目 录__eol__第1章 绪论 1__eol__1.1 人工智能的概念 1__eol__1.1.1 智能的定义 1__eol__1.1.2 人工智能的定义 3__eol__1.2 人工智能的产生和发展 5__eol__1.2.1 孕育期（20世纪50年代中期以前） 5__eol__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） 6__eol__1.2.3 萧条波折期（20世纪60年代中期至70年代中期） 7__eol__1.2.4 第二个兴旺期（20世纪70年代中期至80年代中期） 8__eol__1.2.5 稳步增长期（20世纪80年代中期至今） 10__eol__1.2.6 中国的人工智能发展 11__eol__1.3 人工智能的主要学派 12__eol__1.3.1 符号主义学派 12__eol__1.3.2 连接主义学派 13__eol__1.3.3 行为主义学派 14__eol__1.4 人工智能的主要研究内容 14__eol__1.5 人工智能的主要应用领域 17__eol__小结 24__eol__习题1 24__eol__第2章 知识表示 25__eol__2.1 知识表示概述 25__eol__2.1.1 知识的概念 25__eol__2.1.2 知识表示的概念 26__eol__2.2 一阶谓词逻辑表示法 27__eol__2.2.1 命题 27__eol__2.2.2 谓词 28__eol__2.2.3 谓词公式 29__eol__2.2.4 谓词逻辑表示 30__eol__2.2.5 谓词逻辑表示法的特点 33__eol__2.3 产生式表示法 33__eol__2.3.1 产生式表示的基本方法 33__eol__2.3.2 产生式系统的基本结构 35__eol__2.3.3 产生式系统的分类 36__eol__2.3.4 产生式表示法的特点 37__eol__2.4 语义网络表示法 39__eol__2.4.1 语义网络的基本概念 39__eol__2.4.2 语义网络的基本语义关系 39__eol__2.4.3 语义网络表示知识的方法 41__eol__2.4.4 语义网络的推理过程 45__eol__2.4.5 语义网络表示法的特点 46__eol__2.5 框架表示法 46__eol__2.5.1 框架结构 46__eol__2.5.2 框架表示 48__eol__2.5.3 框架表示的推理过程 50__eol__2.5.4 框架表示法的特点 50__eol__2.6 脚本表示法 50__eol__2.7 面向对象表示法 54__eol__小结 56__eol__习题2 57__eol__第3章 确定性推理 59__eol__3.1 推理概述 59__eol__3.1.1 推理的概念 59__eol__3.1.2 推理的分类 59__eol__3.1.3 推理的控制策略 61__eol__3.2 推理的逻辑基础 63__eol__3.2.1 谓词公式的永真性和可满足性 63__eol__3.2.2 置换与合一 65__eol__3.3 自然演绎推理 68__eol__3.4 归结演绎推理 69__eol__3.4.1 子句型 69__eol__3.4.2 鲁滨逊归结原理 72__eol__3.4.3 归结演绎推理的归结策略 76__eol__3.4.4　用归结原理求取问题的答案 81__eol__小结 81__eol__习题3 82__eol__第4章 搜索策略 85__eol__4.1 搜索概述 85__eol__4.2 一般图搜索 86__eol__4.2.1 图搜索的基本概念 86__eol__4.2.2 状态空间搜索 87__eol__4.2.3 一般图搜索过程 91__eol__4.3 盲目搜索 92__eol__4.3.1 宽度优先搜索 93__eol__4.3.2 深度优先搜索 95__eol__4.3.3 有界深度搜索和迭代加深搜索 97__eol__4.3.4 搜索最优策略的比较 98__eol__4.4 启发式搜索 99__eol__4.4.1 启发性信息和评估函数 99__eol__4.4.2 启发式搜索A算法 100__eol__4.4.3 实现启发式搜索的关键因素 102__eol__4.4.4 A*算法 103__eol__4.4.5 迭代加深A*算法 106__eol__4.5 回溯搜索和爬山法 107__eol__4.5.1 爬山法 107__eol__4.5.2 回溯策略 108__eol__4.6 问题规约 109__eol__4.7 与/或图搜索 111__eol__4.7.1 与/或图表示 111__eol__4.7.2 与/或图的启发式搜索 113__eol__4.8 博弈 117__eol__4.8.1 极大极小过程 119__eol__4.8.2 α?β过程 121__eol__小结 122__eol__习题4 123__eol__第5章 不确定性推理 125__eol__5.1 不确定性推理概述 125__eol__5.1.1 不确定性推理的概念 125__eol__5.1.2 知识不确定性的来源 125__eol__5.1.3 不确定性推理要解决的基本问题 126__eol__5.1.4 不确定性推理方法的分类 128__eol__5.2 概率方法 129__eol__5.2.1 概率论基础 129__eol__5.2.2 经典概率方法 130__eol__5.2.3 逆概率方法 130__eol__5.3 主观贝叶斯方法 132__eol__5.3.1 规则不确定性的表示 132__eol__5.3.2 证据不确定性的表示 134__eol__5.3.3 组合证据不确定性的计算 135__eol__5.3.4 不确定性推理 135__eol__5.3.5 结论不确定性的合成算法 137__eol__5.4 确定性理论 140__eol__5.4.1 可信度 140__eol__5.4.2 CF模型 142__eol__5.4.3 确定性方法的说明 145__eol__5.5 证据理论 146__eol__5.5.1 证据理论的形式描述 147__eol__5.5.2 证据理论的推理模型 150__eol__5.5.3 证据不确定性的表示 152__eol__5.5.4 规则不确定性的表示 152__eol__5.5.5 不确定性的推理 152__eol__5.5.6 组合证据的不确定性计算 152__eol__5.6 模糊推理 155__eol__5.6.1 模糊数学的基本知识 155__eol__5.6.2 模糊假言推理 157__eol__小结 160__eol__习题5 161__eol__第6章 机器学习 163__eol__6.1 机器学习概述 163__eol__6.1.1 学习与机器学习 163__eol__6.1.2 学习系统 164__eol__6.1.3 机器学习的发展简史 166__eol__6.1.4 机器学习的分类 167__eol__6.1.5 机器学习的应用和研究目标 168__eol__6.2 归纳学习 169__eol__6.2.1 归纳学习的基本概念 169__eol__6.2.2 变型空间学习 171__eol__6.2.3 归纳偏置 173__eol__6.3 决策树学习 174__eol__6.3.1 决策树的组成及分类 174__eol__6.3.2 决策树的构造算法CLS 175__eol__6.3.3 基本的决策树算法ID3 177__eol__6.3.4 决策树的偏置 179__eol__6.4 基于实例的学习 180__eol__6.4.1 k?近邻算法 180__eol__6.4.2 距离加权最近邻法 181__eol__6.4.3 基于范例的学习 181__eol__6.5 强化学习 186__eol__6.5.1 强化学习模型 186__eol__6.5.2 马尔可夫决策过程 187__eol__6.5.3 Q学习 188__eol__小结 190__eol__习题6 191__eol__第7章 支持向量机 193__eol__7.1 支持向量机概述 193__eol__7.2 统计学习理论 194__eol__7.2.1 学习问题的表示 194__eol__7.2.2 期望风险和经验风险 195__eol__7.2.3 VC维理论 196__eol__7.2.4 推广性的界 197__eol__7.2.5 结构风险最小化 198__eol__7.3 支持向量机的构造 199__eol__7.3.1 函数集结构的构造 199__eol__7.3.2 支持向量机的模式 200__eol__7.4 核函数 203__eol__7.4.1 核函数概述 203__eol__7.4.2 核函数的分类 204__eol__7.5 SVM的算法及多类SVM 205__eol__7.6 用于非线性回归的SVM 206__eol__7.7 支持向量机的应用 207__eol__小结 209__