- 高等教育出版社
- 9787040662283
- 5版
- 16开
内容简介
本书是国家精品课程和国家级精品资源共享课“人工智能”的配套教材。全书分为知识基人工智能、数据基人工智能、人工智能的算法和算力、人工智能的研究和应用等4篇，共11章，主要内容包括：绪论、知识表示、搜索与推理技术、知识基机器学习、进化计算和遗传算法、数据基机器学习、人工智能算法、人工智能算力、专家系统、自动规划系统和自然语言理解等。与第4版相比，本版对许多章节都作了相应的修改和补充，增加了学科体系以及算法、算力和机器学习等内容。
本书可作为普通高等学校计算机、智能科学与技术、人工智能以及其他信息类等相关专业人工智能课程教材或教学参考书，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
目录
前辅文
第1章 绪论
1.1 人工智能的定义和发展
1.1.1 人工智能的定义
1.1.2 人工智能的起源与发展
1.1.3 中国人工智能的发展历程
1.2 人工智能的技术要素和学科体系
1.2.1 人工智能的技术要素
1.2.2 人工智能的学科体系结构
1.2.3 人工智能的科学基础
1.2.4 人工智能的主要技术
1.3 人工智能的研究目标和内容
1.3.1 人工智能的研究目标
1.3.2 人工智能研究的基本内容
1.4 人工智能的研究与计算方法
1.4.1 人工智能的研究方法
1.4.2 人工智能的计算方法
1.5 人工智能的研究和应用领域
1.6 本书内容概览
习题1
第一篇 知识基人工智能
第2章 知识表示
2.1 知识及其表示概述
2.2 状态空间法
2.2.1 问题状态描述
2.2.2 状态图示法
2.2.3 状态空间表示举例
2.3 问题归约法
2.3.1 问题归约描述
2.3.2 与或图表示
2.3.3 问题归约机理
2.4 谓词逻辑法
2.4.1 谓词公式
2.4.2 谓词演算
2.4.3 置换与合一
2.5 语义网络法
2.5.1 二元语义网络的表示
2.5.2 多元语义网络的表示
2.5.3 基于语义网络的知识推理
2.6 知识图谱
2.6.1 知识图谱的定义与架构
2.6.2 知识图谱的关键技术
2.6.3 知识图谱的应用领域
2.7 本章小结
习题2
第3章 搜索与推理技术
3.1 盲目搜索
3.1.1 图搜索策略
3.1.2 宽度优先搜索
3.1.3 深度优先搜索
3.1.4 等代价搜索
3.2 启发式搜索
3.2.1 启发式搜索策略
3.2.2 有序搜索
3.2.3 A*算法
3.3 博弈树搜索
3.3.1 博弈概述
3.3.2 极小极大分析法
3.3.3 α-β剪枝技术
3.4 消解原理
3.4.1 子句集的求取
3.4.2 消解推理规则
3.4.3 含有变量的消解式
3.4.4 消解反演求解过程
3.5 规则演绎系统
3.5.1 正向规则演绎系统
3.5.2 反向规则演绎系统
3.5.3 双向规则演绎系统
3.6 不确定性推理
3.6.1 确定性与不确定性推理
3.6.2 概率推理
3.6.3 贝叶斯推理
3.6.4 模糊逻辑推理
3.7 本章小结
习题3
第4章 知识基机器学习
4.1 机器学习概述
4.1.1 机器学习的定义和研究意义
4.1.2 机器学习的发展史
4.2 机器学习的主要策略与基本结构
4.3 常见的知识基机器学习方法
4.3.1 归纳学习
4.3.2 基于解释的学习
4.3.3 类比学习
4.3.4 强化学习
4.4 本章小结
习题4
第二篇 数据基人工智能
第5章 进化计算和遗传算法
5.1 什么是数据
5.2 粒群优化
5.2.1 粒群优化简介
5.2.2 粒群优化算法
5.3 进化算法
5.3.1 进化算法原理
5.3.2 进化算法框架
5.4 遗传算法
5.4.1 遗传算法的基本原理
5.4.2 遗传算法的结构
5.4.3 遗传算法的编码与解码
5.4.4 遗传算法的遗传算子
5.4.5 遗传算法的执行过程
5.5 本章小结
习题5
第6章 数据基机器学习
6.1 基于神经网络的学习
6.1.1 神经计算简介
6.1.2 基于反向传播网络的学习
6.1.3 基于霍普菲尔德网络的学习
6.2 表示学习
6.3 深度学习
6.3.1 深度学习的定义与特点
6.3.2 深度学习基础与神经网络
6.3.3 深度学习的常用模型
6.4 大模型
6.4.1 大模型的特点与分类
6.4.2 大模型的基本架构
6.4.3 大模型的训练
6.4.4 大模型示例
6.4.5 大模型技术的机遇与挑战
6.5 其他机器学习方法简介
6.5.1 决策树学习
6.5.2 支持向量机
6.5.3 线性回归
6.5.4 聚类
6.6 本章小结
习题6
第三篇 人工智能的算法和算力
第7章 人工智能算法
7.1 符号和逻辑处理编程语言
7.2 LISP语言
7.2.1 LISP的特点和数据结构
7.2.2 LISP的基本函数
7.2.3 递归和迭代
7.2.4 LISP编程举例
7.3 PROLOG语言
7.3.1 PROLOG的语法与数据结构
7.3.2 PROLOG程序设计原理
7.3.3 PROLOG编程举例
7.4 Python语言
7.4.1 基本数据结构
7.4.2 选择和循环结构
7.4.3 函数
7.4.4 数值分析方法
7.5 本章小结
习题7
第8章 人工智能算力
8.1 人工智能算力的定义和分类
8.1.1 人工智能算力的定义
8.1.2 人工智能算力的分类
8.2 人工智能芯片的发展
8.2.1 人工智能芯片的发展历史
8.2.2 人工智能芯片的发展趋势
8.3 人工智能算力网络
8.3.1 人工智能算力网络的定义和特征
8.3.2 人工智能算力网络的基本架构和工作流程
8.3.3 人工智能算力网络的关键技术
8.3.4 人工智能算力网络应用示例
8.4 本章小结
习题8
第四篇 人工智能研究和应用
第9章 专家系统
9.1 专家系统概述
9.1.1 专家系统的定义和特点
9.1.2 专家系统的结构与类型
9.1.3 专家系统的构建步骤
9.2 基于规则的专家系统
9.2.1 基于规则的专家系统的基本结构
9.2.2 基于规则的专家系统的特点
9.2.3 基于规则的专家系统举例
9.3 基于模型的专家系统
9.3.1 基于模型的专家系统的概念
9.3.2 基于模型的专家系统举例
9.4 专家系统的设计、评价与开发
9.4.1 专家系统的设计
9.4.2 专家系统的评价
9.4.3 专家系统的开发工具
9.5 本章小结
习题9
第10章 自动规划系统
10.1 自动规划概述
10.1.1 规划的概念和作用
10.1.2 规划的分类
10.2 基于谓词逻辑的规划
10.2.1 规划世界模型的谓词逻辑表示
10.2.2 基于谓词逻辑规划的基本过程
10.3 STRIPS规划系统
10.3.1 积木世界的机器人规划
10.3.2 STRIPS规划系统的组成和规划过程
10.4 基于专家系统的机器人路径规划
10.5 基于机器学习的智能规划
10.6 轨迹规划简介
10.7 本章小结
习题10
第11章 自然语言理解
11.1 语言及其理解的一般问题
11.1.1 语言和语言理解
11.1.2 自然语言理解研究的进展和发展趋势
11.1.3 自然语言理解过程的层次
11.2 词法分析
11.3 句法和语法的自动分析
11.3.1 句法模式匹配和转移网络
11.3.2 扩充转移网络
11.3.3 词汇功能语法
11.4 语义分析
11.5 句子理解
11.5.1 单句的理解方法
11.5.2 复句的理解方法
11.6 语料库语言学
11.7 机器翻译
11.8 语音识别
11.8.1 语音识别的发展历史
11.8.2 语音识别的基本原理
11.8.3 语音识别的关键技术
11.8.4 语音识别技术的展望
11.9 基于深度学习的自然语言处理
11.10 本章小结
习题11
参考文献
前辅文
第1章 绪论
1.1 人工智能的定义和发展
1.1.1 人工智能的定义
1.1.2 人工智能的起源与发展
1.1.3 中国人工智能的发展历程
1.2 人工智能的技术要素和学科体系
1.2.1 人工智能的技术要素
1.2.2 人工智能的学科体系结构
1.2.3 人工智能的科学基础
1.2.4 人工智能的主要技术
1.3 人工智能的研究目标和内容
1.3.1 人工智能的研究目标
1.3.2 人工智能研究的基本内容
1.4 人工智能的研究与计算方法
1.4.1 人工智能的研究方法
1.4.2 人工智能的计算方法
1.5 人工智能的研究和应用领域
1.6 本书内容概览
习题1
第一篇 知识基人工智能
第2章 知识表示
2.1 知识及其表示概述
2.2 状态空间法
2.2.1 问题状态描述
2.2.2 状态图示法
2.2.3 状态空间表示举例
2.3 问题归约法
2.3.1 问题归约描述
2.3.2 与或图表示
2.3.3 问题归约机理
2.4 谓词逻辑法
2.4.1 谓词公式
2.4.2 谓词演算
2.4.3 置换与合一
2.5 语义网络法
2.5.1 二元语义网络的表示
2.5.2 多元语义网络的表示
2.5.3 基于语义网络的知识推理
2.6 知识图谱
2.6.1 知识图谱的定义与架构
2.6.2 知识图谱的关键技术
2.6.3 知识图谱的应用领域
2.7 本章小结
习题2
第3章 搜索与推理技术
3.1 盲目搜索
3.1.1 图搜索策略
3.1.2 宽度优先搜索
3.1.3 深度优先搜索
3.1.4 等代价搜索
3.2 启发式搜索
3.2.1 启发式搜索策略
3.2.2 有序搜索
3.2.3 A*算法
3.3 博弈树搜索
3.3.1 博弈概述
3.3.2 极小极大分析法
3.3.3 α-β剪枝技术
3.4 消解原理
3.4.1 子句集的求取
3.4.2 消解推理规则
3.4.3 含有变量的消解式
3.4.4 消解反演求解过程
3.5 规则演绎系统
3.5.1 正向规则演绎系统
3.5.2 反向规则演绎系统
3.5.3 双向规则演绎系统
3.6 不确定性推理
3.6.1 确定性与不确定性推理
3.6.2 概率推理
3.6.3 贝叶斯推理
3.6.4 模糊逻辑推理
3.7 本章小结
习题3
第4章 知识基机器学习
4.1 机器学习概述
4.1.1 机器学习的定义和研究意义
4.1.2 机器学习的发展史
4.2 机器学习的主要策略与基本结构
4.3 常见的知识基机器学习方法
4.3.1 归纳学习
4.3.2 基于解释的学习
4.3.3 类比学习
4.3.4 强化学习
4.4 本章小结
习题4
第二篇 数据基人工智能
第5章 进化计算和遗传算法
5.1 什么是数据
5.2 粒群优化
5.2.1 粒群优化简介
5.2.2 粒群优化算法
5.3 进化算法
5.3.1 进化算法原理
5.3.2 进化算法框架
5.4 遗传算法
5.4.1 遗传算法的基本原理
5.4.2 遗传算法的结构
5.4.3 遗传算法的编码与解码
5.4.4 遗传算法的遗传算子
5.4.5 遗传算法的执行过程
5.5 本章小结
习题5
第6章 数据基机器学习
6.1 基于神经网络的学习
6.1.1 神经计算简介
6.1.2 基于反向传播网络的学习
6.1.3 基于霍普菲尔德网络的学习
6.2 表示学习
6.3 深度学习
6.3.1 深度学习的定义与特点
6.3.2 深度学习基础与神经网络
6.3.3 深度学习的常用模型
6.4 大模型
6.4.1 大模型的特点与分类
6.4.2 大模型的基本架构
6.4.3 大模型的训练
6.4.4 大模型示例
6.4.5 大模型技术的机遇与挑战
6.5 其他机器学习方法简介
6.5.1 决策树学习
6.5.2 支持向量机
6.5.3 线性回归
6.5.4 聚类
6.6 本章小结
习题6
第三篇 人工智能的算法和算力
第7章 人工智能算法
7.1 符号和逻辑处理编程语言
7.2 LISP语言
7.2.1 LISP的特点和数据结构
7.2.2 LISP的基本函数
7.2.3 递归和迭代
7.2.4 LISP编程举例
7.3 PROLOG语言
7.3.1 PROLOG的语法与数据结构
7.3.2 PROLOG程序设计原理
7.3.3 PROLOG编程举例
7.4 Python语言
7.4.1 基本数据结构
7.4.2 选择和循环结构
7.4.3 函数
7.4.4 数值分析方法
7.5 本章小结
习题7
第8章 人工智能算力
8.1 人工智能算力的定义和分类
8.1.1 人工智能算力的定义
8.1.2 人工智能算力的分类
8.2 人工智能芯片的发展
8.2.1 人工智能芯片的发展历史
8.2.2 人工智能芯片的发展趋势
8.3 人工智能算力网络
8.3.1 人工智能算力网络的定义和特征
8.3.2 人工智能算力网络的基本架构和工作流程
8.3.3 人工智能算力网络的关键技术
8.3.4 人工智能算力网络应用示例
8.4 本章小结
习题8
第四篇 人工智能研究和应用
第9章 专家系统
9.1 专家系统概述
9.1.1 专家系统的定义和特点
9.1.2 专家系统的结构与类型
9.1.3 专家系统的构建步骤
9.2 基于规则的专家系统
9.2.1 基于规则的专家系统的基本结构
9.2.2 基于规则的专家系统的特点
9.2.3 基于规则的专家系统举例
9.3 基于模型的专家系统
9.3.1 基于模型的专家系统的概念
9.3.2 基于模型的专家系统举例
9.4 专家系统的设计、评价与开发
9.4.1 专家系统的设计
9.4.2 专家系统的评价
9.4.3 专家系统的开发工具
9.5 本章小结
习题9
第10章 自动规划系统
10.1 自动规划概述
10.1.1 规划的概念和作用
10.1.2 规划的分类
10.2 基于谓词逻辑的规划
10.2.1 规划世界模型的谓词逻辑表示
10.2.2 基于谓词逻辑规划的基本过程
10.3 STRIPS规划系统
10.3.1 积木世界的机器人规划
10.3.2 STRIPS规划系统的组成和规划过程
10.4 基于专家系统的机器人路径规划
10.5 基于机器学习的智能规划
10.6 轨迹规划简介
10.7 本章小结
习题10
第11章 自然语言理解
11.1 语言及其理解的一般问题
11.1.1 语言和语言理解
11.1.2 自然语言理解研究的进展和发展趋势
11.1.3 自然语言理解过程的层次
11.2 词法分析
11.3 句法和语法的自动分析
11.3.1 句法模式匹配和转移网络
11.3.2 扩充转移网络
11.3.3 词汇功能语法
11.4 语义分析
11.5 句子理解
11.5.1 单句的理解方法
11.5.2 复句的理解方法
11.6 语料库语言学
11.7 机器翻译
11.8 语音识别
11.8.1 语音识别的发展历史
11.8.2 语音识别的基本原理
11.8.3 语音识别的关键技术
11.8.4 语音识别技术的展望
11.9 基于深度学习的自然语言处理
11.10 本章小结
习题11
参考文献
前辅文
第1章 绪论
1.1 人工智能的定义和发展
1.1.1 人工智能的定义
1.1.2 人工智能的起源与发展
1.1.3 中国人工智能的发展历程
1.2 人工智能的技术要素和学科体系
1.2.1 人工智能的技术要素
1.2.2 人工智能的学科体系结构
1.2.3 人工智能的科学基础
1.2.4 人工智能的主要技术
1.3 人工智能的研究目标和内容
1.3.1 人工智能的研究目标
1.3.2 人工智能研究的基本内容
1.4 人工智能的研究与计算方法
1.4.1 人工智能的研究方法
1.4.2 人工智能的计算方法
1.5 人工智能的研究和应用领域
1.6 本书内容概览
习题1
第一篇 知识基人工智能
第2章 知识表示
2.1 知识及其表示概述
2.2 状态空间法
2.2.1 问题状态描述
2.2.2 状态图示法
2.2.3 状态空间表示举例
2.3 问题归约法
2.3.1 问题归约描述
2.3.2 与或图表示
2.3.3 问题归约机理
2.4 谓词逻辑法
2.4.1 谓词公式
2.4.2 谓词演算
2.4.3 置换与合一
2.5 语义网络法
2.5.1 二元语义网络的表示
2.5.2 多元语义网络的表示
2.5.3 基于语义网络的知识推理
2.6 知识图谱
2.6.1 知识图谱的定义与架构
2.6.2 知识图谱的关键技术
2.6.3 知识图谱的应用领域
2.7 本章小结
习题2
第3章 搜索与推理技术
3.1 盲目搜索
3.1.1 图搜索策略
3.1.2 宽度优先搜索
3.1.3 深度优先搜索
3.1.4 等代价搜索
3.2 启发式搜索
3.2.1 启发式搜索策略
3.2.2 有序搜索
3.2.3 A*算法
3.3 博弈树搜索
3.3.1 博弈概述
3.3.2 极小极大分析法
3.3.3 α-β剪枝技术
3.4 消解原理
3.4.1 子句集的求取
3.4.2 消解推理规则
3.4.3 含有变量的消解式
3.4.4 消解反演求解过程
3.5 规则演绎系统
3.5.1 正向规则演绎系统
3.5.2 反向规则演绎系统
3.5.3 双向规则演绎系统
3.6 不确定性推理
3.6.1 确定性与不确定性推理
3.6.2 概率推理
3.6.3 贝叶斯推理
3.6.4 模糊逻辑推理
3.7 本章小结
习题3
第4章 知识基机器学习
4.1 机器学习概述
4.1.1 机器学习的定义和研究意义
4.1.2 机器学习的发展史
4.2 机器学习的主要策略与基本结构
4.3 常见的知识基机器学习方法
4.3.1 归纳学习
4.3.2 基于解释的学习
4.3.3 类比学习
4.3.4 强化学习
4.4 本章小结
习题4
第二篇 数据基人工智能
第5章 进化计算和遗传算法
5.1 什么是数据
5.2 粒群优化
5.2.1 粒群优化简介
5.2.2 粒群优化算法
5.3 进化算法
5.3.1 进化算法原理
5.3.2 进化算法框架
5.4 遗传算法
5.4.1 遗传算法的基本原理
5.4.2 遗传算法的结构
5.4.3 遗传算法的编码与解码
5.4.4 遗传算法的遗传算子
5.4.5 遗传算法的执行过程
5.5 本章小结
习题5
第6章 数据基机器学习
6.1 基于神经网络的学习
6.1.1 神经计算简介
6.1.2 基于反向传播网络的学习
6.1.3 基于霍普菲尔德网络的学习
6.2 表示学习
6.3 深度学习
6.3.1 深度学习的定义与特点
6.3.2 深度学习基础与神经网络
6.3.3 深度学习的常用模型
6.4 大模型
6.4.1 大模型的特点与分类
6.4.2 大模型的基本架构
6.4.3 大模型的训练
6.4.4 大模型示例
6.4.5 大模型技术的机遇与挑战
6.5 其他机器学习方法简介
6.5.1 决策树学习
6.5.2 支持向量机
6.5.3 线性回归
6.5.4 聚类
6.6 本章小结
习题6
第三篇 人工智能的算法和算力
第7章 人工智能算法
7.1 符号和逻辑处理编程语言
7.2 LISP语言
7.2.1 LISP的特点和数据结构
7.2.2 LISP的基本函数
7.2.3 递归和迭代
7.2.4 LISP编程举例
7.3 PROLOG语言
7.3.1 PROLOG的语法与数据结构
7.3.2 PROLOG程序设计原理
7.3.3 PROLOG编程举例
7.4 Python语言
7.4.1 基本数据结构
7.4.2 选择和循环结构
7.4.3 函数
7.4.4 数值分析方法
7.5 本章小结
习题7
第8章 人工智能算力
8.1 人工智能算力的定义和分类
8.1.1 人工智能算力的定义
8.1.2 人工智能算力的分类
8.2 人工智能芯片的发展
8.2.1 人工智能芯片的发展历史
8.2.2 人工智能芯片的发展趋势
8.3 人工智能算力网络
8.3.1 人工智能算力网络的定义和特征
8.3.2 人工智能算力网络的基本架构和工作流程
8.3.3 人工智能算力网络的关键技术
8.3.4 人工智能算力网络应用示例
8.4 本章小结
习题8
第四篇 人工智能研究和应用
第9章 专家系统
9.1 专家系统概述
9.1.1 专家系统的定义和特点
9.1.2 专家系统的结构与类型
9.1.3 专家系统的构建步骤
9.2 基于规则的专家系统
9.2.1 基于规则的专家系统的基本结构
9.2.2 基于规则的专家系统的特点
9.2.3 基于规则的专家系统举例
9.3 基于模型的专家系统
9.3.1 基于模型的专家系统的概念
9.3.2 基于模型的专家系统举例
9.4 专家系统的设计、评价与开发
9.4.1 专家系统的设计
9.4.2 专家系统的评价
9.4.3 专家系统的开发工具
9.5 本章小结
习题9
第10章 自动规划系统
10.1 自动规划概述
10.1.1 规划的概念和作用
10.1.2 规划的分类
10.2 基于谓词逻辑的规划
10.2.1 规划世界模型的谓词逻辑表示
10.2.2 基于谓词逻辑规划的基本过程
10.3 STRIPS规划系统
10.3.1 积木世界的机器人规划
10.3.2 STRIPS规划系统的组成和规划过程
10.4 基于专家系统的机器人路径规划
10.5 基于机器学习的智能规划
10.6 轨迹规划简介
10.7 本章小结
习题10
第11章 自然语言理解
11.1 语言及其理解的一般问题
11.1.1 语言和语言理解
11.1.2 自然语言理解研究的进展和发展趋势
11.1.3 自然语言理解过程的层次
11.2 词法分析
11.3 句法和语法的自动分析
11.3.1 句法模式匹配和转移网络
11.3.2 扩充转移网络
11.3.3 词汇功能语法
11.4 语义分析
11.5 句子理解
11.5.1 单句的理解方法
11.5.2 复句的理解方法
11.6 语料库语言学
11.7 机器翻译
11.8 语音识别
11.8.1 语音识别的发展历史
11.8.2 语音识别的基本原理
11.8.3 语音识别的关键技术
11.8.4 语音识别技术的展望
11.9 基于深度学习的自然语言处理
11.10 本章小结
习题11
参考文献
前辅文
第1章 绪论
1.1 人工智能的定义和发展
1.1.1 人工智能的定义
1.1.2 人工智能的起源与发展
1.1.3 中国人工智能的发展历程
1.2 人工智能的技术要素和学科体系
1.2.1 人工智能的技术要素
1.2.2 人工智能的学科体系结构
1.2.3 人工智能的科学基础
1.2.4 人工智能的主要技术
1.3 人工智能的研究目标和内容
1.3.1 人工智能的研究目标
1.3.2 人工智能研究的基本内容
1.4 人工智能的研究与计算方法
1.4.1 人工智能的研究方法
1.4.2 人工智能的计算方法
1.5 人工智能的研究和应用领域
1.6 本书内容概览
习题1
第一篇 知识基人工智能
第2章 知识表示
2.1 知识及其表示概述
2.2 状态空间法
2.2.1 问题状态描述
2.2.2 状态图示法
2.2.3 状态空间表示举例
2.3 问题归约法
2.3.1 问题归约描述
2.3.2 与或图表示
2.3.3 问题归约机理
2.4 谓词逻辑法
2.4.1 谓词公式
2.4.2 谓词演算
2.4.3 置换与合一
2.5 语义网络法
2.5.1 二元语义网络的表示
2.5.2 多元语义网络的表示
2.5.3 基于语义网络的知识推理
2.6 知识图谱
2.6.1 知识图谱的定义与架构
2.6.2 知识图谱的关键技术
2.6.3 知识图谱的应用领域
2.7 本章小结
习题2
第3章 搜索与推理技术
3.1 盲目搜索
3.1.1 图搜索策略
3.1.2 宽度优先搜索
3.1.3 深度优先搜索
3.1.4 等代价搜索
3.2 启发式搜索
3.2.1 启发式搜索策略
3.2.2 有序搜索
3.2.3 A*算法
3.3 博弈树搜索
3.3.1 博弈概述
3.3.2 极小极大分析法
3.3.3 α-β剪枝技术
3.4 消解原理
3.4.1 子句集的求取
3.4.2 消解推理规则
3.4.3 含有变量的消解式
3.4.4 消解反演求解过程
3.5 规则演绎系统
3.5.1 正向规则演绎系统
3.5.2 反向规则演绎系统
3.5.3 双向规则演绎系统
3.6 不确定性推理
3.6.1 确定性与不确定性推理
3.6.2 概率推理
3.6.3 贝叶斯推理
3.6.4 模糊逻辑推理
3.7 本章小结
习题3
第4章 知识基机器学习
4.1 机器学习概述
4.1.1 机器学习的定义和研究意义
4.1.2 机器学习的发展史
4.2 机器学习的主要策略与基本结构
4.3 常见的知识基机器学习方法
4.3.1 归纳学习
4.3.2 基于解释的学习
4.3.3 类比学习
4.3.4 强化学习
4.4 本章小结
习题4
第二篇 数据基人工智能
第5章 进化计算和遗传算法
5.1 什么是数据
5.2 粒群优化
5.2.1 粒群优化简介
5.2.2 粒群优化算法
5.3 进化算法
5.3.1 进化算法原理
5.3.2 进化算法框架
5.4 遗传算法
5.4.1 遗传算法的基本原理
5.4.2 遗传算法的结构
5.4.3 遗传算法的编码与解码
5.4.4 遗传算法的遗传算子
5.4.5 遗传算法的执行过程
5.5 本章小结
习题5
第6章 数据基机器学习
6.1 基于神经网络的学习
6.1.1 神经计算简介
6.1.2 基于反向传播网络的学习
6.1.3 基于霍普菲尔德网络的学习
6.2 表示学习
6.3 深度学习
6.3.1 深度学习的定义与特点
6.3.2 深度学习基础与神经网络
6.3.3 深度学习的常用模型
6.4 大模型
6.4.1 大模型的特点与分类
6.4.2 大模型的基本架构
6.4.3 大模型的训练
6.4.4 大模型示例
6.4.5 大模型技术的机遇与挑战
6.5 其他机器学习方法简介
6.5.1 决策树学习
6.5.2 支持向量机
6.5.3 线性回归
6.5.4 聚类
6.6 本章小结
习题6
第三篇 人工智能的算法和算力
第7章 人工智能算法
7.1 符号和逻辑处理编程语言
7.2 LISP语言
7.2.1 LISP的特点和数据结构
7.2.2 LISP的基本函数
7.2.3 递归和迭代
7.2.4 LISP编程举例
7.3 PROLOG语言
7.3.1 PROLOG的语法与数据结构
7.3.2 PROLOG程序设计原理
7.3.3 PROLOG编程举例
7.4 Python语言
7.4.1 基本数据结构
7.4.2 选择和循环结构
7.4.3 函数
7.4.4 数值分析方法
7.5 本章小结
习题7
第8章 人工智能算力
8.1 人工智能算力的定义和分类
8.1.1 人工智能算力的定义
8.1.2 人工智能算力的分类
8.2 人工智能芯片的发展
8.2.1 人工智能芯片的发展历史
8.2.2 人工智能芯片的发展趋势
8.3 人工智能算力网络
8.3.1 人工智能算力网络的定义和特征
8.3.2 人工智能算力网络的基本架构和工作流程
8.3.3 人工智能算力网络的关键技术
8.3.4 人工智能算力网络应用示例
8.4 本章小结
习题8
第四篇 人工智能研究和应用
第9章 专家系统
9.1 专家系统概述
9.1.1 专家系统的定义和特点
9.1.2 专家系统的结构与类型
9.1.3 专家系统的构建步骤
9.2 基于规则的专家系统
9.2.1 基于规则的专家系统的基本结构
9.2.2 基于规则的专家系统的特点
9.2.3 基于规则的专家系统举例
9.3 基于模型的专家系统
9.3.1 基于模型的专家系统的概念
9.3.2 基于模型的专家系统举例
9.4 专家系统的设计、评价与开发
9.4.1 专家系统的设计
9.4.2 专家系统的评价
9.4.3 专家系统的开发工具
9.5 本章小结
习题9
第10章 自动规划系统
10.1 自动规划概述
10.1.1 规划的概念和作用
10.1.2 规划的分类
10.2 基于谓词逻辑的规划
10.2.1 规划世界模型的谓词逻辑表示
10.2.2 基于谓词逻辑规划的基本过程
10.3 STRIPS规划系统
10.3.1 积木世界的机器人规划
10.3.2 STRIPS规划系统的组成和规划过程
10.4 基于专家系统的机器人路径规划
10.5 基于机器学习的智能规划
10.6 轨迹规划简介
10.7 本章小结
习题10
第11章 自然语言理解
11.1 语言及其理解的一般问题
11.1.1 语言和语言理解
11.1.2 自然语言理解研究的进展和发展趋势
11.1.3 自然语言理解过程的层次
11.2 词法分析
11.3 句法和语法的自动分析
11.3.1 句法模式匹配和转移网络
11.3.2 扩充转移网络
11.3.3 词汇功能语法
11.4 语义分析
11.5 句子理解
11.5.1 单句的理解方法
11.5.2 复句的理解方法
11.6 语料库语言学
11.7 机器翻译
11.8 语音识别
11.8.1 语音识别的发展历史
11.8.2 语音识别的基本原理
11.8.3 语音识别的关键技术
11.8.4 语音识别技术的展望
11.9 基于深度学习的自然语言处理
11.10 本章小结
习题11
参考文献
