人工智能及其應用

第1章　緒論
1.1　人工智能的概念
　　1.1.1　什么是人工智能
　　1.1.2　智能、智力和能力之間的區(qū)別與關系
　　1.1.3　如何判定智能
　1.2　人工智能的研究學派
　　1.2.1　符號主義
　　1.2.2　聯(lián)結(jié)主義
　　1.2.3　行為主義
　1.3　人工智能的研究目標
　1.4　人工智能的研究領域
　　1.4.1　模式識別
　　1.4.2　自動定理證明
　　1.4.3　機器視覺
　　1.4.4　專家系統(tǒng)
　　1.4.5　機器人
　　1.4.6　自然語言處理
　　1.4.7　博弈
　　1.4.8　人工神經(jīng)網(wǎng)絡
　　1.4.9　問題求解
　　1.4.10　機器學習
　　1.4.11　基于Agent的人工智能
　1.5　人工智能的發(fā)展簡史
　　1.5.1　孕育期
　　1.5.2　AI的基礎技術的形成時期
　　1.5.3　AI發(fā)展和實用階段
　　1.5.4　知識工程與機器學習發(fā)展階段
　　1.5.5　智能綜合集成階段
第2章　狀態(tài)空間搜索
　2.1　基本概念
　　2.1.1　搜索的概念
　　2.1.2　搜索的種類
　2.2　吠態(tài)空間法
　　2.2.1　問題狀態(tài)描述
　　2.2.2　吠態(tài)空間描述
　2.3　狀態(tài)空間搜索策略
　　2.3.1　數(shù)據(jù)驅(qū)動搜索模式
　　2.3.2　目標驅(qū)動搜索模式
　　2.3.3　數(shù)據(jù)驅(qū)動和目標驅(qū)動相結(jié)合的雙向搜索模式
　2.4　圖搜索的實現(xiàn)
　　2.4.1　帶回溯的搜索
　　2.4.2　廣度優(yōu)先搜索
　　2.4.3　深度優(yōu)先搜索
　　2.4.4　有界深度優(yōu)先搜索
　　2.4.5　基于遞歸的搜索
　　2.4.6　啟發(fā)式搜索
　　2.4.7　啟發(fā)式搜索算法
第3章　產(chǎn)生式系統(tǒng)
　3.1　產(chǎn)生式系統(tǒng)的基本概念
　　3.1.1　引言
　　3.1.2　產(chǎn)生式系統(tǒng)的構(gòu)成
　　3.1.3　產(chǎn)生式系統(tǒng)的特點
　3.2　產(chǎn)生式系統(tǒng)的求解問題策略
　　3.2.1　正向推理
　　3.2.2　反向推理
　　3.2.3　雙向推理
　3.3　產(chǎn)生式系統(tǒng)的特點
　3.4　產(chǎn)生式系統(tǒng)的應用實例
第4章　知識表示
　4.1　引言
　　4.1.1　知識的概念
　　4.1.2　知識表示
　　4.1.3　知識的分類
　4.2　知識的使用
　4.3　對知識表示方法的衡量
　4.4　邏輯表示模式
　　4.4.1　命題邏輯
　　4.4.2　謂詞邏輯
　　4.4.3　邏輯表示應用舉例
　4.5　語義網(wǎng)絡
　　4.5.1　語義網(wǎng)絡的構(gòu)成及特點
　　4.5.2　語義網(wǎng)絡的表示
　　4.5.3　連接詞和量詞的表示
　　4.5.4　語義網(wǎng)絡的推理
　　4.5.5　語義網(wǎng)絡表示的優(yōu)缺點
第5章　人工智能中的謂詞演算與應用
　5.1　一階謂詞演算的基本體系
　　5.1.1　概述
　　5.1.2　標準式的化簡步驟
　5.2　使用推理規(guī)則產(chǎn)生謂詞演算表達式
　　5.2.1　推理規(guī)則
　　5.2.2　置換
　　5.2.3　合一的概念
　　5.2.4　合一算法
　5.3　歸結(jié)原理
　　5.3.1　歸結(jié)原理概述
　　5.3.2　命題邏輯的歸結(jié)法
　　5.3.3　謂詞邏輯歸結(jié)方法
　　5.3.4　謂詞邏輯歸結(jié)方法的應用
　5.4　歸結(jié)策略和簡化技術
　　5.4.1　廣度優(yōu)先策略
　　5.4.2　支持集策略
　　5.4.3　單位優(yōu)先策略
　　5.4.4　線性輸入形式策略
　　5.4.5　從歸結(jié)否證中提取答案
　5.5　規(guī)則演繹系統(tǒng)
　　5.5.1　規(guī)則正向演繹系統(tǒng)
　　5.5.2　規(guī)則逆向演繹系統(tǒng)
　　5.5.3　正向系統(tǒng)和逆向系統(tǒng)的比較
第6章　自動規(guī)劃求解系統(tǒng)
　6.1　規(guī)劃
　　6.1.1　規(guī)劃的概念
　　6.1.2　規(guī)劃的特性及作用
　　6.1.3　系統(tǒng)規(guī)劃求解的方法與途徑
　　6.1.4　系統(tǒng)規(guī)劃求解的任務
　6.2　機器規(guī)劃成功性基本原理
　　6.2.1　概述
　　6.2.2　總規(guī)劃的設計與分層規(guī)劃原理
　　6.2.3　規(guī)劃問題求解與最優(yōu)規(guī)劃原理
　6.3　機器人規(guī)劃求解應用舉例
第7章　機器學習
　7.1　機器學習的概念
　　7.1.1　什么是學習
　　7.1.2　機器學習與人類學習的區(qū)別
　　7.1.3　機器學習實現(xiàn)的困難
　7.2　機器學習的研究目標
　　7.2.1　通用學習算法
　　7.2.2　認知模型
　　7.2.3　工程目標
　7.3　機器學習系統(tǒng)
　　7.3.1　什么是機器學習系統(tǒng)
　　7.3.2　機器學習的基本模型
　7.4　機器學習的分類
　7.5　實例學習
　　7.5.1　概述
　　7.5.2　實例學習的兩個空間模型
　　7.5.3　實例學習示例
第8章　神經(jīng)網(wǎng)絡
　8.1　神經(jīng)網(wǎng)絡的概念
　8.2　神經(jīng)網(wǎng)絡模型
　　8.2.1　神經(jīng)網(wǎng)絡的模型
　　8.2.2　神經(jīng)網(wǎng)絡的學習算法
　　8.2.3　幾種典型神經(jīng)網(wǎng)絡簡介
　8.3　神經(jīng)網(wǎng)絡的應用
　8.4　神經(jīng)網(wǎng)絡的設計與仿真
第9章　遺傳算法
　9.1　遺傳算法的概念
　9.2　基本遺傳算法
　　9.2.1　基本運算過程
　　9.2.2　工作步驟
　9.3　遺傳算法應用
　　9.3.1　遺傳算法的特點
　　9.3.2　遺傳算法的應用
第10章　分布式人工智能和Agent技術
　10.1　分布式人工智能
　10.2　Agent系統(tǒng)
　　10.2.1　Agent的基本概念及特性
　　10.2.2　Agent的分類
　　10.2.3　Agent研究的基本問題
　10.3　多Agent系統(tǒng)
　　10.3.1　多Agent系統(tǒng)的基本概念及特性
　　10.3.2　多Agent系統(tǒng)的分類
　　10.3.3　多Agent系統(tǒng)的研究內(nèi)容
　10.4　Agent的應用
第ll章　知識發(fā)現(xiàn)與數(shù)據(jù)挖掘
　11.1　知識發(fā)現(xiàn)
　11.2　數(shù)據(jù)挖掘
　　11.2.1　數(shù)據(jù)挖掘技術的產(chǎn)生及定義
　　11.2.2　數(shù)據(jù)挖掘的功能
　　11.2.3　常用的數(shù)據(jù)挖掘方法
　　11.2.4　數(shù)據(jù)挖掘工具
主要參考文獻