人工智能原理與應(yīng)用

第1章 緒論
1．1 什么是人工智能
1．1．1 智能的解釋
1．1．2 人工智能的解釋
1．1．3 計(jì)算機(jī)與人工智能
1．1．4 人類智能與人工智能
1．1．5 人工智能的研究目標(biāo)
1．1．6 人工智能中的通用問(wèn)題求解方法
1．2 人工智能的發(fā)展簡(jiǎn)史
1．3 人工智能的研究方法及基本內(nèi)容
1．3．1 人工智能的研究方法
1．3．2 人工智能研究的基本內(nèi)容
1．4 人工智能的基本技術(shù)
1．5 人工智能的主要研究領(lǐng)域及實(shí)踐
1．5．1 人工智能的主要研究領(lǐng)域
1．5．2 人工智能實(shí)踐
1．6 人工智能在中國(guó)
1．6．1 數(shù)學(xué)機(jī)械化
1．6．2 機(jī)器學(xué)習(xí)
1．6．3 自動(dòng)推理
1．6．4 時(shí)間和空間知識(shí)表示和推理
1．6．5 自然語(yǔ)言處理
1．6．6 智能體技術(shù)及應(yīng)用
1．6．7 圖像識(shí)別
習(xí)題
第2章 知識(shí)及知識(shí)的表示
2．1 概述
2．1．1 知識(shí)的基本概念
2．1．2 知識(shí)表示
2．2 一階謂詞邏輯表示法
2．2．1 知識(shí)的謂詞邏輯表示法
2．2．2 謂詞邏輯表示知識(shí)舉例
2．2．3 一階謂詞邏輯表示法的特點(diǎn)
2．3 產(chǎn)生式表示法
2．3．1 產(chǎn)生式的基本形式
2．3．2 產(chǎn)生式表示知識(shí)的方法
2．3．3 產(chǎn)生式系統(tǒng)的組成
2．3．4 產(chǎn)生式系統(tǒng)的推理方式
2．3．5 產(chǎn)生式系統(tǒng)應(yīng)用舉例
2．3．6 產(chǎn)生式表示法的特點(diǎn)
2．4 框架表示法
2．4．1 框架的構(gòu)成
2．4．2 框架表示知識(shí)舉例
2．4．3 框架系統(tǒng)的推理
2．4．4 框架表示法的特點(diǎn)
2．5 語(yǔ)義網(wǎng)絡(luò)表示法
2．5．1 語(yǔ)義網(wǎng)絡(luò)的概念及結(jié)構(gòu)
2．5．2 語(yǔ)義網(wǎng)絡(luò)的基本語(yǔ)義聯(lián)系
2．5．3 語(yǔ)義網(wǎng)絡(luò)表示知識(shí)的方法及步驟
2．5．4 語(yǔ)義網(wǎng)絡(luò)知識(shí)表示舉例
2．5．5 語(yǔ)義網(wǎng)絡(luò)的推理過(guò)程
2．5．6 語(yǔ)義網(wǎng)絡(luò)表示法的特點(diǎn)
2．6 面向?qū)ο蟊硎痉?br />2．6．1 面向?qū)ο蟮幕靖拍?br />2．6．2 面向?qū)ο蟮闹R(shí)表示
2．6．3 面向?qū)ο蟮闹R(shí)表示舉例
習(xí)題
第3章 經(jīng)典邏輯推理
3．1 概述
3．1．1 推理定義
3．1．2 推理方式及分類
3．2 推理的邏輯基礎(chǔ)
3．2．1 謂詞公式的解釋
3．2．2 謂詞公式的等價(jià)性與永真蘊(yùn)含性
3．2．3 置換與合一
3．2．4 謂詞公式的范式
3．3 產(chǎn)生式系統(tǒng)推理
3．3．1 產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu)
3．3．2 推理方向
3．3．3 沖突消解策略
3．4 自然演繹推理
3．4．1 自然演繹推理的基本概念
3．4．2 利用演繹推理解決問(wèn)題
3．5 歸結(jié)演繹推理
3．5．1 子句集及其化簡(jiǎn)
3．5．2 Herbrand理論
3．5．3 Robinson歸結(jié)原理
3．5．4 應(yīng)用歸結(jié)原理證明問(wèn)題
3．5．6 用歸結(jié)原理求解問(wèn)題
3．5．7 歸結(jié)策略
習(xí)題
第4章 不確定性推理
4．1 不確定性推理中的基本問(wèn)題
4．2 不確定性推理方法分類
4．3 概率方法
4．3．1 經(jīng)典概率方法
4．3．2 Bayes定理
4．3．3 逆概率方法的基本思想
4．3．4 逆概率方法的優(yōu)缺點(diǎn)
4．4 主觀Bayes方法
4．4．1 知識(shí)不確定性的表示
4．4．2 證據(jù)不確定性的表示
4．4．3 不確定性的傳遞算法
4．4．4 結(jié)論不確定性的合成算法
4．4．5 例子
4．4．6 主觀Bayes方法的主要優(yōu)缺點(diǎn)
4．5 可信度方法
4．5．1 可信度概念
4．5．2 C-F模型
4．5．3 可信度方法應(yīng)用舉例
4．6 證據(jù)理論
4．6．1 基本概念
4．6．2 D-S理論
4．6．3 知識(shí)的不確定性的表示
4．6．4 證據(jù)的不確定性的表示
4．6．5 例子
4．6．6 證據(jù)理論的主要優(yōu)缺點(diǎn)
習(xí)題
第5章 搜索問(wèn)題求解
5．1 基本概念
5．2 狀態(tài)空間搜索
5．2．1 問(wèn)題的狀態(tài)空間表示
5．2．2 狀態(tài)空間的窮搜索法
5．2．3 啟發(fā)式搜索法
5．3 問(wèn)題歸約法
5．3．1 問(wèn)題歸約描述
5．3．2 與或圖表示
5．3．3 AO*算法
5．4 博弈樹搜索
5．4．1 極大極小過(guò)程
5．4．2 α-β過(guò)程
習(xí)題
第6章 遺傳算法
6．1 遺傳算法簡(jiǎn)介
6．1．1 遺傳算法的起源
6．1．2 遺傳算法的基本思想
6．1．3 遺傳算法的主要特點(diǎn)
6．1．4 遺傳算法的應(yīng)用
6．2 函數(shù)優(yōu)化實(shí)例
6．2．1 問(wèn)題描述
6．2．2 種群的初始化
6．2．3 選擇策略
6．2．4 遺傳算子
6．3 基本遺傳算法
6．3．1 編碼表示
6．3．2 適應(yīng)度函數(shù)
6．3．3 選擇策略
6．3．4 遺傳算子的設(shè)計(jì)
6．4 遺傳算法的應(yīng)用舉例
6．4．1 函數(shù)最優(yōu)化問(wèn)題
6．4．2 旅行商問(wèn)題
6．4．3 排課表問(wèn)題
習(xí)題
第7章 人工智能在教育教學(xué)領(lǐng)域中的應(yīng)用
7．1 遺傳算法在教育教學(xué)領(lǐng)域中的應(yīng)用
7．1．1 基于遺傳算法的智能組卷策略
7．1．2 基于遺傳算法和模糊綜合評(píng)價(jià)的課堂效果評(píng)價(jià)方
7．1．3 基于遺傳算法的網(wǎng)絡(luò)教學(xué)資源共享優(yōu)化調(diào)度
7．2 專家系統(tǒng)在教育教學(xué)領(lǐng)域中的應(yīng)用
7．2．1 智能教學(xué)專家系統(tǒng)的形式化模型
7．2．2 計(jì)算機(jī)編程輔助教學(xué)專家系統(tǒng)的構(gòu)建
7．2．3 專家系統(tǒng)在計(jì)算機(jī)輔助教學(xué)系統(tǒng)中的應(yīng)用
7．2．4 智能計(jì)算機(jī)輔助教學(xué)系統(tǒng)中學(xué)生模型庫(kù)的設(shè)計(jì)
7．2．5 計(jì)算機(jī)智能導(dǎo)師系統(tǒng)的知識(shí)表示
7．3 數(shù)據(jù)挖掘在教育教學(xué)領(lǐng)域中的應(yīng)用
7．3．1 數(shù)據(jù)挖掘在本科教學(xué)評(píng)估中的應(yīng)用
7．3．2 關(guān)聯(lián)規(guī)則挖掘在學(xué)分制教學(xué)管理中的應(yīng)用
7．3．3 多維關(guān)聯(lián)規(guī)則挖掘在高校就業(yè)領(lǐng)域中的應(yīng)用
7．4 神經(jīng)網(wǎng)絡(luò)在教育教學(xué)領(lǐng)域中的應(yīng)用
7．4．1 神經(jīng)網(wǎng)絡(luò)在教學(xué)工作水平評(píng)估中的應(yīng)用
7．4．2 基于BP神經(jīng)網(wǎng)絡(luò)的編譯原理學(xué)績(jī)?cè)u(píng)估方法
附錄簡(jiǎn)單函數(shù)優(yōu)化的遺傳算法C代碼
參考文獻(xiàn)