能的孕育期 4
1.2.2 搖籃期 5
1.2.3 形成期 5
1.2.4 發展期 6
1.2.5 實用期 7
1.2.6 穩步增長期 8
1.3 人工智能的研究方法 8
1.3.1 符號主義 8
1.3.2 連接主義 9
1.3.3 行為主義 9
1.4 人工智能的應用領域 9
1.4.1 機器學習 9
1.4.2 問題求解 10
1.4.3 專家系統 10
.1.4.4 模式識別 10
1.4.5 自然語言處理 11
1.4.6 智能決策支持系統 11
1.4.7 人工神經網絡 11
1.4.8 自動定理證明 12
1.4.9 機器人學 12
1.5 本章小結 12
習題1 13
第2章 知識表示 14
2.1 概述 14
2.1.1 知識與知識表示 14
2.1.2 知識表示方法 15
2.2 謂詞邏輯表示法 16
2.2.1 命題邏輯 16
2.2.2 謂詞邏輯 18
2.3 產生式表示法 22
2.3.1 產生式可表示的知識種類及其基本形式 23
2.3.2 知識的表示方法 23
2.3.3 產生式系統的組成 24
2.3.4 產生式系統的推理方式 25
2.3.5 產生式表示法的特點 26
2.4 語義網絡表示法 28
2.4.1 語義網絡的概念及結構 28
2.4.2 語義網絡的基本語義聯系 29
2.4.3 語義網絡表示知識的方法及步驟 31
2.4.4 語義網絡知識表示舉例 34
2.4.5 語義網絡的推理過程 35
2.4.6 語義網絡表示法的特點 36
2.5 框架表示法 37
2.5.1 框架結構 37
2.5.2 框架表示知識舉例 39
2.5.3 推理方法 40
2.5.4 框架表示法的特點 40
2.6 腳本表示法 41
2.6.1 腳本的定義與組成 41
2.6.2 用腳本表示知識的步驟 43
2.6.3 用腳本表示知識的推理方法 44
2.6.4 腳本表示法的特點 45
2.7 狀態空間表示法 45
2.7.1 問題狀態空間的構成 45
2.7.2 用狀態空間表示問題的步驟 46
2.7.3 利用狀態空間求解問題的過程 46
2.8 面向對象的知識表示 48
2.8.1 面向對象的基本概念 48
2.8.2 面向對象的知識表示 49
2.8.3 面向對象方法學的主要觀點 50
2.9 本章小結 50
習題2 51
第3章 搜索策略 53
3.1 引言 53
3.2 基於狀態空間圖的搜索技術 54
3.2.1 圖搜索的基本概念 55
3.2.2 狀態空間搜索 55
3.2.3 一般圖的搜索算法 60
3.3 盲目搜索 61
3.3.1 寬度優先搜索 61
3.3.2 深度優先搜索 63
3.3.3 有界深度搜索和迭代加深搜索 65
3.3.4 搜索最優策略的比較 66
3.4 啟發式搜索 67
3.4.1 啟發性信息和評估函數 67
3.4.2 啟發式搜索a算法 68
3.4.3 實現啟發式搜索的關鍵因素和a*算法 69
3.4.4 迭代加深a*算法 72
3.4.5 爬山法和回溯策略 73
3.5 問題規約和與或圖啟發式搜索 74
3.5.1 問題規約 74
3.5.2 與或圖表示 76
3.5.3 與或圖的啟發式搜索 78
3.6 博弈 81
3.6.1 極大極小過程 83
3.6.2 α β 過程 85
3.7 本章小結 87
習題3 87
第4章 確定性推理 89
4.1 推理技術概述 89
4.1.1 推理的概述和類型 89
4.1.2 推理的控制策略 92
4.2 推理的邏輯基礎 93
4.2.1 謂詞與個體 93
4.2.2 謂詞公式的永真性和可滿足性 94
4.3 自然演繹推理 96
4.4 歸結演繹推理 97
4.4.1 子句型 97
4.4.2 魯濱遜歸結原理 100
4.4.3 歸結演繹推理的歸結策略 103
4.4.4 用歸結反演求取問題的答案 107
4.5 本章小結 108
習題4 109
第5章 不確定性推理 110
5.1 概述 110
5.1.1 什麼是不確定性推理 110
5.1.2 不確定性推理要解決的基本問題 111
5.1.3 不確定性推理方法分類 112
5.2 不確定性的表示和度量 113
5.2.1 知識的不確定性 113
5.2.2 證據的不確定性 114
5.2.3 不確定性的表示 114
5.3 主觀bayes方法 114
5.3.1 知識不確定性的表示 115
5.3.2 證據不確定性的表示 118
5.3.3 不確定性的更新 119
5.3.4 結論不確定性的合成算法 120
5.4 可信度方法 123
5.4.1 可信度模型 124
5.4.2 確定性方法的說明 129
5.5 證據理論 130
5.5.1 證據的不確定性 130
5.5.2 證據的組合函數 132
5.5.3 規則的不確定性 133
5.5.4 不確定性的組合 134
5.6 本章小結 136
習題5 137
第6章 機器學習 139
6.1 機器學習概述 139
6.1.1 機器學習的基本概念 139
6.1.2 機器學習的發展簡史 140
6.1.3 機器學習分類 141
6.1.4 機器學習的應用與研究目標 142
6.2 歸納學習 142
6.2.1 歸納學習的基本概念 143
6.2.2 變型空間學習 144
6.2.3 歸納偏置 146
6.3 決策樹學習 147
6.3.1 決策樹的組成及分類 147
6.3.2 決策樹的構造算法cls 148
6.3.3 基本的決策樹算法id3 150
6.3.4 決策樹的偏置 152
6.4 基於實例的學習 153
6.4.1 近鄰算法 153
6.4.2 距離加權最近鄰法 154
6.4.3 基於範例的學習 155
6.5 強化學習 159
6.5.1 強化學習模型 159
6.5.2 馬爾可夫決策過程 160
6.5.3 學習 161
6.6 本章小結 163
習題6 164
第2篇 高級人工智能
第7章 支持向量機 169
7.1 概述 169
7.2 統計學習理論 170
7.2.1 學習問題的表示 170
7.2.2 期望風險和經驗風險 171
7.2.3 vc維理論 172
7.2.4 推廣性的界 173
7.2.5 結構風險最小化 174
7.3 支持向量機 175
7.3.1 函數集結構的構造 175
7.3.2 支持向量機 176
7.4 核函數 179
7.4.1 概述 179
7.4.2 核函數的分類 180
7.5 svm的算法及多類svm 181
7.5.1 svm的算法 181
7.5.2 多類問題中的svm 181
7.6 svm的應用現狀 182
7.6.1 人臉檢測、驗證和識別 182
7.6.2 說話人/語音識別 182
7.6.3 文字/手寫體識別 182
7.6.4 圖像處理 183
7.7 本章小結 183
第8章 神經計算 185
8.1 人工神經元模型 185
8.2 感知器 187
8.2.1 感知器的結構 187
8.2.2 感知器學習算法 188
8.3 反向傳播網絡 190
8.3.1 bp網絡的結構 190
8.3.2 bp網絡的學習算法 190
8.4 自組織映射神經網絡 193
8.4.1 som網絡結構 193
8.4.2 som網絡的學習算法 194
8.5 hopfield網絡 196
8.5.1 離散hopfield網絡的結構 196
8.5.2 離散hopfield 網絡的穩定性 197
8.5.3 離散hopfield 網絡的學習算法 197
8.6 脈沖耦合神經網絡 198
8.6.1 pcnn的結構 198
8.6.2 pcnn的學習算法 198
8.7 神經計算的發展趨勢 199
8.8 本章小結 200
習題8 201
第9章 進化計算 202
9.1 概述 202
9.2 遺傳算法 203
9.2.1 遺傳算法的基本原理 203
9.2.2 遺傳算法的應用示例 204
9.2.3 模式定理 207
9.2.4 遺傳算法的改進 210
9.3 進化規劃 211
9.3.1 標準進化規劃及其改進 211
9.3.2 進化規劃的基本技術 213
9.4 進化策略 214
9.4.1 進化策略及其改進 214
9.4.2 進化策略的基本技術 215
9.5 ga、ep、es的異同 216
9.6 本章小結 217
習題9 218
第10章 模糊計算 219
10.1 模糊集合的概念 219
10.1.1 模糊集合的定義 219
10.1.2 模糊集合的表示方法 220
10.2 模糊集合的代數運算 223
10.3 正態模糊集和凸模糊集 226
10.4 模糊關係 226
10.4.1 模糊關係 226
10.4.2 模糊關係的性質 227
10.5 模糊邏輯推理 227
10.6 模糊判決 229
10.7 模糊計算在模式識別中的應用 230
10.7.1 最大隸屬度原則 230
10.7.2 擇近原則 231
10.8 本章小結 232
習題10 232
第11章 粗糙集 234
11.1 概述 234
11.2 基本粗糙集理論 236
11.3 粗糙集中的知識表示 238
11.4 知識約簡 239
11.5 知識的約簡算法 241
11.5.1 信息系統的知識約簡算法 241
11.5.2 決策表的知識約簡算法 242
11.6 本章小結 244
習題11 244
第12章 粒度計算 245
12.1 粒度計算概述 245
12.1.1 粒度計算的定義 245
12.1.2 粒度計算的基本成分 245
12.2 粒度計算的基本問題 247
12.3 幾個粒度計算的典型模型 248
12.3.1 基於粗糙集理論的粒度計算模型 248
12.3.2 基於商空間的粒度計算模型 250
12.3.3 基於模糊集合論的詞計算模型 253
12.3.4 三大模型之間的關係 256
12.4 本章小結 258
習題12 259
第3篇 展望
第13章 人工智能的爭論 263
13.1 人工智能的學派 263
13.2 對人工智能理論的爭論 264
13.3 對人工智能方法的爭論 265
13.4 對人工智能技術路線的爭論 265
13.5 對強弱人工智能的爭論 266
13.5.1 強弱人工智能 266
13.5.2 對強人工智能的哲學爭論 266
13.6 本章小結 267
第14章 人工智能的展望 268
14.1 人工智能的未來問題 268
14.1.1 更新的理論框架 268
14.1.2 更好的技術集成 269
14.1.3 更成熟的應用方法 269
14.2 腦機接口 270
14.3 本章小結 271
參考文獻272
主題書展
更多
主題書展
更多書展本週66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。
特別提醒:部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。
無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約45個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。
為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。