人工智能
出版時間：2011-7 出版社：機械工業(yè) 作者：劉鳳岐 頁數：346
內容概要
《人工智能》教全面地介紹了人工智能領域的各種課題，其中包括使用神經網絡和遺傳算法的感知和適應性、附有本體論的智能agent、自動推理、自然語言分析，以及機器學習的隨機途徑。論述的許多技術和策略可用于應對現今計算機科學面臨的眾多挑戰(zhàn)。此外，《人工智能》進一步從哲學、心理學和神經生理學等角度討論了人工智能研究工作?！度斯ぶ悄堋房勺鳛楦叩仍盒Ｑ芯可慕滩?，還可供從事人工智能研究和應用的專業(yè)人員參考。
作者簡介
劉鳳岐，國防科技大學原計算機系教授，長期從事計算機應用和人工智能的教學和研究工作。自上世紀80年代中期至上世紀末一直帶領學生承擔國家“863”計劃中關于“人工智能程序設計與環(huán)境”、“專家系統(tǒng)開發(fā)工具”等的研究課題，獲省、部級科技進步獎六項。發(fā)表論文20余篇，并編著了《邏輯程序設計原理和方法》。1990年獲國家“中青年有突出貢獻專家”稱號，享受政府特殊津貼。
書籍目錄
出版者的話序言前言第1章 導論1.1 人工智能的定義與基礎1.1.1 何謂人工智能？1.1.2 ai基礎簡史1.1.3 ai與唯理主義和經驗主義傳統(tǒng)1.1.4 形式邏輯的發(fā)展1.1.5 圖靈測試1.1.6 智能的生物與社會模型agent理論1.2 ai應用領域概述1.2.1 博弈1.2.2 自動推理與定理證明1.2.3 專家系統(tǒng)1.2.4 自然語言理解1.2.5 模擬人的性能1.2.6 規(guī)劃與機器人1.2.7 ai語言和環(huán)境1.2.8 機器學習1.2.9 神經網絡與遺傳算法1.2.1 0ai與哲學1.3 人工智能概要練習第2章 表示與搜索導引2.1 表示系統(tǒng)2.2 搜索第3章 謂詞演算3.1 命題演算3.1.1 語法3.1.2 語義3.2 謂詞演算3.2.1 語法3.2.2 語義3.3 謂詞演算的推斷規(guī)則3.3.1 推斷規(guī)則3.3.2 一致化3.4 應用：基于邏輯的家庭財務咨詢系統(tǒng)練習第4章 狀態(tài)空間搜索4.1 狀態(tài)空間搜索的結構4.1.1 圖論4.1.2 有限狀態(tài)機4.1.3 問題的狀態(tài)空間表示4.2 狀態(tài)空間搜索策略4.2.1 數據驅動和目標驅動的搜索4.2.2 廣度優(yōu)先和深度優(yōu)先搜索4.2.3 逐步加深的深度優(yōu)先搜索4.3 與/或圖和邏輯推理4.4 應用：家庭財務咨詢系統(tǒng)練習第5章 啟發(fā)式搜索5.1 爬山法和動態(tài)規(guī)劃5.1.1 爬山法5.1.2 動態(tài)規(guī)劃5.2 最好優(yōu)先搜索算法5.2.1 實現最好優(yōu)先搜索5.2.2 實現啟發(fā)估價函數5.2.3 啟發(fā)式搜索與專家系統(tǒng)5.3 可采納性、單調性及信息度5.3.1 可采納性5.3.2 單調性5.3.3 a*算法的比較5.4 搜索博弈圖5.4.1 極小極大程序5.4.2 固定深度的minimax5.4.3 αβ剪枝5.5 計算復雜度問題練習第6章 狀態(tài)空間搜索的控制算法6.1 基于遞歸的搜索6.1.1 遞歸搜索6.1.2 遞歸搜索示例：模式驅動的推理6.2 產生式系統(tǒng)6.2.1 定義及簡史6.2.2 產生式系統(tǒng)示例6.2.3 搜索的控制6.2.4 產生式系統(tǒng)的優(yōu)點6.3 問題求解的黑板體系練習第7章 知識表示7.1 ai表示研究簡史7.1.1 含義的聯(lián)想主義理論7.1.2 語義網絡的早期工作7.1.3 網絡關系的標準化7.1.4 腳本7.1.5 框架7.2 概念圖7.2.1 概念圖導引7.2.2 類型、個體和名稱7.2.3 類型的層次結構7.2.4 概念圖的操作7.2.5 命題節(jié)點7.2.6 概念圖與邏輯7.3 替代顯式表示7.3.1 brooks的包容體系7.3.2 多種表示、本體論與知識服務7.4 基于agent的分布式問題求解7.4.1 面向agent的問題求解：一種定義7.4.2 agent范型的示例及其存在問題練習第8章 知識系統(tǒng)8.1 專家系統(tǒng)技術概述8.1.1 設計基于規(guī)則的專家系統(tǒng)8.1.2 問題領域的選擇與知識工程過程8.1.3 概念模型及其在知識獲取中的作用8.2 基于規(guī)則的專家系統(tǒng)8.2.1 產生式系統(tǒng)與目標驅動的問題求解8.2.2 目標驅動的推理的解釋與透明性8.2.3 產生式系統(tǒng)與數據驅動的推理8.2.4 專家系統(tǒng)的啟發(fā)性與控制8.3 基于模型、基于事例和混合系統(tǒng)8.3.1 基于模型的推理導引8.3.2 基于模型的推理：nasa的例子8.3.3 基于事例的推理導引8.3.4 混合設計8.4 規(guī)劃8.4.1 strips8.4.2 目的反應式規(guī)劃8.4.3 規(guī)劃：nasa的例子練習第9章 不確定推理9.1 基于邏輯的反繹推理9.1.1 非單調推理邏輯9.1.2 真值維護系統(tǒng)9.1.3 基于最小模型的邏輯9.1.4 集合覆蓋與基于邏輯的反繹9.2 反繹：替代邏輯9.2.1 肯定因數代數9.2.2 模糊推理9.2.3 dempster和shafer的證據論9.3 不確定性的隨機途徑9.3.1 有向圖模型：貝葉斯信念網絡9.3.2 有向圖模型：d分隔9.3.3 有向圖模型：推理算法9.3.4 有向圖模型：動態(tài)貝葉斯網絡9.3.5 markov模型：離散markov過程9.3.6 markov模型：改型練習第10章 基于符號的機器學習10.1 基于符號的學習框架10.2 版本空間搜索10.2.1 一般化操作與概念空間10.2.2 候選排除算法10.2.3 lex：歸納搜索啟發(fā)式10.2.4 候選排除算法的評價10.3 id3決策樹歸納算法10.3.1 自頂向下歸納決策樹10.3.2 信息論的測試選擇10.3.3 評價id310.3.4 決策樹的數據問題10.4 歸納偏向與學習能力10.4.1 歸納偏向10.4.2 學習能力理論10.5 知識與學習10.5.1 基于解釋的學習10.5.2 類比推理10.6 無監(jiān)督的學習10.6.1 發(fā)現與無監(jiān)督的學習10.6.2 概念聚類10.6.3 cobweb與分類知識的結構10.7 增強式學習10.7.1 增強式學習的成分10.7.2 示例：井字棋博弈10.7.3 增強式學習的推理算法練習第11章 神經網絡11.1 神經網絡基礎11.2 感知器學習11.2.1 感知器訓練算法11.2.2 感知器學習用于分類11.2.3 梯度下降法與δ規(guī)則11.3 反向傳播學習11.3.1 反向傳播算法11.3.2 例1：nettalk11.3.3 例2：異或函數11.4 競爭學習11.4.1 分類的wta學習算法11.4.2 kohonen的學習原型網絡11.4.3 重復傳播網絡11.5 hebb的疊合學習11.5.1 無監(jiān)督hebb學習示例11.5.2 有監(jiān)督hebb學習11.5.3 結合存儲與線性結合器11.6 吸引狀態(tài)網絡11.6.1 雙向結合存儲11.6.2 bam處理示例11.6.3 自結合存儲與hopfield網絡練習第12章 學習的遺傳與浮現模型12.1 遺傳算法12.1.1 遺傳算法示例12.1.2 遺傳算法的評價12.2 分類器系統(tǒng)與遺傳程序設計12.2.1 分類器系統(tǒng)12.2.2 遺傳程序設計12.3 人工生命和基于社會的學習12.3.1 “生命博弈”12.3.2 進化規(guī)劃12.3.3 浮現的專題研究練習第13章 自動推理13.1 通用問題求解器13.2 歸結定理證明器13.2.1 謂詞演算表達式化為短句集合13.2.2 歸結證明程序13.2.3 歸結策略和簡化技術13.2.4 由歸結反駁抽取答案13.3 prolog與自動推理練習第14章 自然語言理解14.1 理解語言的符號途徑14.2 語法14.2.1 上下文無關文法的規(guī)范與分析14.3 躍遷網分析器與語義14.3.1 躍遷網分析器14.3.2 chomsky層次與上下文有關文法14.3.3 語義：atn分析器14.3.4 用atn組合語法和語義知識14.4 語言理解的隨機工具14.4.1 語法分析的概率途徑14.4.2 概率上下文無關分析器14.5 自然語言的應用14.5.1 故事理解與回答問題14.5.2 數據庫前端14.5.3 對web的信息抽取和摘要系統(tǒng)練習第15章 結束語：評述與展望15.1 對ai幾種途徑的評述15.1.1 智能與物理符號系統(tǒng)假設15.1.2 連接主義計算15.1.3 agent、浮現與智能15.1.4 概率模型和隨機技術15.2 現代認知科學15.2.1 心理學的約束15.2.2 認識論問題15.3 ai：當前的挑戰(zhàn)與未來方向附錄a 隨機方法導論附錄b 隨機方法的應用參考文獻
章節(jié)摘錄
版權頁：插圖：在應用領域中工作的專家運用領域的知識和技能進行實踐。這類知識經常是含糊、不精確并且只是部分地可用言語明確表達。知識工程師必須將這類非形式的知識轉化為適于計算系統(tǒng)的形式描述。在形式化人的技能中提出了若干重要問題：1）人的技能常常難按有意識的意向獲取。像亞里士多德在倫理學中指出的，“我們學習要做什么，并且在做中學習”。例如，內科醫(yī)生擁有的技能是在幾年的實習與見習中一直集中在患者上而學到的，與他們學習生理學課程相似，其中強調的是實驗和理論。他們獲得的醫(yī)療技能在很大程度上是由實踐中的問題驅動的。工作幾年之后，這些技能成為高度集成的并且在高水平上是無意識的功能。專家在問題求解中可能難以精確描述他是怎樣做的。2）人的經驗常取知道如何處理某情況的形式，不知道什么是該情況的理性特征；產生的是技能的執(zhí)行機制，而不是根本理解這類機制是什么。明顯的例子是騎單車：會騎單車的人不是有意識地實時求解幾組聯(lián)立微分方程以保持平衡，而是使用對“重力”、“動力”和“慣性”的感覺，由直覺的組合形成實用控制過程。3）我們常將知識獲取視為獲得客觀現實（即“現實世界”）的事實性知識。理論與實踐已表明，人的經驗體現了個人或團體的世界“模型”。這種模型似乎受慣例、社會進程以及由經驗方法學所隱藏的操作規(guī)程的影響。4）專門技能的改造。不只是專家會獲得新知識，而且已有的知識還會經受徹底的再形成，這已由科學與社會領域中的不斷爭論所證實。由此，知識工程是困難的并且應視為跨越任何專家系統(tǒng)的生存期。為簡化該任務，研究一種處在人的專門技能與實現的程序之間的“概念模型”是有意義的，見圖8-3.概念模型意指知識工程師對領域知識演進概念的形成。盡管當然它不同于領域專家的模型，但該模型實際上決定了形式知識庫的構造。因為多數感興趣的問題的復雜性，不應認為這種中間步驟是想當然的。知識工程師應通過公共軟件工程方法學記錄且公開他們對領域所做的假設。專家系統(tǒng)應包括需求文檔，但由于探索式程序設計的限制，專家系統(tǒng)的需求應處理為與原型一起演進。數據字典、狀態(tài)空間的圖表示以及代碼本身的注釋都是該模型的組成部分。由公開這些設計決定，可減少程序實現和維護中的錯誤。
編輯推薦
《面向計算機科學與技術專業(yè)規(guī)范系列教材:人工智能》全面闡述了人工智能的基礎理論，內容包括導論、表示與搜索導引、謂詞演算、狀態(tài)空間搜索、啟發(fā)式搜索、狀態(tài)空間搜索的控制算法、知識表示、知識系統(tǒng)、不確定推理、基于符號的機器學習、神經網絡、學習的遺傳與浮現模型、自動推理、自然語言理解等。《面向計算機科學與技術專業(yè)規(guī)范系列教材:人工智能》有效結合了求解智能問題的數據結構及實現的算法，把人工智能應用于實際環(huán)境中，通過實例和視圖，清晰、準確地闡述人工智能領域許多難解的概念，并從社會和哲學、心理學以及神經生理學角度對人工智能進行了獨特的討論。
圖書封面
評論、評分、閱讀與下載