人工智能导论（第4版）
定价：￥78.00
作者： 丁世飞
出版时间：2025-09
出版社：电子工业出版社
- 电子工业出版社
- 9787121511691
- 4版
- 568477
- 平塑
- 16开
- 2025-09
- 627
- 392
- 工学
- 电子信息类
- 人工智能
- 本科 研究生及以上
内容简介
本书主要阐述人工智能的基本原理、方法和应用技术。全书共14章，除第1章讨论人工智能基本概念、第14章讨论人工智能的争论与展望外，其余12章主要按照“基本智能+计算智能+典型应用”三个模块编著：第1模块为人工智能经典的理论与方法，分别为知识表示、搜索策略、知识推理和机器学习，主要包括第2章的知识表示、第3章的自动推理、第4章的搜索策略、第5章的不确定性推理以及第6章的机器学习；第2模块为计算智能，包括第7章的神经计算、第8章的进化计算、第9的模糊计算以及第10章的群智能；第3模块为人工智能的典型应用领域，包括第11章专家系统、第12章生成式人工智能以及第13章大模型。 本书力求科学化、模块化、实用化，内容由浅入深、循序渐进、条理清晰，让读者在有限的时间内，掌握人工智能的基本原理、基本方法和应用技术。 本书可作为高等学校理工科相关专业“人工智能”“人工智能基础”或“人工智能导论”等课程教材，也可供从事人工智能研究与应用的科技工作者学习参考。
目录
第1章 绪论 1
1.1 人工智能的概念 2
1.1.1 智能的定义 2
1.1.2 人工智能的定义 3
1.2 人工智能的产生和发展 6
1.2.1 孕育期（20世纪50年代中期以前） 6
1.2.2 形成及第一个兴旺期（20世纪50年代中期至60年代中期） 7
1.2.3 萧条波折期（20世纪60年代中期至70年代中期） 8
1.2.4 第二个兴旺期（20世纪70年代中期至80年代中期） 9
1.2.5 稳步增长期（20世纪80年代中期至今） 11
1.2.6 中国的人工智能发展 12
1.3 人工智能的主要学派 13
1.3.1 符号主义学派 13
1.3.2 连接主义学派 14
1.3.3 行为主义学派 15
1.4 人工智能的主要研究内容 16
1.5 人工智能的主要应用领域 19
本章小结 26
习题1 26
第2章 知识表示 27
2.1 知识表示概述 28
2.1.1 知识的概念 28
2.1.2 知识表示的概念 29
2.2 谓词逻辑表示法 30
2.2.1 命题逻辑 30
2.2.2 谓词逻辑 31
2.2.3 谓词公式 32
2.2.4 谓词逻辑表示 34
2.2.5 谓词逻辑表示法的特点 37
2.3 产生式表示法 37
2.3.1 产生式表示的基本方法 37
2.3.2 产生式系统的基本结构 39
2.3.3 产生式系统的分类 40
2.3.4 产生式表示法的特点 41
2.4 语义网络表示法 43
2.4.1 语义网络的基本概念 43
2.4.2 语义网络的基本语义关系 44
2.4.3 语义网络表示知识的方法 46
2.4.4 语义网络的推理过程 50
2.4.5 语义网络表示法的特点 51
2.5 框架表示法 51
2.5.1 框架结构 51
2.5.2 框架表示 53
2.5.3 框架表示的推理过程 55
2.5.4 框架表示法的特点 55
2.6 脚本表示法 56
2.6.1 脚本的定义 56
2.6.2 脚本的组成 57
2.6.3 脚本表示法的特点 59
2.7 面向对象表示法 60
2.7.1 面向对象的基本概念 60
2.7.2 面向对象表示知识 61
本章小结 62
习题2 63
第3章 自动推理 65
3.1 推理概述 66
3.1.1 推理的概念 66
3.1.2 推理的分类 66
3.1.3 推理的控制策略 68
3.2 推理的逻辑基础 70
3.2.1 谓词公式的永真性和可满足性 71
3.2.2 置换与合一 73
3.3 自然演绎推理 76
3.3.1 自然演绎推理的基本概念 76
3.3.2 三段论推理 76
3.3.3 两类错误 77
3.4 归结演绎推理 78
3.4.1 子句集 78
3.4.2 鲁宾孙归结原理 81
3.4.3 用归结原理求取问题的答案 87
3.4.4 归结演绎推理的归结策略 88
本章小结 92
习题3 93
第4章 搜索策略 96
4.1 搜索概述 97
4.2 一般图搜索 98
4.2.1 图搜索的基本概念 98
4.2.2 状态空间搜索 99
4.2.3 一般图搜索过程 103
4.3 盲目搜索 105
4.3.1 宽度优先搜索 105
4.3.2 深度优先搜索 107
4.3.3 有界深度搜索和迭代加深搜索 109
4.3.4 搜索最优策略的比较 111
4.4 启发式搜索 112
4.4.1 启发性信息和评估函数 112
4.4.2 启发式搜索A算法 112
4.4.3 实现启发式搜索的关键因素 114
4.4.4 A*算法 116
4.4.5 迭代加深A*算法 119
4.5 爬山法和回溯搜索 120
4.5.1 爬山法 120
4.5.2 回溯策略 121
4.6 问题规约 122
4.7 与/或图搜索 124
4.7.1 与/或图的表示 124
4.7.2 与/或图的启发式搜索 126
4.8 博弈 131
4.8.1 极大极小过程 133
4.8.2 α-β过程 135
本章小结 136
习题4 137
第5章 不确定性推理 139
5.1 不确定性推理概述 140
5.1.1 不确定性推理的概念 140
5.1.2 知识不确定性的来源 140
5.1.3 不确定性推理要解决的基本问题 141
5.1.4 不确定性推理方法的分类 143
5.2 逆概率方法 144
5.2.1 概率论基础 144
5.2.2 经典概率方法 145
5.2.3 逆概率方法 145
5.3 主观贝叶斯方法 147
5.3.1 规则不确定性的表示 147
5.3.2 证据不确定性的表示 149
5.3.3 组合证据不确定性的计算 150
5.3.4 不确定性推理方法 150
5.3.5 结论不确定性的合成 152
5.3.6 主观贝叶斯方法的特点 155
5.4 可信度方法 155
5.4.1 可信度的概念 156
5.4.2 规则不确定性的表示 158
5.4.3 证据不确定性的表示 158
5.4.4 组合证据不确定性的计算 158
5.4.5 不确定性的推理 159
5.4.6 结论不确定性的合成 159
5.4.7 可信度方法的扩展 161
5.4.8 可信度方法的特点 167
5.5 证据理论 168
5.5.1 证据理论的形式描述 168
5.5.2 证据理论的推理模型 172
5.5.3 规则不确定性的表示 174
5.5.4 证据不确定性的表示 174
5.5.5 组合证据的不确定性计算 174
5.5.6 推理的不确定性 174
5.5.7 结论不确定性的合成 175
5.5.8 证据理论的特点 177
5.6 模糊推理 178
5.6.1 模糊数学的基本知识 178
5.6.2 模糊规则的表示 180
5.6.3 模糊证据的匹配 181
5.6.4 简单模糊推理 182
本章小结 183
习题5 184
第6章 机器学习 187
6.1 机器学习概述 188
6.1.1 学习与机器学习 188
6.1.2 学习系统 188
6.1.3 机器学习的发展简史 190
6.1.4 机器学习的分类 191
6.1.5 机器学习的应用和研究目标 193
6.2 归纳学习 194
6.2.1 归纳学习的基本概念 194
6.2.2 变型空间学习 195
6.2.3 归纳偏置 197
6.3 决策树学习 198
6.3.1 决策树的组成及分类 199
6.3.2 决策树的构造算法 200
6.3.3 基本的决策树算法 201
6.3.4 决策树的偏置 204
6.4 基于实例的学习 204
6.4.1 k-最近邻算法 204
6.4.2 距离加权最近邻法 205
6.4.3 基于范例的学习 206
6.5 强化学习 210
6.5.1 强化学习模型 211
6.5.2 马尔可夫决策过程 211__eo
1.1 人工智能的概念 2
1.1.1 智能的定义 2
1.1.2 人工智能的定义 3
1.2 人工智能的产生和发展 6
1.2.1 孕育期（20世纪50年代中期以前） 6
1.2.2 形成及第一个兴旺期（20世纪50年代中期至60年代中期） 7
1.2.3 萧条波折期（20世纪60年代中期至70年代中期） 8
1.2.4 第二个兴旺期（20世纪70年代中期至80年代中期） 9
1.2.5 稳步增长期（20世纪80年代中期至今） 11
1.2.6 中国的人工智能发展 12
1.3 人工智能的主要学派 13
1.3.1 符号主义学派 13
1.3.2 连接主义学派 14
1.3.3 行为主义学派 15
1.4 人工智能的主要研究内容 16
1.5 人工智能的主要应用领域 19
本章小结 26
习题1 26
第2章 知识表示 27
2.1 知识表示概述 28
2.1.1 知识的概念 28
2.1.2 知识表示的概念 29
2.2 谓词逻辑表示法 30
2.2.1 命题逻辑 30
2.2.2 谓词逻辑 31
2.2.3 谓词公式 32
2.2.4 谓词逻辑表示 34
2.2.5 谓词逻辑表示法的特点 37
2.3 产生式表示法 37
2.3.1 产生式表示的基本方法 37
2.3.2 产生式系统的基本结构 39
2.3.3 产生式系统的分类 40
2.3.4 产生式表示法的特点 41
2.4 语义网络表示法 43
2.4.1 语义网络的基本概念 43
2.4.2 语义网络的基本语义关系 44
2.4.3 语义网络表示知识的方法 46
2.4.4 语义网络的推理过程 50
2.4.5 语义网络表示法的特点 51
2.5 框架表示法 51
2.5.1 框架结构 51
2.5.2 框架表示 53
2.5.3 框架表示的推理过程 55
2.5.4 框架表示法的特点 55
2.6 脚本表示法 56
2.6.1 脚本的定义 56
2.6.2 脚本的组成 57
2.6.3 脚本表示法的特点 59
2.7 面向对象表示法 60
2.7.1 面向对象的基本概念 60
2.7.2 面向对象表示知识 61
本章小结 62
习题2 63
第3章 自动推理 65
3.1 推理概述 66
3.1.1 推理的概念 66
3.1.2 推理的分类 66
3.1.3 推理的控制策略 68
3.2 推理的逻辑基础 70
3.2.1 谓词公式的永真性和可满足性 71
3.2.2 置换与合一 73
3.3 自然演绎推理 76
3.3.1 自然演绎推理的基本概念 76
3.3.2 三段论推理 76
3.3.3 两类错误 77
3.4 归结演绎推理 78
3.4.1 子句集 78
3.4.2 鲁宾孙归结原理 81
3.4.3 用归结原理求取问题的答案 87
3.4.4 归结演绎推理的归结策略 88
本章小结 92
习题3 93
第4章 搜索策略 96
4.1 搜索概述 97
4.2 一般图搜索 98
4.2.1 图搜索的基本概念 98
4.2.2 状态空间搜索 99
4.2.3 一般图搜索过程 103
4.3 盲目搜索 105
4.3.1 宽度优先搜索 105
4.3.2 深度优先搜索 107
4.3.3 有界深度搜索和迭代加深搜索 109
4.3.4 搜索最优策略的比较 111
4.4 启发式搜索 112
4.4.1 启发性信息和评估函数 112
4.4.2 启发式搜索A算法 112
4.4.3 实现启发式搜索的关键因素 114
4.4.4 A*算法 116
4.4.5 迭代加深A*算法 119
4.5 爬山法和回溯搜索 120
4.5.1 爬山法 120
4.5.2 回溯策略 121
4.6 问题规约 122
4.7 与/或图搜索 124
4.7.1 与/或图的表示 124
4.7.2 与/或图的启发式搜索 126
4.8 博弈 131
4.8.1 极大极小过程 133
4.8.2 α-β过程 135
本章小结 136
习题4 137
第5章 不确定性推理 139
5.1 不确定性推理概述 140
5.1.1 不确定性推理的概念 140
5.1.2 知识不确定性的来源 140
5.1.3 不确定性推理要解决的基本问题 141
5.1.4 不确定性推理方法的分类 143
5.2 逆概率方法 144
5.2.1 概率论基础 144
5.2.2 经典概率方法 145
5.2.3 逆概率方法 145
5.3 主观贝叶斯方法 147
5.3.1 规则不确定性的表示 147
5.3.2 证据不确定性的表示 149
5.3.3 组合证据不确定性的计算 150
5.3.4 不确定性推理方法 150
5.3.5 结论不确定性的合成 152
5.3.6 主观贝叶斯方法的特点 155
5.4 可信度方法 155
5.4.1 可信度的概念 156
5.4.2 规则不确定性的表示 158
5.4.3 证据不确定性的表示 158
5.4.4 组合证据不确定性的计算 158
5.4.5 不确定性的推理 159
5.4.6 结论不确定性的合成 159
5.4.7 可信度方法的扩展 161
5.4.8 可信度方法的特点 167
5.5 证据理论 168
5.5.1 证据理论的形式描述 168
5.5.2 证据理论的推理模型 172
5.5.3 规则不确定性的表示 174
5.5.4 证据不确定性的表示 174
5.5.5 组合证据的不确定性计算 174
5.5.6 推理的不确定性 174
5.5.7 结论不确定性的合成 175
5.5.8 证据理论的特点 177
5.6 模糊推理 178
5.6.1 模糊数学的基本知识 178
5.6.2 模糊规则的表示 180
5.6.3 模糊证据的匹配 181
5.6.4 简单模糊推理 182
本章小结 183
习题5 184
第6章 机器学习 187
6.1 机器学习概述 188
6.1.1 学习与机器学习 188
6.1.2 学习系统 188
6.1.3 机器学习的发展简史 190
6.1.4 机器学习的分类 191
6.1.5 机器学习的应用和研究目标 193
6.2 归纳学习 194
6.2.1 归纳学习的基本概念 194
6.2.2 变型空间学习 195
6.2.3 归纳偏置 197
6.3 决策树学习 198
6.3.1 决策树的组成及分类 199
6.3.2 决策树的构造算法 200
6.3.3 基本的决策树算法 201
6.3.4 决策树的偏置 204
6.4 基于实例的学习 204
6.4.1 k-最近邻算法 204
6.4.2 距离加权最近邻法 205
6.4.3 基于范例的学习 206
6.5 强化学习 210
6.5.1 强化学习模型 211
6.5.2 马尔可夫决策过程 211__eo
