人工智能教程（王士同）

第1章 緒論
1.1 人工智能概述
1.1.1 什么是人工智能
1.1.2 什么是自然智能
1.2 人工智能的發(fā)展史
1.2.1 第一階段——孕育期（1956年以前）
1.2.2 第二階段——人工智能基礎技術的研究和形成（1956年～1970年）
1.2.3 第三階段——發(fā)展和實用化階段（1971年～1980年）
1.2.4 第四階段——知識工程與專家系統(tǒng)（1980年至今）
1.3 人工智能的研究領域
1.3.1 專家系統(tǒng)（Expert System）
1.3.2 自然語言處理（Natural Language Processing）
1.3.3 機器學習（Machine Learning）
1.3.4 自動定理證明（Automatic Theorem Proving）
1.3.5 分布式人工智能（Distributed Artificial Intelligence）
1.3.6 機器人（Robots）
1.3.7 模式識別（Pattern Recognition）
1.3.8 博弈（Game Playing）
1.3.9 計算機視覺（Computer Vision）
1.3.10 人工神經網絡（Artificial Neural Network）
習題1
第2章 知識表達技術
2.1 知識的概念與含義
2.2 知識類型和知識模型的變換
2.2.1 知識類型
2.2.2 知識模型的變換
2.3 狀態(tài)空間表達法
2.3.1 狀態(tài)空間表達法的概念
2.3.2 狀態(tài)空間表達法的例子
2.4 與／或圖表達法
2.4.1 與／或圖表達法的概念
2.4.2 與／或圖表達法的例子
2.5 產生式系統(tǒng)
2.5.1 產生式系統(tǒng)的基本結構
2.5.2 產生式系統(tǒng)的表示
2.5.3 產生式系統(tǒng)的例子
2.6 知識的邏輯表達方法
2.6.1 命題邏輯
2.6.2 謂詞邏輯
2.6.3 一階謂詞邏輯表達方法
2.6.4 謂詞邏輯表達法的特性和應用
2.7 語義網絡
2.7.1 語義網絡的概念和特性
2.7.2 語義網絡的知識表示
2.8 框架表達法
2.8.1 框架的構成
2.8.2 框架系統(tǒng)與產生式系統(tǒng)的結合
2.9 特征表表達法
2.10 面向對象的表示
2.10.1 對象、消息和方法
2.10.2 類、類層次和繼承性
2.10.3 面向對象知識表示與語義網絡、框架系統(tǒng)的比較
習題2
第3章 基本的問題求解方法
3.1 狀態(tài)空間搜索概述
3.1.1 圖的概念
3.1.2 狀態(tài)空間的圖描述
3.1.3 問題的狀態(tài)空間的圖描述
3.1.4 將問題求解定義為狀態(tài)空間搜索
3.1.5 搜索的基本概念
3.2 盲目的圖搜索策略
3.2.1 搜索策略概述
3.2.2 回溯策略
3.2.3 寬度優(yōu)先搜索
3.2.4 深度優(yōu)先搜索
3.2.5 圖搜索
3.3 啟發(fā)式圖搜索策略
3.3.1 啟發(fā)式策略
3.3.2 啟發(fā)信息和估價函數
3.3.3 啟發(fā)式圖搜索法——A及A*搜索算法
3.3.4 A*搜索算法的討論
3.4 與／或圖搜索
3.4.1 與／或圖的概念
3.4.2 AO及AO*搜索算法
3.4.3 博弈樹搜索
3.5 通用問題求解技術簡介
3.5.1 概述
3.5.2 GPS系統(tǒng)
3.6 中間－結局分析法
3.6.1 概念
3.6.2 中間－結局分析法分析步驟
3.6.3 討論
3.7 生成與測試
3.8 約束與滿足
習題3
第4章 基本的推理技術
4.1 推理技術概述
4.1.1 推理的概念和類型
4.1.2 推理的控制策略
4.2 歸結反演系統(tǒng)
4.2.1 歸結原理
4.2.2 歸結反演
4.2.3 歸結反演的控制策略
4.2.4 應用歸結反演求取問題的答案
4.3 基于規(guī)則的演繹推理
4.3.1 正向演繹推理
4.3.2 反向演繹推理
4.3.3 雙向演繹推理
習題4
第5章 不精確推理
5.1 概述
5.2 概率方法
5.2.1 概率論基礎
5.2.2 概率推理模型
5.3 主觀Bayes方法
5.3.1 不確定性的表示
5.3.2 主觀Bayes方法推理的基本算法
5.4 可信度方法
5.4.1 基于可信度的不確定性的表示
5.4.2 可信度方法推理的基本算法
5.5 模糊推理
5.5.1 模糊理論基礎
5.5.2 語言變量及模糊推理
習題5
第6章 PROLOG語言
6.1 PROLOG語言概述
6.1.1 PROLOG語言的發(fā)展
6.1.2 PROLOG語言的特點
6.2 PROLOG語言的結構
6.2.1 數據結構
6.2.2 程序結構
6.3 PROLOG語言的內部謂詞
6.3.1 比較類
6.3.2 表達式類
6.3.3 輸入輸出類
6.3.4 文件操作類
6.3.5 控制謂詞類
6.3.6 復雜目標類
6.3.7 項類
6.3.8 結構分量類
6.3.9 項維護類
6.4 PROLOG語言的搜索策略
6.4.1 例化與匹配
6.4.2 回溯控制
6.4.3 搜索策略
6.5 謂詞！的討論
6.5.1 謂詞！的作用
6.5.2 用法及舉例
6.6 PROLOG程序設計
6.6.1 數學函數
6.6.2 八皇后問題
6.6.3 專家系統(tǒng)示意
6.7 PROLOG語言與C語言的連接
6.7.1 語言條件
6.7.2 外部謂詞說明
6.7.3 參數傳遞
6.7.4 外部C語言子程序
6.7.5 兩個限制
習題6
第7章 專家系統(tǒng)
7.1 專家系統(tǒng)的定義與分類
7.1.1 專家系統(tǒng)的定義與特點
7.1.2 專家系統(tǒng)的類型
7.2 專家系統(tǒng)的結構與工作原理
7.2.1 專家系統(tǒng)的一般結構
7.2.2 專家系統(tǒng)的工作原理
7.3 知識獲取
7.3.1 知識獲取的任務
7.3.2 知識獲取的模式
7.4 專家系統(tǒng)的建立
7.4.1 適于專家系統(tǒng)求解的問題
7.4.2 專家系統(tǒng)的設計原則與開發(fā)步驟
7.4.3 專家系統(tǒng)的評價
7.5 專家系統(tǒng)實例
7.5.1 動物識別專家系統(tǒng)
7.5.2 醫(yī)學專家系統(tǒng)——MYCIN
7.5.3 地質勘探專家系統(tǒng)——PROSPECTOR
7.6 專家系統(tǒng)的開發(fā)工具
7.6.1 用于開發(fā)專家系統(tǒng)的程序設計語言
7.6.2 骨架系統(tǒng)
7.6.3 通用型知識表達語言
7.6.4 專家系統(tǒng)開發(fā)環(huán)境
習題7
第8章 機器學習
8.1 機器學習概述
8.1.1 機器學習的基本概念
8.1.2 機器學習的主要策略
8.1.3 機器學習系統(tǒng)的基本結構
8.1.4 機器學習系統(tǒng)的主要特性
8.2 機械學習
8.2.1 機械學習的模式及主要問題
8.2.2 機械學習應用舉例
8.3 相關產生式學習系統(tǒng)
8.3.1 相關產生式的概念
8.3.2 相關產生式學習方法
8.4 示例學習
8.4.1 示例學習模型
8.4.2 基于示例學習的一般過程
8.4.3 示例的表示
8.4.4 示例復用
8.4.5 示例保存
8.5 類比學習
8.5.1 類比學習的概念
8.5.2 類比學習的表示與求解
8.6 幾種類比學習系統(tǒng)介紹
8.6.1 轉換類比學習系統(tǒng)
8.6.2 派生類比學習
8.6.3 因果關系型類比學習
8.6.4 聯(lián)想類比學習
8.7 歸納學習
8.7.1 歸納學習概述
8.7.2 歸納學習的一般模式
8.7.3 類型定義
8.7.4 結構歸納學習及示例
8.7.5 基于決策樹的歸納學習方法
習題8
第9章 人工神經網絡
9.1 人工神經網絡概述
9.2 人工神經元模型
9.3 人工神經網絡結構及工作方式
9.4 神經網絡的學習方法
9.4.1 學習方式
9.4.2 學習規(guī)則
9.4.3 學習與自適應
9.5 前饋型神經網絡
9.5.1 前饋型神經網絡結構
9.5.2 利用BP算法進行網絡訓練
9.6 神經聯(lián)想記憶與Hopfield網絡
9.6.1 神經聯(lián)想記憶
9.6.2 Hopfield網絡
9.6.3 Hopfield網絡的一個范例
習題9
參考文獻