人工智能【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

人工智能PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1篇 基本人工智能3

第1章 绪论3

1．1 什么是人工智能3

1．1．1 人工智能的定义3

1．1．2 人工智能研究的目标4

1．2 人工智能的发展4

1．2．1 人工智能的孕育期4

1．2．2 摇篮期5

1．2．3 形成期5

1．2．4 发展期6

1．2．5 实用期7

1．2．6 稳步增长期8

1．3 人工智能的研究方法8

1．3．1 符号主义8

1．3．2 连接主义9

1．3．3 行为主义9

1．4 人工智能的应用领域9

1．4．1 机器学习9

1．4．2 问题求解10

1．4．3 专家系统10

1．4．4 模式识别10

1．4．5 自然语言处理11

1．4．6 智能决策支持系统11

1．4．7 人工神经网络11

1．4．8 自动定理证明12

1．4．9 机器人学12

1．5 本章小结12

习题113

第2章 知识表示14

2．1 概述14

2．1．1 知识与知识表示14

2．1．2 知识表示方法15

2．2 谓词逻辑表示法16

2．2．1 命题逻辑16

2．2．2 谓词逻辑18

2．3 产生式表示法22

2．3．1 产生式可表示的知识种类及其基本形式23

2．3．2 知识的表示方法23

2．3．3 产生式系统的组成24

2．3．4 产生式系统的推理方式25

2．3．5 产生式表示法的特点26

2．4 语义网络表示法28

2．4．1 语义网络的概念及结构28

2．4．2 语义网络的基本语义联系29

2．4．3 语义网络表示知识的方法及步骤31

2．4．4 语义网络知识表示举例34

2．4．5 语义网络的推理过程35

2．4．6 语义网络表示法的特点36

2．5 框架表示法37

2．5．1 框架结构37

2．5．2 框架表示知识举例39

2．5．3 推理方法40

2．5．4 框架表示法的特点40

2．6 脚本表示法41

2．6．1 脚本的定义与组成41

2．6．2 用脚本表示知识的步骤43

2．6．3 用脚本表示知识的推理方法44

2．6．4 脚本表示法的特点45

2．7 状态空间表示法45

2．7．1 问题状态空间的构成45

2．7．2 用状态空间表示问题的步骤46

2．7．3 利用状态空间求解问题的过程46

2．8 面向对象的知识表示48

2．8．1 面向对象的基本概念48

2．8．2 面向对象的知识表示49

2．8．3 面向对象方法学的主要观点50

2．9 本章小结50

习题251

第3章 搜索策略53

3．1 引言53

3．2 基于状态空间图的搜索技术54

3．2．1 图搜索的基本概念55

3．2．2 状态空间搜索55

3．2．3 一般图的搜索算法60

3．3 盲目搜索61

3．3．1 宽度优先搜索61

3．3．2 深度优先搜索63

3．3．3 有界深度搜索和迭代加深搜索65

3．3．4 搜索最优策略的比较66

3．4 启发式搜索67

3．4．1 启发性信息和评估函数67

3．4．2 启发式搜索A算法68

3．4．3 实现启发式搜索的关键因素和A*算法69

3．4．4 迭代加深A*算法72

3．4．5 爬山法和回溯策略73

3．5 问题规约和与或图启发式搜索74

3．5．1 问题规约74

3．5．2 与或图表示76

3．5．3 与或图的启发式搜索78

3．6 博弈81

3．6．1 极大极小过程83

3．6．2 α-β过程85

3．7 本章小结87

习题387

第4章 确定性推理89

4．1 推理技术概述89

4．1．1 推理的概述和类型89

4．1．2 推理的控制策略92

4．2 推理的逻辑基础93

4．2．1 谓词与个体93

4．2．2 谓词公式的永真性和可满足性94

4．3 自然演绎推理96

4．4 归结演绎推理97

4．4．1 子句型97

4．4．2 鲁滨逊归结原理100

4．4．3 归结演绎推理的归结策略103

4．4．4 用归结反演求取问题的答案107

4．5 本章小结108

习题4109

第5章 不确定性推理110

5．1 概述110

5．1．1 什么是不确定性推理110

5．1．2 不确定性推理要解决的基本问题111

5．1．3 不确定性推理方法分类112

5．2 不确定性的表示和度量113

5．2．1 知识的不确定性113

5．2．2 证据的不确定性114

5．2．3 不确定性的表示114

5．3 主观Bayes方法114

5．3．1 知识不确定性的表示115

5．3．2 证据不确定性的表示118

5．3．3 不确定性的更新119

5．3．4 结论不确定性的合成算法120

5．4 可信度方法123

5．4．1 可信度模型124

5．4．2 确定性方法的说明129

5．5 证据理论130

5．5．1 证据的不确定性130

5．5．2 证据的组合函数132

5．5．3 规则的不确定性133

5．5．4 不确定性的组合134

5．6 本章小结136

习题5137

第6章 机器学习139

6．1 机器学习概述139

6．1．1 机器学习的基本概念139

6．1．2 机器学习的发展简史140

6．1．3 机器学习分类141

6．1．4 机器学习的应用与研究目标142

6．2 归纳学习142

6．2．1 归纳学习的基本概念143

6．2．2 变型空间学习144

6．2．3 归纳偏置146

6．3 决策树学习147

6．3．1 决策树的组成及分类147

6．3．2 决策树的构造算法CLS148

6．3．3 基本的决策树算法ID3150

6．3．4 决策树的偏置152

6．4 基于实例的学习153

6．4．1 K-近邻算法153

6．4．2 距离加权最近邻法154

6．4．3 基于范例的学习155

6．5 强化学习159

6．5．1 强化学习模型159

6．5．2 马尔可夫决策过程160

6．5．3 Q学习161

6．6 本章小结163

习题6164

第2篇 高级人工智能169

第7章 支持向量机169

7．1 概述169

7．2 统计学习理论170

7．2．1 学习问题的表示170

7．2．2 期望风险和经验风险171

7．2．3 VC维理论172

7．2．4 推广性的界173

7．2．5 结构风险最小化174

7．3 支持向量机175

7．3．1 函数集结构的构造175

7．3．2 支持向量机176

7．4 核函数179

7．4．1 概述179

7．4．2 核函数的分类180

7．5 SVM的算法及多类SVM181

7．5．1 SVM的算法181

7．5．2 多类问题中的SVM181

7．6 SVM的应用现状182

7．6．1 人脸检测、验证和识别182

7．6．2 说话人／语音识别182

7．6．3 文字／手写体识别182

7．6．4 图像处理183

7．7 本章小结183

第8章 神经计算185

8．1 人工神经元模型185

8．2 感知器187

8．2．1 感知器的结构187

8．2．2 感知器学习算法188

8．3 反向传播网络190

8．3．1 BP网络的结构190

8．3．2 BP网络的学习算法190

8．4 自组织映射神经网络193

8．4．1 SOM网络结构193

8．4．2 SOM网络的学习算法194

8．5 Hopfield网络196

8．5．1 离散Hopfield网络的结构196

8．5．2 离散Hopfield网络的稳定性197

8．5．3 离散Hopfield网络的学习算法197

8．6 脉冲耦合神经网络198

8．6．1 PCNN的结构198

8．6．2 PCNN的学习算法198

8．7 神经计算的发展趋势199

8．8 本章小结200

习题8201

第9章 进化计算202

9．1 概述202

9．2 遗传算法203

9．2．1 遗传算法的基本原理203

9．2．2 遗传算法的应用示例204

9．2．3 模式定理207

9．2．4 遗传算法的改进210

9．3 进化规划211

9．3．1 标准进化规划及其改进211

9．3．2 进化规划的基本技术213

9．4 进化策略214

9．4．1 进化策略及其改进214

9．4．2 进化策略的基本技术215

9．5 GA、EP、ES的异同216

9．6 本章小结217

习题9218

第10章 模糊计算219

10．1 模糊集合的概念219

10．1．1 模糊集合的定义219

10．1．2 模糊集合的表示方法220

10．2 模糊集合的代数运算223

10．3 正态模糊集和凸模糊集226

10．4 模糊关系226

10．4．1 模糊关系226

10．4．2 模糊关系的性质227

10．5 模糊逻辑推理227

10．6 模糊判决229

10．7 模糊计算在模式识别中的应用230

10．7．1 最大隶属度原则230

10．7．2 择近原则231

10．8 本章小结232

习题10232

第11章 粗糙集234

11．1 概述234

11．2 基本粗糙集理论236

11．3 粗糙集中的知识表示238

11．4 知识约简239

11．5 知识的约简算法241

11．5．1 信息系统的知识约简算法241

11．5．2 决策表的知识约简算法242

11．6 本章小结244

习题11244

第12章 粒度计算245

12．1 粒度计算概述245

12．1．1 粒度计算的定义245

12．1．2 粒度计算的基本成分245

12．2 粒度计算的基本问题247

12．3 几个粒度计算的典型模型248

12．3．1 基于粗糙集理论的粒度计算模型248

12．3．2 基于商空间的粒度计算模型250

12．3．3 基于模糊集合论的词计算模型253

12．3．4 三大模型之间的关系256

12．4 本章小结258

习题12259

第3篇 展望263

第13章 人工智能的争论263

13．1 人工智能的学派262

13．2 对人工智能理论的争论264

13．3 对人工智能方法的争论265

13．4 对人工智能技术路线的争论265

13．5 对强弱人工智能的争论266

13．5．1 强弱人工智能266

13．5．2 对强人工智能的哲学争论266

13．6 本章小结267

第14章 人工智能的展望268

14．1 人工智能的未来问题268

14．1．1 更新的理论框架268

14．1．2 更好的技术集成269

14．1．3 更成熟的应用方法269

14．2 脑机接口270

14．3 本章小结271

参考文献272