人工智能教程2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能教程PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第Ⅰ篇 原理篇3

第1章 绪论3

1.1 人工智能的诞生及发展3

1.2 人工智能的定义4

1.3 人工智能研究的方法及途径5

1.3.1 人工智能研究的各种学派及其理论5

1.3.2 实现人工智能的技术路线8

1.4 人工智能的研究及应用领域8

习题112

第2章 知识表示方法13

2.1 概述13

2.1.1 知识、信息和数据13

2.1.2 知识的特性14

2.1.3 知识的分类15

2.1.4 知识的表示16

2.2 一阶谓词逻辑表示法17

2.2.1 知识的谓词逻辑表示法17

2.2.2 用谓词公式表示知识的步骤17

2.2.3 谓词公式表示知识的举例18

2.2.4 一阶谓词逻辑表示法的特点21

2.3 产生式表示法22

2.3.1 产生式可表示的知识种类及其基本形式22

2.3.2 知识的表示方法23

2.3.3 产生式系统的组成24

2.3.4 产生式系统的推理方式25

2.3.5 产生式表示法的特点26

2.4 语义网络表示法26

2.4.1 语义网络的概念及其结构26

2.4.2 语义网络中常用的语义联系28

2.4.3 语义网络表示知识的方法31

2.4.4 用语义网络表示知识的步骤36

2.4.5 语义网络表示知识举例36

2.4.6 语义网络表示下的推理过程40

2.4.7 语义网络表示法的特点42

2.5 框架表示法42

2.5.1 框架理论42

2.5.2 框架的定义及组成43

2.5.3 用框架表示知识的步骤44

2.5.4 用框架表示知识举例46

2.5.5 框架表示下的推理方法48

2.5.6 框架表示法的特点50

2.6 面向对象的表示法50

2.6.1 面向对象的基本概念51

2.6.2 表示知识的方法52

2.7 脚本表示法53

2.7.1 脚本的定义与组成53

2.7.2 用脚本表示知识的步骤56

2.7.3 用脚本表示知识举例56

2.7.4 脚本表示下的推理方法58

2.7.5 脚本表示法的特点59

2.8 过程表示法59

2.8.1 知识的过程表示法59

2.8.2 过程表示的问题求解举例61

2.8.3 过程表示法的特点62

2.9 状态空间表示法62

2.9.1 问题状态空间的构成63

2.9.2 用状态空间表示问题的步骤63

2.9.3 利用状态空间求解问题的过程63

2.10 与／或树表示法65

2.10.1 问题的分解与等价变换66

2.10.2 问题归约的与／或树表示66

2.10.3 用与／或树表示问题的步骤68

2.10.4 与／或树表示举例68

习题269

第3章 确定性推理方法72

3.1 推理概述72

3.1.1 推理的基本概念72

3.1.2 推理的方法及其分类72

3.1.3 推理的控制策略75

3.1.4 推理的冲突消解策略81

3.2 命题逻辑83

3.2.1 命题84

3.2.2 命题公式84

3.3 谓词逻辑85

3.3.1 谓词与个体85

3.3.2 谓词公式86

3.3.3 谓词公式的永真性和可满足性88

3.3.4 谓词公式的等价性与永真蕴涵89

3.3.5 置换与合一91

3.4 自然演绎推理方法94

3.4.1 自然演绎推理的概念94

3.4.2 利用演绎推理解决问题95

3.4.3 演绎推理的特点96

3.5 归结推理方法96

3.5.1 谓词公式与子句集97

3.5.2 Herbrand理论100

3.5.3 归结原理104

3.5.4 利用归结原理进行定理证明109

3.5.5 应用归结原理进行问题求解112

3.6 归结过程的控制策略115

3.6.1 引入控制策略115

3.6.2 归结控制策略及其应用举例116

习题3119

第4章 不确定推理方法122

4.1 不确定推理概述122

4.1.1 不确定推理的概念122

4.1.2 不确定推理方法的分类123

4.1.3 不确定推理中的基本问题123

4.2 可信度方法125

4.2.1 可信度的概念125

4.2.2 知识不确定性的表示125

4.2.3 证据不确定性的表示127

4.2.4 不确定性的推理计算128

4.2.5 可信度方法应用举例129

4.3 主观Bayes方法135

4.3.1 基本Bayes公式135

4.3.2 主观Bayes方法及其推理网络137

4.3.3 知识不确定性的表示138

4.3.4 证据不确定性的表示138

4.3.5 不确定性的推理计算139

4.3.6 结论不确定性的合成与更新算法145

4.3.7 主观Bayes方法应用举例146

4.4 证据理论152

4.4.1 D-S理论的数学基础152

4.4.2 特定概率分配函数156

4.4.3 基于特定概率分配函数的不确定性推理模型157

4.4.4 证据理论解题举例159

4.5 模糊推理164

4.5.1 模糊集理论与模糊逻辑164

4.5.2 模糊知识表示171

4.5.3 模糊证据的表示172

4.5.4 模糊推理模型172

习题4179

第5章 状态空间搜索策略182

5.1 搜索的概念及种类182

5.2 盲目搜索策略183

5.2.1 状态空间图的搜索策略183

5.2.2 宽度优先搜索185

5.2.3 深度优先搜索187

5.2.4 有界深度优先搜索189

5.2.5 代价树的宽度优先搜索191

5.2.6 代价树的深度优先搜索193

5.3 启发式搜索策略195

5.3.1 启发信息与估价函数195

5.3.2 最佳优先搜索196

5.3.3 A＊算法200

习题5202

第6章 机器学习205

6.1 概述205

6.1.1 什么是机器学习205

6.1.2 研究机器学习的意义206

6.1.3 机器学习的发展史207

6.1.4 机器学习的主要策略及研究现状208

6.2 机器学习系统的基本模型209

6.3 机械学习211

6.3.1 机械学习的过程211

6.3.2 机械学习系统要考虑的问题212

6.4 传授式学习213

6.5 类比学习213

6.5.1 学习新概念214

6.5.2 学习问题的求解方法214

6.6 归纳学习215

6.6.1 实例学习215

6.6.2 观察与发现学习220

6.7 基于解释的学习221

6.7.1 基于解释学习的工作原理221

6.7.2 举例222

6.7.3 领域知识的完善性224

6.8 ID3判定树算法224

6.8.1 ID3算法224

6.8.2 实例计算226

6.8.3 ID3算法的特点228

习题6229

第Ⅱ篇 应用篇233

第7章 自然语言理解233

7.1 自然语言及其理解233

7.1.1 自然语言及其构成233

7.1.2 自然语言理解234

7.1.3 自然语言理解研究的进展235

7.1.4 自然语言理解过程的层次238

7.2 词法分析239

7.3 句法分析240

7.3.1 短语结构语法理论与Chomsky语法体系240

7.3.2 递归转移网络与扩充转移网络242

7.3.3 词汇功能语法248

7.3.4 自动句法分析算法251

7.4 语义分析255

7.5 大规模真实文本的处理258

7.5.1 语料库语言学的崛起258

7.5.2 语料库语言学的特点及研究对象259

7.5.3 汉语语料库加工的基本方法260

7.5.4 统计学方法的应用及所面临的问题263

7.6 基于语料库的自然语言建模方法263

7.6.1 基于概率分布的语言建模264

7.6.2 基于上下文信息的语言建模265

7.6.3 基于组合思想的语言建模268

7.6.4 语言建模的相关问题268

习题7270

第8章 专家系统272

8.1 专家系统概述272

8.1.1 专家系统的产生与发展272

8.1.2 专家系统的定义274

8.1.3 专家系统的种类274

8.1.4 专家系统的一般特点278

8.2 专家系统的基本结构278

8.3 知识获取281

8.3.1 知识获取的任务281

8.3.2 知识获取的主要途径282

8.4 专家系统的设计与建造285

8.4.1 开发专家系统的基本要求285

8.4.2 专家系统建造步骤287

8.5 专家系统的评价290

8.6 专家系统开发工具291

8.6.1 语言型开发工具292

8.6.2 骨架型开发工具292

8.6.3 通用型开发工具294

8.6.4 开发环境与辅助型开发工具295

8.7 新一代专家系统的发展298

8.7.1 新一代专家系统应具备的特征298

8.7.2 分布式专家系统299

8.7.3 协同式专家系统300

习题8300

第9章 人工神经网络与遗传算法302

9.1 神经网络的基本概念及组成特性302

9.1.1 生物神经元的结构与功能特性302

9.1.2 人工神经网络的组成与结构304

9.1.3 人工神经网络研究的兴起与发展306

9.2 感知器模型及其学习算法307

9.2.1 感知器模型307

9.2.2 单层感知器模型的学习算法308

9.2.3 线性不可分问题309

9.2.4 多层感知器311

9.3 反向传播模型及其学习算法312

9.3.1 反向传播模型及其网络结构312

9.3.2 反向传播网络的学习算法313

9.3.3 反向传播计算的举例316

9.4 Hopfield模型及其学习算法317

9.4.1 Hopfield模型318

9.4.2 Hopfield网络的学习算法319

9.5 人工神经网络的应用320

9.6 遗传算法的概念与原理322

9.6.1 遗传算法的基本概念323

9.6.2 遗传算法的原理324

9.7 遗传算法的应用327

习题9330

第10章 数据挖掘与主体技术331

10.1 数据挖掘及其应用331

10.1.1 数据挖掘与知识发现331

10.1.2 数据挖掘的概念与研究内容332

10.1.3 数据挖掘的功能与作用335

10.1.4 数据挖掘的模型与算法339

10.1.5 数据挖掘的工具342

10.1.6 数据挖掘技术的比较343

10.1.7 数据挖掘的过程344

10.1.8 数据挖掘的研究热点与发展趋势346

10.2 主体技术及其应用349

10.2.1 主体技术的形成与发展350

10.2.2 主体的定义与体系结构351

10.2.3 多主体系统358

10.2.4 面向主体的软件技术361

10.2.5 主体技术所面临的挑战365

习题10365

附录A 计算机科学与技术综合考试真题367

附录B 计算机科学与技术综合考试真题解答373

参考文献379