《人工智能复杂问题求解的结构和策略》
《人工智能复杂问题求解的结构和策略(原书第6版)》是一本经典的人工智能教材,全面阐述了人工智能的基础理论,有效结合了求解智能问题的数据结构以及实现的算法。把人工智能的应用程序应用于实际环境中,并从社会和哲学、心理学以及神经生理学角度对人工智能进行了全面的讨论。
本版新增内容
新增一章,介绍用于机器学习的随机方法,包括一阶贝叶斯网络、各种隐马尔可夫模型、马尔可
夫随机场推理和循环信念传播。
介绍针对期望学习以及利用马尔可夫链蒙特卡罗抽样的结构化学习的参数选择,强化学习
中马尔可夫决策过程的利用。
介绍智能体技术和本体的使用。
介绍自然语言处理的动态规划(Earley语法分析)以及Viterbi等其他概率语法分析技术。
书中的许多算法采用Prolog,LISP和Java语言来构建。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651
| 目录
出版者的话
译者序
前言
第一部分 人工智能的历史渊源及研究范围
第1章 人工智能的历史及应用
1.1 从伊甸园到第一台电子计算机:对智能、知识和人类技能的态度
1.1.1 人工智能基础的简要历史
1.1.2 理性主义和经验主义学派对人工智能的影响
1.1.3 形式逻辑的发展
1.1.4 图灵测试
1.1.5 智能的生物和社会模型:主体理论
1.2 人工智能应用领域概述
1.2.1 博弈
1.2.2 自动推理和定理证明
1.2.3 专家系统
1.2.4 自然语言理解和语义学
1.2.5 对人类表现建模
1.2.6 规划和机器人学
1.2.7 人工智能的语言和环境
1.2.8 机器学习
1.2.9 其他表示:神经网络和遗传算法
1.2.1 0AI和哲学
1.3 人工智能小结
1.4 结语和参考文献
1.5 习题
第二部分 作为表示和搜索的人工智能
第2章 谓词演算
2.0 简介
2.1 命题演算(选读)
2.1.1 符号和语句
2.1.2 命题演算的语义
2.2 谓词演算
2.2.1 谓词的语法和语句
2.2.2 谓词演算的语义
2.2.3 语义含义的积木世界例子
2.3 使用推理规则产生谓词演算表达式
2.3.1 推理规则
2.3.2 合一算法
2.3.3 合一的例子
2.4 应用:一个基于逻辑的财务顾问
2.5 结语和参考文献
2.6 习题
第3章 状态空间搜索的结构和策略
3.0 简介
3.1 状态空间搜索的结构
3.1.1 图论(选读)
3.1.2 有限状态自动机(选读)
3.1.3 问题的状态空间表示
3.2 用于状态空间搜索的策略
3.2.1 数据驱动搜索和目标驱动搜索
3.2.2 图搜索的实现
3.2.3 深度优先搜索和宽度优先搜索
3.2.4 迭代加深的深度优先搜索
3.3 利用状态空间来表示命题演算和谓词演算的推理
3.3.1 逻辑系统的状态空间描述
3.3.2 与或图
3.3.3 进一步的例子和应用
3.4 结语和参考文献
3.5 习题
第4章 启发式搜索
4.0 简介
4.1 爬山法和动态规划法
4.1.1 爬山
4.1.2 动态规划
4.2 最佳优先搜索算法
4.2.1 实现最佳优先搜索
4.2.2 实现启发评估函数
4.2.3 启发式搜索和专家系统
4.3 可采纳性、单调性和信息度
4.3.1 可采纳性度量
4.3.2 单调性
4.3.3 信息度更高的启发是更好的启发
4.4 在博弈中使用启发
4.4.1 在可穷举搜索图上的极小极大过程
4.4.2 固定层深的极小极大过程
4.4.3 α-β过程
4.5 复杂度问题
4.6 结语和参考文献
4.7 习题
第5章 随机方法
5.0 简介
5.1 计数基础(选读)
5.1.1 加法和乘法规则
5.1.2 排列与组合
5.2 概率论基础
5.2.1 样本空间、概率和独立性
5.2.2 概率推理:一个道路/交通例子
5.2.3 随机变量
5.2.4 条件概率
5.3 贝叶斯定理
5.4 随机方法学的应用
5.4.1 “tomato”是如何发音的
5.4.2 道路/交通例子的扩展
5.5 结语和参考文献
5.6 习题
第6章 为状态空间搜索建立控制算法
6.0 简介
6.1 基于递归的搜索(选读)
6.1.1 递归
6.1.2 一个递归搜索的例子:模式驱动推理
6.2 产生式系统
6.2.1 定义和历史
6.2.2 产生式系统的例子
6.2.3 产生式系统中的搜索控制
6.2.4 AI产生式系统的优点
6.3 用于问题求解的黑板结构
6.4 结语和参考文献
6.5 习题
第三部分 捕获智能:AI中的挑战
第7章 知识表示
7.0 知识表示问题
7.1 AI表示模式的简要历史
7.1.1 语义关联理论
7.1.2 语义网的早期研究
7.1.3 网络关系的标准化
7.1.4 脚本
7.1.5 框架
7.2 概念图:网络语言
7.2.1 概念图简介
7.2.2 类型、个体和名字
7.2.3 类型层次
7.2.4 泛化和特化
7.2.5 命题结点
7.2.6 概念图和逻辑
7.3 其他表示方法和本体
7.3.1 Brooks的包容结构
7.3.2 Copycat结构
7.3.3 多种表示、本体和知识服务
7.4 基于主体的和分布式的问题求解方法
7.4.1 基于主体的定义
7.4.2 基于主体的应用
7.5 结语和参考文献
7.6 习题
第8章 求解问题的强方法
8.0 简介
8.1 专家系统技术概览
8.1.1 基于规则的专家系统设计
8.1.2 问题选择和知识工程的步骤
8.1.3 概念模型及其在知识获取中的作用
8.2 基于规则的专家系统
8.2.1 产生式系统和目标驱动问题求解
8.2.2 目标驱动推理中的解释和透明性
8.2.3 利用产生式系统进行数据驱动推理
8.2.4 专家系统的启发和控制
8.3 基于模型系统、基于案例系统和混合系统
8.3.1 基于模型推理简介
8.3.2 基于模型推理:来自NASA的例子
8.3.3 基于案例推理介绍
8.3.4 混合设计:强方法系统的优势和不足
8.4 规划
8.4.1 规划简介:机器人学
8.4.2 使用规划宏:STRIPS
8.4.3 teleoreactive规划
8.4.4 规划:来自NASA的例子
8.5 结语和参考文献
8.6 习题
第9章 不确定条件下的推理
9.0 简介
9.1 基于逻辑的反绎推理
9.1.1 非单调推理逻辑
9.1.2 真值维护系统
9.1.3 基于最小模型的逻辑
9.1.4 集合覆盖和基于逻辑的反绎
9.2 反绎:逻辑之外的办法
9.2.1 Stanford确信度代数
9.2.2 模糊集推理
9.2.3 DempsterShafer证据理论
9.3 处理不确定性的随机方法
9.3.1 有向图模型:贝叶斯信念网络
9.3.2 有向图模型:d-可分
9.3.3 有向图模型:一个推理算法
9.3.4 有向图模型:动态贝叶斯网络
9.3.5 马尔可夫模型:离散马尔可夫过程
9.3.6 马尔可夫模型:变形
9.3.7 BBN概率建模的一阶替代方案
9.4 结语和参考文献
9.5 习题
第四部分 机器学习
第10章 基于符号的机器学习
10.0 简介
10.1 基于符号学习的框架
10.2 变形空间搜索
10.2.1 泛化操作符和概念空间
10.2.2 候选解排除算法
10.2.3 LEX:启发式归纳搜索
10.2.4 评估候选解排除算法
10.3 ID3决策树归纳算法
10.3.1 自顶向下决策树归纳
10.3.2 测试选择的信息论方法
10.3.3 评价ID3
10.3.4 决策树数据问题:打包、推进
10.4 归纳偏置和学习能力
10.4.1 归纳偏置
10.4.2 可学习性理论
10.5 知识和学习
10.5.1 MetaDENDRAL
10.5.2 基于解释的学习
10.5.3 EBL和知识层学习
10.5.4 类比推理
10.6 无监督学习
10.6.1 发现和无监督学习
10.6.2 概念聚类
10.6.3 COBWEB和分类知识的结构
10.7 强化学习
10.7.1 强化学习的组成部分
10.7.2 一个例子:九宫游戏
10.7.3 强化学习的推理算法和应用
10.8 结语和参考文献
10.9 习题
第11章 机器学习:连接机制
11.0 简介
11.1 连接网络的基础
11.2 感知机学习
11.2.1 感知机训练算法
11.2.2 例子:用感知机网络进行分类
11.2.3 通用delta规则
11.3 反传学习
11.3.1 反传算法的起源
11.3.2 反传算法实例1:NETtalk
11.3.3 反传算法实例2:异或
11.4 竞争学习
11.4.1 对于分类的“胜者全拿”学习
11.4.2 学习原型的Kohonen网络
11.4.3 outstar网络和逆传
11.4.4 支持向量机
11.5 Hebbian一致性学习
11.5.1 概述
11.5.2 无监督Hebbian学习的例子
11.5.3 有监督Hebbian学习
11.5.4 联想记忆和线性联想器
11.6 吸引子网络或“记忆”
11.6.1 概述
11.6.2 双向联想记忆
11.6.3 BAM处理的例子
11.6.4 自相关记忆和Hopfield网络
11.7 结语和参考文献
11.8 习题
第12章 机器学习:遗传性和涌现性
12.0 社会性和涌现性的学习模型
12.1 遗传算法
12.1.1 两个例子:CNF可满足性问题和巡回推销员问题
12.1.2 遗传算法的评估
12.2 分类器系统和遗传程序设计
12.2.1 分类器系统
12.2.2 用遗传算子进行程序设计
12.3 人工生命和基于社会的学习
12.3.1 生命游戏
12.3.2 进化规划
12.3.3 涌现的实例研究
12.4 结语和参考文献
12.5 习题
第13章 机器学习:概率理论
13.0 学习中的随机模型和动态模型
13.1 隐马尔可夫模型(HMM)
13.1.1 隐马尔可夫模型的介绍和定义
13.1.2 隐马尔可夫模型的重要变形
13.1.3 使用HMM和Viterbi解码音素串
13.2 动态贝叶斯网络和学习
13.2.1 动态贝叶斯网络
13.2.2 学习贝叶斯网络
13.2.3 期望最大化:一个例子
13.3 强化学习的随机扩展
13.3.1 马尔可夫决策过程
13.3.2 部分 可观测的马尔可夫决策过程
13.3.3 马尔可夫决策过程实现的例子
13.4 结语和参考文献
13.5 习题
第五部分 人工智能问题求解的高级课题
第14章 自动推理
14.0 定理证明中的弱方法
14.1 通用问题求解器和差别表
14.2 归结定理证明
14.2.1 概述
14.2.2 为归结反驳生成子句形式
14.2.3 二元归结证明过程
14.2.4 归结策略和简化技术
14.2.5 从归结反驳中抽取解答
14.3 Prolog和自动推理
14.3.1 概述
14.3.2 逻辑程序设计和Prolog
14.4 自动推理进一步的问题
14.4.1 弱方法求解的统一表示法
14.4.2 可选推理规则
14.4.3 归结反驳支持下的问答机制
14.4.4 搜索策略及其使用
14.5 结语和参考文献
14.6 习题
第15章 自然语言理解
15.0 自然语言理解问题
15.1 解构语言:分析
15.2 语法
15.2.1 使用上下文无关文法说明和解析
15.2.2 Earley解析器:动态规划二次访问
15.3 转移网络解析器及语义学
15.3.1 转移网络解析器
15.3.2 乔姆斯基层次和上下文相关文法
15.3.3 ATN解析器的语义
15.3.4 结合句法和语义知识的ATN
15.4 语言理解的随机工具
15.4.1 概述:语言分析中的统计技术
15.4.2 马尔可夫模型方法
15.4.3 决策树方法
15.4.4 解析的概率方法
15.4.5 概率上下文无关解析器
15.5 自然语言应用
15.5.1 故事理解和问题解答
15.5.2 数据库前端
15.5.3 Web信息抽取和摘要系统
15.5.4 用学习算法来泛化抽取的信息
15.6 结语和参考文献
15.7 习题
第六部分 后记
第16章 人工智能是经验式的学科
16.0 简介
16.1 人工智能:修订的定义
16.1.1 人工智能和物理符号系统假设
16.1.2 连接或者“神经”计算
16.1.3 主体、涌现和智能
16.1.4 概率模型和随机技术
16.2 智能系统科学
16.2.1 心理学约束
16.2.2 认识论问题
16.3 人工智能:当前的挑战和未来的方向
16.4 结语和参考文献
|
最后,这里为大家准备了几百本的互联网电子书,有需要的过来取吧。点击获取
本页书籍均来自网络,如有侵权,请联系我立即删除。我的邮箱:yaojianguolq@163.com