第1章　绪论 1
1.1 人工智能的基本概念 3
1.1.1 智能 3
1.1.2 智能机器 4
1.1.3 人工智能 4
1.2 人类智能与人工智能的关系 5
1.2.1 人工智能模拟人类的认知过程 5
1.2.2 人类思维与机器思维的差异 6
1.3 人工智能的发展概况 7
1.3.1 人工智能的起源 7
1.3.2 人工智能的发展阶段 8
1.4 人工智能的主要学派与技术路线 10
1.4.1 传统学派 10
1.4.2 现代学派 13
1.4.3 人工智能的技术路线 14
1.5 人工智能的主要研究领域 15
1.5.1 博弈 15
1.5.2 自动定理证明 16
1.5.3 专家系统 17
1.5.4 模式识别 18
1.5.5 自然语言处理 18
1.5.6 机器学习 19
1.5.7 机器视觉 20
1.5.8 机器人 20
1.5.9 计算智能 21
1.6 人机关系与工程伦理 22
1.6.1 人工智能对经济的影响 22
1.6.2 人工智能对人类社会的影响 22
1.6.3 人工智能对认知方式的影响 23
1.6.4 人工智能对文化生活的影响 23
1.6.5 人工智能的技术风险 24
1.7 人工智能的未来展望 25
1.7.1 理论突破 25
1.7.2 技术集成 25
1.7.3 应用领域拓展 26
本章小结 27
习题 27

第2章 知识表示与推理技术 28
2.1 概述 29
2.1.1 知识表示的基本概念 30
2.1.2 人工智能系统的知识类型 31
2.1.3 知识表示方法的类型 31
2.2 状态空间法 32
2.2.1 状态空间法的要素 32
2.2.2 状态图 33
2.2.3 产生式系统 34
2.2.4 状态空间法的应用实例 35
2.3 问题归约法 38
2.3.1 问题归约的过程 38
2.3.2 问题归约的与或图表示 40
2.3.3 问题归约的机理 42
2.4 谓词逻辑法 43
2.4.1 命题逻辑 43
2.4.2 谓词演算 43
2.4.3 谓词公式 46
2.4.4 置换与合一 49
2.5 语义网络法 50
2.5.1 语义网络的构成 50
2.5.2 二元语义网络的表示 51
2.5.3 多元语义网络的表示 52
2.5.4 语义网络中连词的表示 52
2.5.5 语义网络中量词的表示 55
2.5.6 语义网络的推理 56
2.5.7 语义网络法求解问题的过程 59
2.6 框架表示法 60
2.6.1 框架的构成 60
2.6.2 框架系统 61
2.6.3 框架推理 63
2.7 过程式知识表示 65
2.7.1 过程式知识表示的相关概念 65
2.7.2 过程式知识表示举例 65
2.7.3 过程式推理 67
本章小结 68
习题 69

第3章 线性模型 70
3.1 线性模型的基本形式 71
3.2 线性回归 72
3.2.1 一元线性回归 72
3.2.2 多元线性回归 74
3.3 对数几率回归 76
3.3.1 对数几率回归模型 76
3.3.2 最优回归系数的确定 78
3.4 线性分类算法 81
3.4.1 线性判别分析 81
3.4.2 感知机 84
本章小结 87
习题 88

第4章 决策树 89
4.1 基本流程 91
4.2 特征选择 92
4.2.1 信息熵 92
4.2.2 信息增益 93
4.2.3 信息增益率 95
4.3 决策树生成 96
4.3.1 ID3算法 97
4.3.2 C4.5算法 98
4.4 决策树剪枝 100
4.5 多变量决策树 101
本章小结 102
习题 102

第5章 贝叶斯分类 103
5.1 贝叶斯决策理论 104
5.2 极大似然估计 105
5.3 朴素贝叶斯分类 106
5.4 贝叶斯网络 109
5.4.1 网络的结构 109
5.4.2 学习与推理 112
本章小结 113
习题 114

第6章 支持向量机 115
6.1 支持向量机的原理 116
6.2 对偶问题 119
6.3 核函数 121
6.3.1 核函数的定义 121
6.3.2 常用核函数 123
6.3.3 非线性支持向量机 124
6.4 正则化 124
6.5 支持向量回归 126
本章小结 128
习题 128

第7章 聚类算法 129
7.1 概述 130
7.2 性能度量 131
7.3 距离计算 133
7.4 K均值聚类 135
7.5 基于密度的聚类算法 138
7.6 层次聚类算法 142
本章小结 146
习题 146

第8章 神经计算 147
8.1 人工神经网络的发展概况 148
8.2 神经元与神经网络 150
8.2.1 生物神经元与神经网络 150
8.2.2 人工神经元与神经网络 151
8.3 人工神经网络的典型结构 153
8.3.1 感知机 153
8.3.2 前馈型网络 155
8.3.3 反馈型网络 156
8.4 人工神经网络的学习方法与规则 158
8.4.1 人工神经网络的学习方法 158
8.4.2 人工神经网络的学习规则 161
8.5 BP神经网络 162
8.5.1 BP算法的流程 162
8.5.2 误差反向传播的计算过程 163
8.5.3 BP神经网络的计算实例 167
8.6 其他常见神经网络 169
8.6.1 RBF神经网络 169
8.6.2 ART神经网络 170
8.6.3 SOM神经网络 171
8.6.4 级联相关神经网络 171
8.6.5 玻尔兹曼机 172
8.7 人工神经网络的应用 173
8.7.1 模式识别 173
8.7.2 计算和优化 174
8.7.3 建模和预测 174
8.7.4 智能控制与处理 175
8.7.5 深度学习 175
本章小结 176
习题 177

第9章 智能优化算法 178
9.1 概述 180
9.2 遗传算法 180
9.2.1 遗传算法的起源 180
9.2.2 遗传算法的技术原理 181
9.2.3 遗传算法案例 184
9.3 粒子群优化算法 186
9.3.1 粒子群优化算法的起源 186
9.3.2 粒子群优化算法的技术原理 186
9.3.3 粒子群优化算法的分类 188
9.3.4 粒子群优化算法案例 190
9.4 蚁群算法 191
9.4.1 蚁群算法的原理 191
9.4.2 蚁群算法的分类 192
9.4.3 蚁群算法案例 194
本章小结 195
习题 196

第10章 模糊计算 197
10.1 模糊理论 198
10.1.1 模糊性 198
10.1.2 模糊数学 199
10.1.3 模糊逻辑 199
10.1.4 模糊理论的发展概况 200
10.2 模糊集合 200
10.2.1 模糊集合概述 200
10.2.2 模糊集合的运算：并、交、补 203
10.2.3 模糊集合的运算定律 204
10.3 模糊关系与模糊矩阵 205
10.3.1 模糊关系 205
10.3.2 模糊矩阵概述 205
10.3.3 模糊矩阵的运算 207
10.3.4 模糊矩阵的合成 207
10.4 模糊逻辑推理 208
10.4.1 模糊规则 209
10.4.2 模糊三段论 211
10.5 模糊系统 212
10.5.1 模糊系统的构成 212
10.5.2 模糊系统实例 212
10.5.3 模糊系统的应用 214
本章小结 216
习题 216

第11章 经典优化算法 217
11.1 概述 218
11.2 单点搜索算法 219
11.2.1 单点搜索算法概述 219
11.2.2 单点搜索算法的分类 220
11.2.3 单点搜索算法的优缺点 220
11.2.4 单点搜索算法展望 221
11.3 模拟退火算法 221
11.3.1 模拟退火算法概述 221
11.3.2 模拟退火算法流程 223
11.3.3 模拟退火算法案例 224
11.3.4 模拟退火算法展望 225
11.4 禁忌搜索算法 226
11.4.1 禁忌搜索算法概述 226
11.4.2 禁忌搜索算法的构成要素 226
11.4.3 禁忌搜索算法的基本思想和流程 228
11.4.4 禁忌搜索算法案例 229
11.4.5 禁忌搜索算法展望 230
本章小结 231
习题 231

第12章 专家系统 233
12.1 专家系统概述 234
12.1.1 专家系统的概念与发展简况 234
12.1.2 专家系统的特点 235
12.1.3 专家系统的结构 235
12.1.4 专家系统的类型 236
12.2 基于规则的专家系统 238
12.2.1 基于规则的专家系统的基本结构 238
12.2.2 基于规则的专家系统的特点 239
12.2.3 基于规则的专家系统实例 239
12.3 基于框架的专家系统 240
12.3.1 基于框架的专家系统的定义 240
12.3.2 基于框架的专家系统的特点 240
12.3.3 基于框架的专家系统实例 241
12.4 基于模型的专家系统 241
12.4.1 基于模型的专家系统的定义 241
12.4.2 基于模型的专家系统的特点 242
12.4.3 基于模型的专家系统实例 242
12.5 专家系统的设计与开发 243
12.5.1 专家系统的设计步骤 243
12.5.2 专家系统开发工具 244
本章小结 246
习题 246

参考文献 247