資料介紹

• 教育學資料
• 高中教育教學資料

中文名: 人工智能原理與應用
作者: 張仰森
圖書分類: 科技
資源格式: PDF
版本: 文字版
出版社: 高等教育出版社
書號: 978-7-04-014238-9
發行時間: 2004年02月
地區: 大陸
語言: 簡體中文
人工智能原理與應用 簡介:

人工智能原理與應用 內容簡介：
《人工智能原理與應用》本書是作者依據自己的教學實踐,學習、吸納前輩經驗,歸納、提煉、創新而形成的具有特色的教材，《人工智能原理與應用》書中比較系統地介紹了人工智能的基本原理、方法和應用技術。
《人工智能原理與應用》全書共分兩篇,包括十章內容。《人工智能原理與應用》第一篇為原理篇,主要論述知識表示、知識獲取以及知識運用三大問題,包括人工智能的基本概念及其發展狀況、知識表示方法、確定性推理方法、不確定性推理方法、狀態空間搜索策略和機器學習等內容。
《人工智能原理與應用》第二篇為應用篇,介紹自然語言理解、專家系統、人工神經網絡等研究領域,並在第十章對數據挖掘和Agent技術等熱點研究領域進行了介紹。每章都給出了大量的例題和習題,大多數習題的參考解答已在高等教育出版社出版的同等學力人員申請碩士學位考試用書《人工智能原理復習與考試指導(第二版)》中給出。
《人工智能原理與應用》本書的特色是簡明、實用,邏輯性強,可讀性好,教學生動手解題,符合當前素質教育的要求,讓學生在有限的時間內,掌握人工智能的基本原理與應用技術,提高對人工智能習題的求解能力。考慮到同等學力申請碩士學位人員對人工智能知識的要求,附錄中還提供了3套歷年全國統一考試的真題及參考解答,成為本書另一突出特色。
《人工智能原理與應用》本書可作為高等學校相關專業高年級本科生和研究生的教材,也可供從事人工智能研究和應用的科技工作者參考,還可供同等學力申請碩士學位人員以及參加其他考試的相關人員參考。
人工智能原理與應用 目錄:
第一篇 人工智能基本原理
第一章 緒論
1.1 人工智能的誕生及發展
1.2 人工智能的定義
1.3 人工智能研究的方法及途徑
1.3.1 人工智能研究的各種學派及其理論
1.3.2 實現人工智能的技術路線
1.4 人工智能的研究及應用領域
1.4.1 問題求解
1.4.2 機器學習
1.4.3 專家系統
1.4.4 模式識別
1.4.5 自動定理證明
1.4.6 自動程序設計
1.4.7 自然語言理解
1.4.8 機器人學
1.4.9 人工神經網絡
1.4.10 智能檢索
習題一
第二章 知識表示方法
2.1 概述
2.1.1 知識、信息和數據
2.1.2 知識的特性
2.1.3 知識的分類
2.1.4 知識的表示
2.2 一階謂詞邏輯表示法
2.2.1 知識的謂詞邏輯表示法
2.2.2 用謂詞公式表示知識的步驟
2.2.3 謂詞公式表示知識的舉例
2.2.4 一階謂詞邏輯表示法的特點
2.3 產生式表示法
2.3.1 產生式可表示的知識種類及其基本形式
2.3.2 知識的表示方法
2.3.3 產生式系統的組成
2.3.4 產生式系統的推理方式
2.3.5 產生式表示法的特點
2.4 語義網絡表示法
2.4.1 語義網絡的概念及其結構
2.4.2 語義網絡中常用的語義聯系
2.4.3 語義網絡表示知識的方法
2.4.4 用語義網絡表示知識的步驟
2.4.5 語義網絡表示知識舉例
2.4.6 語義網絡表示下的推理過程
2.4.7 語義網絡表示法的特點
2.5 框架表示法
2.5.1 框架理論
2.5.2 框架的定義及組成
2.5.3 用框架表示知識的步驟
2.5.4 框架舉例
2.5.5 框架表示下的推理方法
2.5.6 框架表示法的特點
2.6 面向對象的表示法
2.6.1 面向對象的基本概念
2.6.2 表示知識的方法
2.7 腳本表示法
2.7.1 腳本的定義與組成
2.7.2 用腳本表示知識的步驟
2.7.3 用腳本表示知識舉例
2.7.4 腳本表示下的推理方法
2.7.5 腳本表示法的特點
2.8 過程表示法
2.8.1 知識的過程表示法
2.8.2 過程表示的問題求解舉例
2.8.3 過程表示法的特點
2.9 狀態空間表示法
2.9.1 問題狀態空間的構成
2.9.2 用狀態空間表示問題的步驟
2.9.3 利用狀態空間求解問題的過程
2.10 與/或樹表示法
2.10.1 問題的分解與等價變換
2.10.2 問題歸約的與/或樹表示
2.10.3 用與/或樹表示問題的步驟
2.10.4 與/或樹表示舉例
習題二
第三章 確定性推理方法
3.1 推理概述
3.1.1 推理的基本概念
3.1.2 推理的方法及其分類
3.1.3 推理的控制策略
3.1.4 推理的沖突消解策略
3.2 命題邏輯
3.2.1 命題
3.2.2 命題公式
3.3 謂詞邏輯
3.3.1 謂詞與個體
3.3.2 謂詞公式
3.3.3 謂詞公式的永真性和可滿足性
3.3.4 謂詞公式的等價性與永真蘊涵
3.3.5 置換與合一
3.4 自然演繹推理方法
3.4.1 自然演繹推理的概念
3.4.2 利用演繹推理解決問題
3.4.3 演繹推理的特點
3.5 歸結推理方法
3.5.1 謂詞公式與子句集
3.5.2 Herbrand理論
3.5.3 歸結原理
3.5.4 利用歸結原理進行定理證明
3.5.5 應用歸結原理進行問題求解
3.6 歸結過程的控制策略
3.6.1 引入控制策略
3.6.2 歸結控制策略及其應用舉例
習題三
第四章 不確定性推理方法
4.1 不確定性推理概述
4.1.1 不確定性推理的概念
4.1.2 不確定性推理方法的分類
4.1.3 不確定性推理中的基本問題
4.2 可信度方法
4.2.1 可信度的概念
4.2.2 知識不確定性的表示
4.2.3 證據不確定性的表示
4.2.4 不確定性的推理計算
4.2.5 可信度方法應用舉例
4.3 主觀Bayes方法
4.3.1 基本Bayes公式
4.3.2 主觀Bayes方法及其推理網絡
4.3.3 知識不確定性的表示
4.3.4 證據不確定性的表示
4.3.5 不確定性的推理計算
4.3.6 結論不確定性的合成與更新算法
4.3.7 主觀Bayes方法應用舉例
4.4 證據理論
4.4.1 D-S理論的數學基礎
4.4.2 特定概率分配函數
4.4.3 基於特定概率分配函數的不確定性推理模型
4.4.4 證據理論解題舉例
習題四
第五章 狀態空間搜索策略
5.1 搜索的概念及種類
5.1.1 搜索的概念
5.1.2 搜索的種類
5.2 盲目搜索策略
5.2.1 狀態空間圖的搜索策略
5.2.2 寬度優先搜索策略
5.2.3 深度優先搜索
5.2.4 有界深度優先搜索
5.2.5 代價樹的寬度優先搜索
5.2.6 代價樹的深度優先搜索
5.3 啟發式搜索策略
5.3.1 啟發信息與估價函數
5.3.2 最佳優先搜索
5.3.3 A算法
習題五
第六章 機器學習
6.1 概述
6.1.1 什麼是機器學習
6.1.2 研究機器學習的意義
6.1.3 機器學習的發展史
6.1.4 機器學習的主要策略
6.2 機器學習系統的基本模型
6.2.1 環境
6.2.2 學習環節
6.2.3 知識庫
6.2.4 執行環節
6.3 機械學習
6.3.1 機械學習的過程
6.3.2 機械學習系統要考慮的問題
6.4 傳授式學習
6.5 類比學習
6.5.1 學習新概念
6.5.2 學習問題的求解方法
6.6 歸納學習
6.6.1 實例學習
6.6.2 觀察與發現學習
6.7 基於解釋的學習
6.7.1 基於解釋學習的工作原理
6.7.2 基於解釋學習舉例
6.7.3 領域知識的完善性
習題六
第二篇 人工智能的應用
第七章 自然語言理解
7.1 自然語言及其理解
7.1.1 自然語言及其構成
7.1.2 自然語言理解的概念
7.1.3 自然語言理解研究的進展
7.1.4 自然語言理解過程的層次
7.2 詞法分析
7.3 句法分析
7.3.1 短語結構語法理論與喬姆斯基語法體系
7.3.2 遞歸轉移網絡與擴充轉移網絡
7.3.3 詞匯功能語法
7.3.4 自動句法分析算法
7.4 語義分析
7.5 大規模真實文本的處理
7.5.1 語料庫語言學的崛起
7.5.2 語料庫語言學的特點及研究對象
7.5.3 漢語語料庫加工的基本方法
7.5.4 統計學方法的應用及所面臨的問題
7.6 基於語料庫的自然語言建模方法
7.6.1 基於概率分布的語言建模
7.6.2 基於上下文信息的語言建模
7.6.3 基於組合思想的語言建模
7.6.4 語言建模的相關問題
習題七
第八章 專家系統
8.1 專家系統概述
8.1.1 專家系統的產生與發展
8.1.2 專家系統的定義
8.1.3 專家系統的種類
8.1.4 專家系統的一般特點
8.2 專家系統的基本結構
8.2.1 綜合數據庫及其管理系統
8.2.2 知識庫及其管理系統
8.2.3 知識獲取機構
8.2.4 推理機
8.2.5 解釋器
8.2.6 人-機接口
8.3 知識獲取
8.3.1 知識獲取的任務
8.3.2 知識獲取的主要途徑
8.4 專家系統的設計與建造
8.4.1 開發專家系統的基本要求
8.4.2 專家系統建造的步驟
8.5 專家系統的評價
8.6 專家系統開發工具
8.6.1 語言型開發工具
8.6.2 骨架型開發工具
8.6.3 通用型開發工具
8.6.4 開發環境與輔助型開發工具
8.7 新一代專家系統的發展
8.7.1 新一代專家系統應具備的特征
8.7.2 分布式專家系統
8.7.3 協同式專家系統
習題八
第九章 人工神經網絡
9.1 神經網絡的基本概念及組成特性
9.1.1 生物神經元的結構與功能特性
9.1.2 人工神經網絡的組成與結構
9.1.3 人工神經網絡研究的興起與發展
9.2 感知器模型及其學習算法
9.2.1 感知器模型
9.2.2 單層感知器模型的學習算法
9.2.3 線性不可分問題
9.2.4 多層感知器
9.3 反向傳播模型及其學習算法
9.3.1 反向傳播模型及其網絡結構
9.3.2 反向傳播網絡的學習算法
9.3.3 反向傳播計算的舉例
9.4 Hopfield模型及其學習算法
9.4.1 Hopfield模型
9.4.2 Hopfield網絡的學習算法
習題九
第十章 數據挖掘與Agent技術
10.1 數據挖掘及其應用
10.1.1 數據挖掘與知識發現
10.1.2 數據挖掘的概念與研究內容
10.1.3 數據挖掘的功能與作用
10.1.4 數據挖掘的模型與算法
10.1.5 數據挖掘的工具
10.1.6 數據挖掘的常用技術比較
10.1.7 數據挖掘的過程
10.1.8 數據挖掘的研究熱點與發展趨勢
10.2 Agent技術及其應用
10.2.1 Agent技術的形成與發展
10.2.2 Agent的定義與體系結構
10.2.3 多Agent系統
10.2.4 面向Agent的程序設計
10.2.5 Agent技術所面臨的挑戰
習題十
附錄
附錄A 計算機科學與技術學科綜合考試人工智能真題
附錄B 計算機科學與技術學科綜合考試人工智能真題參考解答
參考文獻