相關商品
商品簡介
作者簡介
目次
商品簡介
《人工智能》是作者在多年人工智能教學實踐和多本人工智能教材編寫的基礎上，結合國內外人工智能領域的最新進展和我國人工智能教學改革的現狀，編寫的一本教材。《人工智能》共10章，除第1章人工智能概述外，其余內容可劃分為四大部分。第一部分由第2章～第4章組成，包括知識表示、確定性推理和搜索策略；第二部分由第5章、第6章組成，包括計算智能和不確定性推理；第三部分由第7章、第8章組成，包括機器學習和自然語言理解；第四部分由第9章、第10章組成，包括分布智能和新型專家系統。此外，在附錄中還給出了人工智能實驗說明。
《人工智能》可作為高等院校計算機、自動化、智能、通信、電子信息、信息管理及其他相關學科專業的本科生或研究生教材，也可供從事相關領域研究、開發和應用的科技工作者參考。
《人工智能》可作為高等院校計算機、自動化、智能、通信、電子信息、信息管理及其他相關學科專業的本科生或研究生教材，也可供從事相關領域研究、開發和應用的科技工作者參考。
作者簡介
王萬森，博士、教授，享受國務院政府特殊津貼專家，兼任中國人工智能學會秘書長、教育工作委員會主任。主要從事人工智能、人工情感、e-learning、不確定推理、專家系統等方面的教學和科研工作。先后主編出版高校教材7本，主持過國家自然科學基金項目、北京市自然科學基金項目、北京市教委重點科技項目等十余項。
目次
第1章 人工智能概述 1
1.1 人工智能的基本概念 1
1.1.1 智能的概念 1
1.1.2 人工智能的概念 2
1.1.3 人工智能的研究目標 4
1.2 人工智能的基本內容 5
1.2.1 與腦科學和認知科學的交叉研究 5
1.2.2 智能模擬的方法和技術研究 6
1.3 人工智能的歷史回顧 7
1.3.1 孕育期 7
1.3.2 形成期 7
1.3.3 知識應用期 8
1.3.4 從學派分立走向綜合 9
1.3.5 智能科學技術學科的興起 9
1.4 人工智能研究中的不同學派 10
1.4.1 符號主義學派 10
1.4.2 聯結主義學派 10
1.4.3 行為主義 11
1.5 人工智能的研究應用領域 11
1.5.1 機器思維 12
1.5.2 機器感知 13
1.5.3 機器行為 14
1.5.4 機器學習 15
1.5.5 計算智能 16
1.5.6 分布智能 17
1.5.7 智能系統 18
1.5.8 人工心理與人工情感 18
1.5.9 人工智能的典型應用 19
1.6 人工智能的現狀與思考 20
習題 22
第2章 確定性知識表示 23
2.1 知識表示的基本概念 23
2.1.1 知識的概念 23
2.1.2 知識表示和知識表示方法的概念 24
2.2 謂詞邏輯表示法 25
2.2.1 謂詞邏輯表示的邏輯學基礎 25
2.2.2 謂詞邏輯表示的方法 27
2.2.3 謂詞邏輯表示的經典例子 28
2.2.4 謂詞邏輯表示的特性 30
2.3 產生式表示法 31
2.3.1 產生式表示的基本方法 31
2.3.2 產生式表示的簡單例子 32
2.3.3 產生式表示的特性 32
2.4 語義網絡表示法 33
2.4.1 語義網絡的基本概念 33
2.4.2 事物和概念的表示 35
2.4.3 情況和動作的表示 37
2.4.4 語義網絡的基本過程 38
2.4.5 語義網絡表示法的特征 38
2.5 框架表示法 39
2.5.1 框架理論 39
2.5.2 框架結構和框架表示 39
2.5.3 框架系統 43
2.5.4 框架系統的基本過程 43
2.5.5 框架表示法的特性 44
2.6 面向對象表示法 45
2.6.1 面向對象的基本概念 45
2.6.2 知識的面向對象表示 46
2.6.3 面向對象表示與框架表示的區別 46
習題 46
第3章 確定性推理 48
3.1 推理概述 48
3.1.1 推理的概念 48
3.1.2 推理方法及其分類 49
3.1.3 推理控制策略及其分類 50
3.2 產生式系統 51
3.2.1 產生式系統的基本結構 51
3.2.2 產生式系統的推理過程 51
3.2.3 產生式系統的示例 55
3.3 自然演繹推理 56
3.3.1 自然演繹推理的邏輯基礎 57
3.3.2 自然演繹推理方法 59
3.4 歸結演繹推理 60
3.4.1 歸結演繹推理的邏輯基礎 61
3.4.2 子句集及其應用 61
3.4.3 魯濱遜歸結原理 65
3.4.4 歸結演繹推理的方法 68
3.4.5 歸結演繹推理的歸結策略 71
3.4.6 用歸結反演求取問題的答案 75
習題 76
第4章 搜索策略 79
4.1 搜索概述 79
4.1.1 搜索的含義 79
4.1.2 狀態空間法 79
4.1.3 問題歸約法 83
4.2 狀態空間的盲目搜索 85
4.2.1 廣度優先和深度優先搜索 86
4.2.2 代價樹搜索 87
4.3 狀態空間的啟發式搜索 89
4.3.1 啟發性信息和估價函數 89
4.3.2 A算法 89
4.3.3 A*算法 91
4.3.4 A*算法的特性 91
4.3.5 A*算法應用舉例 94
4.4 與/或樹的盲目搜索 95
4.4.1 與/或樹的一般搜索 95
4.4.2 與/或樹的廣度優先和深度優先搜索 96
4.5 與/或樹的啟發式搜索 97
4.5.1 解樹的代價與希望樹 97
4.5.2 與/或樹的啟發式搜索過程 98
4.6 博弈樹的啟發式搜索 100
4.6.1 概述 100
4.6.2 極大極小過程 101
4.6.3 Α-Β剪枝 102
習題 103
第5章 計算智能 106
5.1 概述 106
5.1.1 什么是計算智能 106
5.1.2 計算智能的產生與發展 107
5.1.3 計算智能與人工智能的關系 107
5.2 神經計算 108
5.2.1 神經計算基礎 108
5.2.2 人工神經網絡的互連結構 111
5.2.3 人工神經網絡的典型模型 113
5.3 進化計算 117
5.3.1 進化計算概述 118
5.3.2 遺傳算法 121
5.3.3 遺傳算法應用簡例 129
5.4 模糊計算 132
5.4.1 模糊集及其運算 132
5.4.2 模糊關系及其運算 135
5.5 粗糙集 137
5.5.1 粗糙集概述 137
5.5.2 粗糙集的基本理論 137
5.5.3 決策表的約簡 139
習題 144
第6章 不確定性推理 146
6.1 不確定性推理的基本概念 146
6.1.1 不確定性推理的含義 146
6.1.2 不確定性推理的基本問題 147
6.1.3 不確定性推理的類型 148
6.2 可信度方法 148
6.2.1 可信度的概念 149
6.2.2 可信度推理模型 149
6.2.3 可信度推理的例子 153
6.3 主觀BAYES方法 154
6.3.1 主觀BAYES方法的概率論基礎 154
6.3.2 主觀BAYES方法的推理模型 155
6.3.3 主觀BAYES推理的例子 159
6.4 模糊推理 161
6.4.1 模糊知識表示 161
6.4.2 模糊概念的匹配 163
6.4.3 模糊推理方法 164
6.5 概率推理 168
6.5.1 貝葉斯網絡的概念及理論 168
6.5.2 貝葉斯網絡推理的概念和類型 171
6.5.3 貝葉斯網絡的精確推理 171
習題 173
第7章 機器學 175
7.1 機器學習概述 175
7.1.1 機器學習的概念及其發展過程 175
7.1.2 學習系統的概念及模型 177
7.1.3 機器學習的類型 179
7.2 記憶學習 179
7.3 示例學習 180
7.3.1 示例學習的類型 180
7.3.2 示例學習的模型 181
7.3.3 示例學習的歸納方法 182
7.4 決策樹學習 184
7.4.1 決策樹的概念 184
7.4.2 ID3算法 185
7.5 聯結學習 188
7.5.1 聯結學習的心理學基礎 188
7.5.2 聯結學習的學習規則 188
7.5.3 感知器學習 190
7.5.4 BP網絡學習 192
7.5.5 HOPFIELD網絡學習 195
習題 197
第8章 自然語言理解 198
8.1 自然語言理解的基本概念 198
8.1.1 自然語言的含義與組成 198
8.1.2 自然語言理解的含義及任務 199
8.1.3 自然語言理解的發展過程 199
8.1.4 自然語言理解的層次 200
8.2 詞法分析 201
8.3 句法分析 201
8.3.1 句法規則的表示方法 202
8.3.2 自頂向下與自底向上分析 204
8.3.3 擴充轉移網絡分析 205
8.4 語義分析 207
8.4.1 語義文法 207
8.4.2 格文法 208
8.5 自然語言理解系統的層次模型 209
習題 210
第9章 分布智能 212
9.1 分布智能概述 212
9.1.1 分布智能的概念 212
9.1.2 分布式問題求解 213
9.1.3 多AGENT系統 213
9.2 AGENT的結構 216
9.2.1 AGENT的機理 216
9.2.2 反應AGENT的結構 217
9.2.3 認知AGENT的結構 217
9.2.4 混合AGENT的結構 218
9.3 AGENT通信 218
9.3.1 AGENT通信的基本問題 218
9.3.2 AGENT通信方式 219
9.3.3 AGENT通信語言KQML 220
9.4 多AGENT合作 223
9.4.1 AGENT的協調 223
9.4.2 AGENT的協作 224
9.4.3 AGENT的協商 226
9.4.4 多AGENT應用示例 227
9.5 移動AGENT 228
9.5.1 移動AGENT系統的一般結構 228
9.5.2 移動AGENT的實現技術及應用 229
習題 231
第10章 新型專家系統 232
10.1 專家系統概述 232
10.1.1 專家系統的產生與發展 232
10.1.2 新型專家系統的特征與類型 233
10.2 專家系統基礎 234
10.2.1 專家系統的基本結構 235
10.2.2 基于規則的專家系統 236
10.2.3 基于框架的專家系統 237
10.3 典型的新型專家系統 238
10.3.1 模糊專家系統 238
10.3.2 神經網絡專家系統 239
10.3.3 基于WEB的專家系統 241
10.3.4 分布式專家系統 242
10.3.5 協同式專家系統 243
10.4 專家系統的開發 244
10.4.1 開發步驟 244
10.4.2 知識獲取 245
10.4.3 開發工具與環境 246
習題 248
附錄A 人工智能實驗 250
參考文獻 255
1.1 人工智能的基本概念 1
1.1.1 智能的概念 1
1.1.2 人工智能的概念 2
1.1.3 人工智能的研究目標 4
1.2 人工智能的基本內容 5
1.2.1 與腦科學和認知科學的交叉研究 5
1.2.2 智能模擬的方法和技術研究 6
1.3 人工智能的歷史回顧 7
1.3.1 孕育期 7
1.3.2 形成期 7
1.3.3 知識應用期 8
1.3.4 從學派分立走向綜合 9
1.3.5 智能科學技術學科的興起 9
1.4 人工智能研究中的不同學派 10
1.4.1 符號主義學派 10
1.4.2 聯結主義學派 10
1.4.3 行為主義 11
1.5 人工智能的研究應用領域 11
1.5.1 機器思維 12
1.5.2 機器感知 13
1.5.3 機器行為 14
1.5.4 機器學習 15
1.5.5 計算智能 16
1.5.6 分布智能 17
1.5.7 智能系統 18
1.5.8 人工心理與人工情感 18
1.5.9 人工智能的典型應用 19
1.6 人工智能的現狀與思考 20
習題 22
第2章 確定性知識表示 23
2.1 知識表示的基本概念 23
2.1.1 知識的概念 23
2.1.2 知識表示和知識表示方法的概念 24
2.2 謂詞邏輯表示法 25
2.2.1 謂詞邏輯表示的邏輯學基礎 25
2.2.2 謂詞邏輯表示的方法 27
2.2.3 謂詞邏輯表示的經典例子 28
2.2.4 謂詞邏輯表示的特性 30
2.3 產生式表示法 31
2.3.1 產生式表示的基本方法 31
2.3.2 產生式表示的簡單例子 32
2.3.3 產生式表示的特性 32
2.4 語義網絡表示法 33
2.4.1 語義網絡的基本概念 33
2.4.2 事物和概念的表示 35
2.4.3 情況和動作的表示 37
2.4.4 語義網絡的基本過程 38
2.4.5 語義網絡表示法的特征 38
2.5 框架表示法 39
2.5.1 框架理論 39
2.5.2 框架結構和框架表示 39
2.5.3 框架系統 43
2.5.4 框架系統的基本過程 43
2.5.5 框架表示法的特性 44
2.6 面向對象表示法 45
2.6.1 面向對象的基本概念 45
2.6.2 知識的面向對象表示 46
2.6.3 面向對象表示與框架表示的區別 46
習題 46
第3章 確定性推理 48
3.1 推理概述 48
3.1.1 推理的概念 48
3.1.2 推理方法及其分類 49
3.1.3 推理控制策略及其分類 50
3.2 產生式系統 51
3.2.1 產生式系統的基本結構 51
3.2.2 產生式系統的推理過程 51
3.2.3 產生式系統的示例 55
3.3 自然演繹推理 56
3.3.1 自然演繹推理的邏輯基礎 57
3.3.2 自然演繹推理方法 59
3.4 歸結演繹推理 60
3.4.1 歸結演繹推理的邏輯基礎 61
3.4.2 子句集及其應用 61
3.4.3 魯濱遜歸結原理 65
3.4.4 歸結演繹推理的方法 68
3.4.5 歸結演繹推理的歸結策略 71
3.4.6 用歸結反演求取問題的答案 75
習題 76
第4章 搜索策略 79
4.1 搜索概述 79
4.1.1 搜索的含義 79
4.1.2 狀態空間法 79
4.1.3 問題歸約法 83
4.2 狀態空間的盲目搜索 85
4.2.1 廣度優先和深度優先搜索 86
4.2.2 代價樹搜索 87
4.3 狀態空間的啟發式搜索 89
4.3.1 啟發性信息和估價函數 89
4.3.2 A算法 89
4.3.3 A*算法 91
4.3.4 A*算法的特性 91
4.3.5 A*算法應用舉例 94
4.4 與/或樹的盲目搜索 95
4.4.1 與/或樹的一般搜索 95
4.4.2 與/或樹的廣度優先和深度優先搜索 96
4.5 與/或樹的啟發式搜索 97
4.5.1 解樹的代價與希望樹 97
4.5.2 與/或樹的啟發式搜索過程 98
4.6 博弈樹的啟發式搜索 100
4.6.1 概述 100
4.6.2 極大極小過程 101
4.6.3 Α-Β剪枝 102
習題 103
第5章 計算智能 106
5.1 概述 106
5.1.1 什么是計算智能 106
5.1.2 計算智能的產生與發展 107
5.1.3 計算智能與人工智能的關系 107
5.2 神經計算 108
5.2.1 神經計算基礎 108
5.2.2 人工神經網絡的互連結構 111
5.2.3 人工神經網絡的典型模型 113
5.3 進化計算 117
5.3.1 進化計算概述 118
5.3.2 遺傳算法 121
5.3.3 遺傳算法應用簡例 129
5.4 模糊計算 132
5.4.1 模糊集及其運算 132
5.4.2 模糊關系及其運算 135
5.5 粗糙集 137
5.5.1 粗糙集概述 137
5.5.2 粗糙集的基本理論 137
5.5.3 決策表的約簡 139
習題 144
第6章 不確定性推理 146
6.1 不確定性推理的基本概念 146
6.1.1 不確定性推理的含義 146
6.1.2 不確定性推理的基本問題 147
6.1.3 不確定性推理的類型 148
6.2 可信度方法 148
6.2.1 可信度的概念 149
6.2.2 可信度推理模型 149
6.2.3 可信度推理的例子 153
6.3 主觀BAYES方法 154
6.3.1 主觀BAYES方法的概率論基礎 154
6.3.2 主觀BAYES方法的推理模型 155
6.3.3 主觀BAYES推理的例子 159
6.4 模糊推理 161
6.4.1 模糊知識表示 161
6.4.2 模糊概念的匹配 163
6.4.3 模糊推理方法 164
6.5 概率推理 168
6.5.1 貝葉斯網絡的概念及理論 168
6.5.2 貝葉斯網絡推理的概念和類型 171
6.5.3 貝葉斯網絡的精確推理 171
習題 173
第7章 機器學 175
7.1 機器學習概述 175
7.1.1 機器學習的概念及其發展過程 175
7.1.2 學習系統的概念及模型 177
7.1.3 機器學習的類型 179
7.2 記憶學習 179
7.3 示例學習 180
7.3.1 示例學習的類型 180
7.3.2 示例學習的模型 181
7.3.3 示例學習的歸納方法 182
7.4 決策樹學習 184
7.4.1 決策樹的概念 184
7.4.2 ID3算法 185
7.5 聯結學習 188
7.5.1 聯結學習的心理學基礎 188
7.5.2 聯結學習的學習規則 188
7.5.3 感知器學習 190
7.5.4 BP網絡學習 192
7.5.5 HOPFIELD網絡學習 195
習題 197
第8章 自然語言理解 198
8.1 自然語言理解的基本概念 198
8.1.1 自然語言的含義與組成 198
8.1.2 自然語言理解的含義及任務 199
8.1.3 自然語言理解的發展過程 199
8.1.4 自然語言理解的層次 200
8.2 詞法分析 201
8.3 句法分析 201
8.3.1 句法規則的表示方法 202
8.3.2 自頂向下與自底向上分析 204
8.3.3 擴充轉移網絡分析 205
8.4 語義分析 207
8.4.1 語義文法 207
8.4.2 格文法 208
8.5 自然語言理解系統的層次模型 209
習題 210
第9章 分布智能 212
9.1 分布智能概述 212
9.1.1 分布智能的概念 212
9.1.2 分布式問題求解 213
9.1.3 多AGENT系統 213
9.2 AGENT的結構 216
9.2.1 AGENT的機理 216
9.2.2 反應AGENT的結構 217
9.2.3 認知AGENT的結構 217
9.2.4 混合AGENT的結構 218
9.3 AGENT通信 218
9.3.1 AGENT通信的基本問題 218
9.3.2 AGENT通信方式 219
9.3.3 AGENT通信語言KQML 220
9.4 多AGENT合作 223
9.4.1 AGENT的協調 223
9.4.2 AGENT的協作 224
9.4.3 AGENT的協商 226
9.4.4 多AGENT應用示例 227
9.5 移動AGENT 228
9.5.1 移動AGENT系統的一般結構 228
9.5.2 移動AGENT的實現技術及應用 229
習題 231
第10章 新型專家系統 232
10.1 專家系統概述 232
10.1.1 專家系統的產生與發展 232
10.1.2 新型專家系統的特征與類型 233
10.2 專家系統基礎 234
10.2.1 專家系統的基本結構 235
10.2.2 基于規則的專家系統 236
10.2.3 基于框架的專家系統 237
10.3 典型的新型專家系統 238
10.3.1 模糊專家系統 238
10.3.2 神經網絡專家系統 239
10.3.3 基于WEB的專家系統 241
10.3.4 分布式專家系統 242
10.3.5 協同式專家系統 243
10.4 專家系統的開發 244
10.4.1 開發步驟 244
10.4.2 知識獲取 245
10.4.3 開發工具與環境 246
習題 248
附錄A 人工智能實驗 250
參考文獻 255
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。