人工智能 复杂问题求解的结构和策略 原书第6版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能 复杂问题求解的结构和策略 原书第6版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

第一部分 人工智能的历史渊源及研究范围3

第1章 人工智能的历史及应用3

1.1从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度3

1.1.1人工智能基础的简要历史4

1.1.2理性主义和经验主义学派对人工智能的影响6

1.1.3形式逻辑的发展7

1.1.4图灵测试9

1.1.5智能的生物和社会模型：主体理论11

1.2人工智能应用领域概述14

1.2.1博弈15

1.2.2自动推理和定理证明15

1.2.3专家系统16

1.2.4自然语言理解和语义学17

1.2.5对人类表现建模18

1.2.6规划和机器人学18

1.2.7人工智能的语言和环境19

1.2.8机器学习20

1.2.9其他表示：神经网络和遗传算法20

1.2.10 AI和哲学21

1.3人工智能小结22

1.4结语和参考文献22

1.5习题23

第二部分 作为表示和搜索的人工智能32

第2章 谓词演算32

2.0简介32

2.1命题演算（选读）32

2.1.1符号和语句32

2.1.2命题演算的语义33

2.2.谓词演算35

2.2.1谓词的语法和语句35

2.2.2谓词演算的语义39

2.2.3语义含义的积木世界例子42

2.3使用推理规则产生谓词演算表达式43

2.3.1推理规则43

2.3.2合一算法45

2.3.3合一的例子48

2.4应用：一个基于逻辑的财务顾问50

2.5结语和参考文献53

2.6习题54

第3章 状态空间搜索的结构和策略56

3.0简介56

3.1状态空间搜索的结构58

3.1.1图论（选读）58

3.1.2有限状态自动机（选读）60

3.1.3问题的状态空间表示61

3.2用于状态空间搜索的策略65

3.2.1数据驱动搜索和目标驱动搜索65

3.2.2图搜索的实现67

3.2.3深度优先搜索和宽度优先搜索69

3.2.4迭代加深的深度优先搜索74

3.3利用状态空间来表示命题演算和谓词演算的推理75

3.3.1逻辑系统的状态空间描述75

3.3.2与或图76

3.3.3进一步的例子和应用77

3.4结语和参考文献84

3.5习题85

第4章 启发式搜索86

4.0简介86

4.1爬山法和动态规划法89

4.1.1爬山89

4.1.2动态规划90

4.2最佳优先搜索算法92

4.2.1实现最佳优先搜索92

4.2.2实现启发评估函数95

4.2.3启发式搜索和专家系统100

4.3可采纳性、单调性和信息度101

4.3.1可采纳性度量101

4.3.2单调性102

4.3.3信息度更高的启发是更好的启发103

4.4在博弈中使用启发104

4.4.1在可穷举搜索图上的极小极大过程104

4.4.2固定层深的极小极大过程106

4.4.3 α-β过程108

4.5复杂度问题111

4.6结语和参考文献113

4.7习题113

第5章 随机方法116

5.0简介116

5.1计数基础（选读）117

5.1.1加法和乘法规则117

5.1.2排列与组合118

5.2概率论基础119

5.2.1样本空间、概率和独立性120

5.2.2概率推理：一个道路／交通例子122

5.2.3随机变量123

5.2.4条件概率125

5.3贝叶斯定理127

5.4随机方法学的应用130

5.4.1 “tomato”是如何发音的130

5.4.2道路／交通例子的扩展132

5.5结语和参考文献133

5.6习题134

第6章 为状态空间搜索建立控制算法136

6.0简介136

6.1基于递归的搜索（选读）137

6.1.1递归137

6.1.2一个递归搜索的例子：模式驱动推理138

6.2产生式系统141

6.2.1定义和历史141

6.2.2产生式系统的例子143

6.2.3产生式系统中的搜索控制148

6.2.4 AI产生式系统的优点152

6.3用于问题求解的黑板结构153

6.4结语和参考文献155

6.5习题155

第三部分 捕获智能：AI中的挑战160

第7章 知识表示160

7.0知识表示问题160

7.1 AI表示模式的简要历史161

7.1.1语义关联理论161

7.1.2语义网的早期研究163

7.1.3网络关系的标准化165

7.1.4脚本169

7.1.5框架172

7.2概念图：网络语言175

7.2.1概念图简介175

7.2.2类型、个体和名字176

7.2.3类型层次178

7.2.4泛化和特化178

7.2.5命题结点181

7.2.6概念图和逻辑181

7.3其他表示方法和本体182

7.3.1 Brooks的包容结构183

7.3.2 Copycat结构184

7.3.3多种表示、本体和知识服务186

7.4基于主体的和分布式的问题求解方法187

7.4.1基于主体的定义187

7.4.2基于主体的应用189

7.5结语和参考文献190

7.6习题192

第8章 求解问题的强方法195

8.0简介195

8.1专家系统技术概览196

8.1.1基于规则的专家系统设计196

8.1.2问题选择和知识工程的步骤197

8.1.3概念模型及其在知识获取中的作用199

8.2基于规则的专家系统201

8.2.1产生式系统和目标驱动问题求解201

8.2.2目标驱动推理中的解释和透明性204

8.2.3利用产生式系统进行数据驱动推理205

8.2.4专家系统的启发和控制207

8.3基于模型系统、基于案例系统和混合系统209

8.3.1基于模型推理简介209

8.3.2基于模型推理：来自NASA的例子211

8.3.3基于案例推理介绍213

8.3.4混合设计：强方法系统的优势和不足217

8.4规划219

8.4.1规划简介：机器人学219

8.4.2使用规划宏：STRIPS223

8.4.3 teleo-reactive规划226

8.4.4规划：来自NASA的例子227

8.5结语和参考文献230

8.6习题231

第9章 不确定条件下的推理233

9.0简介233

9.1基于逻辑的反绎推理234

9.1.1非单调推理逻辑234

9.1.2真值维护系统237

9.1.3基于最小模型的逻辑241

9.1.4集合覆盖和基于逻辑的反绎242

9.2反绎：逻辑之外的办法244

9.2.1 Stanford确信度代数244

9.2.2模糊集推理246

9.2.3 Dempster-Shafer证据理论249

9.3处理不确定性的随机方法253

9.3.1有向图模型：贝叶斯信念网络254

9.3.2有向图模型：d-可分255

9.3.3有向图模型：一个推理算法256

9.3.4有向图模型：动态贝叶斯网络258

9.3.5马尔可夫模型：离散马尔可夫过程259

9.3.6马尔可夫模型：变形261

9.3.7 BBN概率建模的一阶替代方案262

9.4结语和参考文献263

9.5习题265

第四部分 机器学习269

第10章 基于符号的机器学习269

10.0简介269

10.1基于符号学习的框架271

10.2变形空间搜索275

10.2.1泛化操作符和概念空间275

10.2.2候选解排除算法276

10.2.3 LEX：启发式归纳搜索281

10.2.4评估候选解排除算法283

10.3 ID3决策树归纳算法284

10.3.1自顶向下决策树归纳286

10.3.2测试选择的信息论方法287

10.3.3评价ID3289

10.3.4决策树数据问题：打包、推进290

10.4归纳偏置和学习能力290

10.4.1归纳偏置290

10.4.2可学习性理论292

10.5知识和学习293

10.5.1 Meta-DENDRAL294

10.5.2基于解释的学习295

10.5.3 EBL和知识层学习298

10.5.4类比推理298

10.6无监督学习300

10.6.1发现和无监督学习301

10.6.2概念聚类302

10.6.3 COBWEB和分类知识的结构303

10.7强化学习307

10.7.1强化学习的组成部分307

10.7.2一个例子：九宫游戏308

10.7.3强化学习的推理算法和应用310

10.8结语和参考文献312

10.9习题313

第11章 机器学习：连接机制315

11.0简介315

11.1连接网络的基础316

11.2感知机学习318

11.2.1感知机训练算法318

11.2.2例子：用感知机网络进行分类319

11.2.3通用delta规则322

11.3反传学习324

11.3.1反传算法的起源324

11.3.2反传算法实例1： NETtalk327

11.3.3反传算法实例2：异或328

11.4竞争学习329

11.4.1对于分类的“胜者全拿”学习329

11.4.2学习原型的Kohonen网络330

11.4.3 outstar网络和逆传332

11.4.4支持向量机334

11.5 Hebbian一致性学习336

11.5.1概述336

11.5.2无监督Hebbian学习的例子336

11.5.3有监督Hebbian学习339

11.5.4联想记忆和线性联想器340

11.6吸引子网络或“记忆”342

11.6.1概述342

11.6.2双向联想记忆343

11.6.3 BAM处理的例子345

11.6.4自相关记忆和Hopfield网络347

11.7结语和参考文献350

11.8习题350

第12章 机器学习：遗传性和涌现性352

12.0社会性和涌现性的学习模型352

12.1遗传算法353

12.1.1两个例子：CNF可满足性问题和巡回推销员问题355

12.1.2遗传算法的评估357

12.2分类器系统和遗传程序设计360

12.2.1分类器系统360

12.2.2用遗传算子进行程序设计364

12.3人工生命和基于社会的学习367

12.3.1生命游戏368

12.3.2进化规划370

12.3.3涌现的实例研究371

12.4结语和参考文献374

12.5习题375

第13章 机器学习：概率理论377

13.0学习中的随机模型和动态模型377

13.1隐马尔可夫模型（HMM）377

13.1.1隐马尔可夫模型的介绍和定义377

13.1.2隐马尔可夫模型的重要变形379

13.1.3使用HMM和Viterbi解码音素串382

13.2动态贝叶斯网络和学习384

13.2.1动态贝叶斯网络385

13.2.2学习贝叶斯网络385

13.2.3期望最大化：一个例子388

13.3强化学习的随机扩展390

13.3.1马尔可夫决策过程391

13.3.2部分可观测的马尔可夫决策过程392

13.3.3马尔可夫决策过程实现的例子392

13.4结语和参考文献394

13.5习题395

第五部分 人工智能问题求解的高级课题398

第14章 自动推理398

14.0定理证明中的弱方法398

14.1通用问题求解器和差别表399

14.2归结定理证明403

14.2.1概述403

14.2.2为归结反驳生成子句形式405

14.2.3二元归结证明过程408

14.2.4归结策略和简化技术412

14.2.5从归结反驳中抽取解答415

14.3 Prolog和自动推理417

14.3.1概述417

14.3.2逻辑程序设计和Prolog418

14.4自动推理进一步的问题422

14.4.1弱方法求解的统一表示法422

14.4.2可选推理规则424

14.4.3归结反驳支持下的问答机制426

14.4.4搜索策略及其使用426

14.5结语和参考文献427

14.6习题427

第15章 自然语言理解429

15.0自然语言理解问题429

15.1解构语言：分析431

15.2语法433

15.2.1使用上下文无关文法说明和解析433

15.2.2 Earley解析器：动态规划二次访问434

15.3转移网络解析器及语义学438

15.3.1转移网络解析器439

15.3.2乔姆斯基层次和上下文相关文法442

15.3.3 ATN解析器的语义444

15.3.4结合句法和语义知识的ATN447

15.4语言理解的随机工具451

15.4.1概述：语言分析中的统计技术451

15.4.2马尔可夫模型方法452

15.4.3决策树方法453

15.4.4解析的概率方法454

15.4.5概率上下文无关解析器456

15.5自然语言应用457

15.5.1故事理解和问题解答457

15.5.2数据库前端458

15.5.3 Web信息抽取和摘要系统460

15.5.4用学习算法来泛化抽取的信息462

15.6结语和参考文献463

15.7习题464

第六部分 后记469

第16章 人工智能是经验式的学科469

16.0简介469

16.1人工智能：修订的定义470

16.1.1人工智能和物理符号系统假设470

16.1.2连接或者“神经”计算474

16.1.3主体、涌现和智能476

16.1.4概率模型和随机技术478

16.2智能系统科学480

16.2.1心理学约束480

16.2.2认识论问题481

16.3人工智能：当前的挑战和未来的方向487

16.4结语和参考文献490