人工智能

第1章 人工智能概述
1.1 什么是人工智能
1.2 人工智能的歷史
第2章 基于搜索的問題求解
2.1 搜索與人工智能的關(guān)系
2.1.1 八數(shù)碼魔方
2.1.2 狀態(tài)空間表示
2.1.3 與圖有關(guān)的術(shù)語
2.2 逐個搜索
2.2.1 隨機搜索
2.2.2 CLOSED表的引入
2.2.3 OPEN表的引入
2.4.4 縱向搜索
2.2.5 橫向搜索
2.2.6 均一代價搜索
2.3 應用智能的搜索
2.3.1 啟發(fā)式搜索
2.3.2 登山法和最佳優(yōu)先搜索
2.3.3 A*算法
2.3.4 約束的利用
2.4 對問題進行分割后進行搜索
2.4.1 與/或(AND/OR)圖表示
2.4.2 與/或(AND/OR)圖搜索
2.5 博弈樹的搜索
練習題
第3章 知識表示和推理
3.1 知識與推理中的關(guān)系
3.2 產(chǎn)生式系統(tǒng)
3.2.1 產(chǎn)生式系統(tǒng)的構(gòu)造
3.2.2 推理機構(gòu)的運行
3.2.3 理由(Why)和方法(How)
3.2.4 產(chǎn)生式系統(tǒng)的特征
3.3 框架
3.3.1 典型知識與框架
3.3.2 階層知識與特征的繼承
3.3.3 程序知識及其啟動
3.3.4 框架的特征
練習題
第4章 機器學習
4.1 關(guān)于學習和機器學習
4.1.1 什么是學習
4.1.2 機器學習的研究歷史
4.1.3 機器學習的分類標準
4.2 應用歸納方法由示例學習概念的定義
4.2.1 溫斯頓的拱學習
4.2.2 決策樹的學習
4.3 根據(jù)豐富的知識和經(jīng)驗提高推理效率
4.3.1 效率化學習
4.3.2 基于解釋的學習(EBL)
練習題
第5章 模糊理論-神經(jīng)網(wǎng)絡-遺傳算法
5.1 模糊理論
5.1.1 什么是模糊理論
5.1.2 模糊集合與普通集合的區(qū)別
5.1.3 模糊數(shù)也是數(shù)嗎?
5.1.4 模糊控制是一種方便的控制方法
5.2 神經(jīng)網(wǎng)絡
5.2.1 什么是神經(jīng)網(wǎng)絡
5.2.2 神經(jīng)元及其學習功能的研究
5.2.3 誤差反向傳播學習是一種便利方法
5.3 遺傳算法
5.3.1 什么是遺傳算法
5.3.2 單純GA的基本步驟
5.3.3 簡單函數(shù)最優(yōu)化舉例
5.3.4 單純GA的擴張
5.3.5 模式定理
5.3.6 遺傳算法的應用
5.3.7 遺傳算法的一些同類方法
練習題
第6章 模式識別
6.1 什么是模式識別
6.2 模式的特征
6.3 根據(jù)特征模式匹配進行識別
6.3.1 用一個參考模式代表類
6.3.2 用多個參考模式代表類
6.4 基于統(tǒng)計決策理論的識別
6.5 對聲音的識別
6.5.1 根據(jù)與參考模式的匹配識別單詞
6.5.2 基于統(tǒng)計決策理論的單詞識別
6.5.3 基于統(tǒng)計決策理論的連續(xù)聲音識別
練習題
第7章 人工智能語言
7.1 人工智能語言是怎樣一種語言
7.2 函數(shù)型語言Lisp
7.2.1 表:具有遞歸結(jié)構(gòu)的數(shù)據(jù)
7.2.2 Lisp程序的基本結(jié)構(gòu)
7.2.3 由程序到數(shù)據(jù)和由數(shù)據(jù)到程序:eval和quote
7.2.4 表操作
7.2.5 其他的Lisp函數(shù)
7.2.6 Lisp的執(zhí)行例子
7.3 邏輯型語言Prolog
7.3.1 項:具有遞歸結(jié)構(gòu)的另一種數(shù)據(jù)結(jié)構(gòu)
7.3.2 邏輯型語言的計算方法:歸結(jié)原理
7.3.3 Prolog的對象:Horn邏輯式
7.3.4 Prolog程序的表示法
7.3.5 單一化(unification)
7.3.6 Prolog的表處理
7.3.7 Prolog的執(zhí)行控制功能：自動回溯和截斷符號
7.3.8 把程序變成數(shù)據(jù)，把數(shù)據(jù)變成程序:assert，retract及univ
7.3.9 其他的謂詞
7.3.10 Prolog的執(zhí)行例子
練習題
練習題簡答
參考文獻