人工智能导论 第2版
| 作者 |
| 鲍军鹏 张选平 |
| 丛书名 |
| 普通高等教育系列教材 |
| 出版社 |
| 机械工业出版社* |
| ISBN |
| 9787111660521 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 《人工智能导论 第2版》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，全面地反映了人工智能研究领域的发展，并根据人工智能的发展动向对一些传统内容做了取舍，如详细介绍了机器学习方面的内容。《人工智能导论 第2版》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。每章后面附有习题，以供读者练习。 《人工智能导论 第2版》充分考虑到人工智能领域的发展动态，注重系统性、新颖性、实用性和可读性，内容由浅入深、循序渐进、条理清晰。 《人工智能导论 第2版》适合作为计算机专业本科生和其他相关专业本科生、研究生的教材，也可作为有关科技人员的参考书。 |
| 目录 |
| 前言 第1章绪论 11什么是人工智能 111关于智能 112人工智能的研究目标 12人工智能发展简史 13人工智能的研究方法 131人工智能的研究特点 132人工智能的研究途径 133人工智能研究资源 14人工智能研究及应用领域 141模式识别 142自然语言处理 143机器学习与数据挖掘 144人工神经网络与深度学习 145博弈 146多智能体 147专家系统 148计算机视觉 149自动定理证明 1410智能控制 1411机器人学 1412人工生命 15本章小结 习题 第2章知识工程 21概述 22知识表示方法 221经典逻辑表示法 222产生式表示法 223层次结构表示法 224网络结构表示法 225其他表示法 23知识获取与管理 231知识获取的任务 232知识获取的方式 233知识管理 234本体论 235知识图谱 24基于知识的系统 241什么是知识系统 242专家系统 243问答系统 244知识系统举例 25本章小结 习题 第3章确定性推理 31概述 311推理方式与分类 312推理控制策略 313知识匹配 32自然演绎推理 33归结演绎推理 331归结原理 332归结策略 333应用归结原理求解问题 34与或形演绎推理 341与或形正向演绎推理 342与或形逆向演绎推理 343与或形双向演绎推理 35本章小结 习题 第4章不确定性推理 41概述 42基本概率方法 43主观贝叶斯方法 431不确定性的表示 432不确定性的传递算法 433结论不确定性的合成算法 44可信度方法 441基本可信度模型 442带阈值限度的可信度模型 443加权的可信度模型 444前件带不确定性的可信度模型 45模糊推理 451模糊理论 452简单模糊推理 453模糊三段论推理 454多维模糊推理 455多重模糊推理 456带有可信度因子的模糊推理 46证据理论 461D-S理论 462基于证据理论的不确定性推理 47粗糙集理论 471粗糙集理论的基本概念 472粗糙集在知识发现中的应用 48本章小结 习题 第5章搜索与优化策略 51概述 511什么是搜索 512状态空间表示法 513与或树表示法 52状态空间搜索 521状态空间的一般搜索过程 522广度优先搜索 523深度优先搜索 524有界深度优先搜索 525启发式搜索 526A*算法 53与或树搜索 531与或树的一般搜索过程 532与或树的广度优先搜索 533与或树的深度优先搜索 534与或树的有序搜索 535博弈树的启发式搜索 536剪枝技术 537人机对弈与AlphaGo 54智能优化搜索 541NP问题 542优化问题 543遗传算法 544蚁群算法 545粒子群算法 546智能优化搜索应用案例 55本章小结 习题 第6章机器学习 61概述 611什么是机器学习 612机器学习方法分类 613机器学习的基本问题 614评估学习结果 62决策树学习 621决策树表示法 622ID3算法 623决策树学习的常见问题 624随机森林算法 625决策树学习应用案例 63贝叶斯学习 631贝叶斯法则 632朴素贝叶斯方法 633贝叶斯网络 634EM算法 635贝叶斯学习应用案例 64统计学习 641小样本统计学习理论 642支持向量机 643核函数 644支持向量机应用案例 65聚类 651聚类问题 652分层聚类方法 653划分聚类方法 654基于密度的聚类方法 655基于网格的聚类方法 656聚类算法应用案例 66特征选择与表示学习 661特征提取与选择 662常用的特征函数 663主成分分析 664表示学习 665表示学习应用案例 67其他学习方法 671k近邻算法 672强化学习 673隐马尔可夫模型 68本章小结 习题 第7章人工神经网络与深度学习 71概述 711人脑神经系统 712人工神经网络的研究内容与特点 713人工神经网络基本形态 714深度学习 72前馈神经网络 721感知器模型 722反向传播算法 723卷积神经网络 724前馈神经网络应用案例 73反馈神经网络 731循环神经网络 732长短期记忆网络 733双向循环神经网络 734反馈神经网络应用案例 74本章小结 习题 第8章人工智能的其他领域 81模式识别 811模式识别的基本问题 812图像识别 813人脸识别 82自然语言处理 821自然语言处理的基本问题 822信息检索 823机器翻译 824自动问答 83多智能体 831多智能体系统模型 832多智能体系统的学习与协作 833多智能体系统的主要研究内容 834多智能体系统应用案例 84本章小结 习题 参考文献 |
有问题微信扫码联系