科技 类型
可以朗读 语音朗读
340千字 字数
2020-07-01 发行日期
展开全部

主编推荐语

本书系统地阐述了人工智能的基本理论、基本技术、研究方法和应用领域。

内容简介

全书共分为8章，内容涉及人工智能的基本概念、知识工程、确定性推理和不确定性推理、搜索与优化策略、机器学习、人工神经网络与深度学习，以及模式识别、自然语言处理和多智能体等。

目录

  • 版权信息
  • 前言
  • 第1章 绪论
  • 1.1 什么是人工智能
  • 1.1.1 关于智能
  • 1.1.2 人工智能的研究目标
  • 1.2 人工智能发展简史
  • 1.3 人工智能的研究方法
  • 1.3.1 人工智能的研究特点
  • 1.3.2 人工智能的研究途径
  • 1.3.3 人工智能研究资源
  • 1.4 人工智能研究及应用领域
  • 1.4.1 模式识别
  • 1.4.2 自然语言处理
  • 1.4.3 机器学习与数据挖掘
  • 1.4.4 人工神经网络与深度学习
  • 1.4.5 博弈
  • 1.4.6 多智能体
  • 1.4.7 专家系统
  • 1.4.8 计算机视觉
  • 1.4.9 自动定理证明
  • 1.4.10 智能控制
  • 1.4.11 机器人学
  • 1.4.12 人工生命
  • 1.5 本章小结
  • 习题
  • 第2章 知识工程
  • 2.1 概述
  • 2.2 知识表示方法
  • 2.2.1 经典逻辑表示法
  • 2.2.2 产生式表示法
  • 2.2.3 层次结构表示法
  • 2.2.4 网络结构表示法
  • 2.2.5 其他表示法
  • 2.3 知识获取与管理
  • 2.3.1 知识获取的任务
  • 2.3.2 知识获取的方式
  • 2.3.3 知识管理
  • 2.3.4 本体论
  • 2.3.5 知识图谱
  • 2.4 基于知识的系统
  • 2.4.1 什么是知识系统
  • 2.4.2 专家系统
  • 2.4.3 问答系统
  • 2.4.4 知识系统举例
  • 2.5 本章小结
  • 习题
  • 第3章 确定性推理
  • 3.1 概述
  • 3.1.1 推理方式与分类
  • 3.1.2 推理控制策略
  • 3.1.3 知识匹配
  • 3.2 自然演绎推理
  • 3.3 归结演绎推理
  • 3.3.1 归结原理
  • 3.3.2 归结策略
  • 3.3.3 应用归结原理求解问题
  • 3.4 与或形演绎推理
  • 3.4.1 与或形正向演绎推理
  • 3.4.2 与或形逆向演绎推理
  • 3.4.3 与或形双向演绎推理
  • 3.5 本章小结
  • 习题
  • 第4章 不确定性推理
  • 4.1 概述
  • 4.2 基本概率方法
  • 4.3 主观贝叶斯方法
  • 4.3.1 不确定性的表示
  • 4.3.2 不确定性的传递算法
  • 4.3.3 结论不确定性的合成算法
  • 4.4 可信度方法
  • 4.4.1 基本可信度模型
  • 4.4.2 带阈值限度的可信度模型
  • 4.4.3 加权的可信度模型
  • 4.4.4 前件带不确定性的可信度模型
  • 4.5 模糊推理
  • 4.5.1 模糊理论
  • 4.5.2 简单模糊推理
  • 4.5.3 模糊三段论推理
  • 4.5.4 多维模糊推理
  • 4.5.5 多重模糊推理
  • 4.5.6 带有可信度因子的模糊推理
  • 4.6 证据理论
  • 4.6.1 D-S理论
  • 4.6.2 基于证据理论的不确定性推理
  • 4.7 粗糙集理论
  • 4.7.1 粗糙集理论的基本概念
  • 4.7.2 粗糙集在知识发现中的应用
  • 4.8 本章小结
  • 习题
  • 第5章 搜索与优化策略
  • 5.1 概述
  • 5.1.1 什么是搜索
  • 5.1.2 状态空间表示法
  • 5.1.3 与或树表示法
  • 5.2 状态空间搜索
  • 5.2.1 状态空间的一般搜索过程
  • 5.2.2 广度优先搜索
  • 5.2.3 深度优先搜索
  • 5.2.4 有界深度优先搜索
  • 5.2.5 启发式搜索
  • 5.2.6 A*算法
  • 5.3 与或树搜索
  • 5.3.1 与或树的一般搜索过程
  • 5.3.2 与或树的广度优先搜索
  • 5.3.3 与或树的深度优先搜索
  • 5.3.4 与或树的有序搜索
  • 5.3.5 博弈树的启发式搜索
  • 5.3.6 剪枝技术
  • 5.3.7 人机对弈与AlphaGo
  • 5.4 智能优化搜索
  • 5.4.1 NP问题
  • 5.4.2 优化问题
  • 5.4.3 遗传算法
  • 5.4.4 蚁群算法
  • 5.4.5 粒子群算法
  • 5.4.6 智能优化搜索应用案例
  • 5.5 本章小结
  • 习题
  • 第6章 机器学习
  • 6.1 概述
  • 6.1.1 什么是机器学习
  • 6.1.2 机器学习方法分类
  • 6.1.3 机器学习的基本问题
  • 6.1.4 评估学习结果
  • 6.2 决策树学习
  • 6.2.1 决策树表示法
  • 6.2.2 ID3算法
  • 6.2.3 决策树学习的常见问题
  • 6.2.4 随机森林算法
  • 6.2.5 决策树学习应用案例
  • 6.3 贝叶斯学习
  • 6.3.1 贝叶斯法则
  • 6.3.2 朴素贝叶斯方法
  • 6.3.3 贝叶斯网络
  • 6.3.4 EM算法
  • 6.3.5 贝叶斯学习应用案例
  • 6.4 统计学习
  • 6.4.1 小样本统计学习理论
  • 6.4.2 支持向量机
  • 6.4.3 核函数
  • 6.4.4 支持向量机应用案例
  • 6.5 聚类
  • 6.5.1 聚类问题
  • 6.5.2 分层聚类方法
  • 6.5.3 划分聚类方法
  • 6.5.4 基于密度的聚类方法
  • 6.5.5 基于网格的聚类方法
  • 6.5.6 聚类算法应用案例
  • 6.6 特征选择与表示学习
  • 6.6.1 特征提取与选择
  • 6.6.2 常用的特征函数
  • 6.6.3 主成分分析
  • 6.6.4 表示学习
  • 6.6.5 表示学习应用案例
  • 6.7 其他学习方法
  • 6.7.1 k近邻算法
  • 6.7.2 强化学习
  • 6.7.3 隐马尔可夫模型
  • 6.8 本章小结
  • 习题
  • 第7章 人工神经网络与深度学习
  • 7.1 概述
  • 7.1.1 人脑神经系统
  • 7.1.2 人工神经网络的研究内容与特点
  • 7.1.3 人工神经网络基本形态
  • 7.1.4 深度学习
  • 7.2 前馈神经网络
  • 7.2.1 感知器模型
  • 7.2.2 反向传播算法
  • 7.2.3 卷积神经网络
  • 7.2.4 前馈神经网络应用案例
  • 7.3 反馈神经网络
  • 7.3.1 循环神经网络
  • 7.3.2 长短期记忆网络
  • 7.3.3 双向循环神经网络
  • 7.3.4 反馈神经网络应用案例
  • 7.4 本章小结
  • 习题
  • 第8章 人工智能的其他领域
  • 8.1 模式识别
  • 8.1.1 模式识别的基本问题
  • 8.1.2 图像识别
  • 8.1.3 人脸识别
  • 8.2 自然语言处理
  • 8.2.1 自然语言处理的基本问题
  • 8.2.2 信息检索
  • 8.2.3 机器翻译
  • 8.2.4 自动问答
  • 8.3 多智能体
  • 8.3.1 多智能体系统模型
  • 8.3.2 多智能体系统的学习与协作
  • 8.3.3 多智能体系统的主要研究内容
  • 8.3.4 多智能体系统应用案例
  • 8.4 本章小结
  • 习题
  • 参考文献
展开全部

评分及书评

评分不足
1个评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。