人工智能原理及其应用pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

人工智能原理及其应用PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

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1章 人工智能概述 1

1.1 人工智能及其研究目标 1

1.1.1 人工智能的定义 1

1.1.2 人工智能的研究目标 4

1.2 人工智能的产生与发展 4

1.2.1 孕育期 4

1.2.2 形成期 6

1.2.3 知识应用期 7

1.2.4 综合集成期 9

1.3 人工智能研究的基本内容及其特点 9

1.3.1 人工智能研究的基本内容 9

1.3.2 人工智能研究的特点 11

1.4 人工智能的研究和应用领域 12

1.4.1 机器学习 12

1.4.4 模式识别 13

1.4.3 专家系统 13

1.4.2 自然语言理解 13

1.4.5 计算机视觉 14

1.4.6 机器人学 15

1.4.7 博弈 16

1.4.8 自动定理证明 16

1.4.9 自动程序设计 17

1.4.10 智能控制 17

1.4.11 智能决策支持系统 17

1.4.12 人工神经网络 17

1.4.13 知识发现和数据挖掘 18

1.4.14 分布式人工智能 18

1.5 人工智能研究的不同学派及其争论 18

1.5.1 人工智能的三大学派 18

1.5.2 人工智能理论的争论 20

1.5.3 人工智能研究方法的争论 20

1.6 人工智能的近期发展分析 21

习题 22

第2章 知识表示 23

2.1 知识与知识表示概念 23

2.1.1 知识 23

2.1.2 知识表示 26

2.2 一阶谓词逻辑表示法 27

2.2.1 一附谓词逻辑表示的逻辑基础 28

2.2.2 谓词逻辑表示方法 31

2.2.3 谓词逻辑表示的应用 32

2.2.4 谓词逻辑表示的特性 36

2.3 产生式表示法 37

2.3.1 产生式表示的基本方法及特性 37

2.3.2 产生式系统的基本结构 38

2.3.3 产生式系统的基本过程 40

2.3.4 产生式系统的控制策略 41

2.3.5 产生式系统的类型 42

2.3.6 产生式系统的特点 43

2.4 语义网络表示法 44

2.4.1 语义网络的基本概念 45

2.4.2 事物和概念的表示 47

2.4.3 情况和动作的表示 49

2.4.4 逻辑关系的表示 51

2.4.5 语义网络的推理过程 52

2.4.6 语义网络表示法的特征 53

2.5 框架表示法 54

2.5.1 框架理论 54

2.5.2 框架和实例框架 54

2.5.3 框架系统 56

2.5.4 框架系统的问题求解过程 63

2.5.5 框架表示法的特性 64

2.6 脚本表示法 65

2.6.1 脚本的结构 65

2.6.2 脚本的推理 67

2.7 过程表示法 67

2.7.2 过程表示的问题求解过程 68

2.7.1 表示知识的方法 68

2.7.3 过程表示的特性 69

2.8 面向对象表示法 70

2.8.1 面向对象的基本概念和特征 70

2.8.2 知识的面向对象表示 71

习题 72

第3章 确定性推理 74

3.1 推理的基本概念 74

3.1.1 什么是推理 74

3.1.2 推理方法及其分类 74

3.1.3 推理的控制策略及其分类 77

3.1.4 正向推理 77

3.1.5 逆向推理 78

3.1.6 混合推理 80

3.1.7 推理的冲突消解策略 82

3.2.1 谓词公式的解释 83

3.2 推理的逻辑基础 83

3.2.2 谓词公式的永真性与可满足性 85

3.2.3 谓词公式的等价性与永真蕴含性 85

3.2.4 谓词公式的范式 87

3.2.5 置换与合一 87

3.3 自然演绎推理 90

3.4 归结演绎推理 91

3.4.1 子句集及其化简 91

3.4.2 海伯伦理论 95

3.4.3 鲁宾逊归结原理 98

3.4.4 归结演绎推理的归结策略 106

3.4.5 用归结反演求取问题的答案 109

3.5 基于规则的演绎推理 111

3.5.1 规则正向演绎推理 111

3.5.2 规则逆向演绎推理 115

3.5.3 规则双向演绎推理 118

习题 119

3.6 规则演绎推理的剪枝策略 119

第4章 不确定与非单调推理 122

4.1 不确定性推理的基本概念 122

4.1.1 不确定性推理的含义 122

4.1.2 不确定性推理的基本问题 123

4.1.3 不确定性推理的类型 124

4.2 不确定性推理的概率论基础 125

4.2.1 样本空间与随机事件 125

4.2.2 事件的概率 126

4.2.3 全概率公式与Bayes公式 127

4.3 确定性理论 128

4.3.1 可信度的概念 128

4.3.2 C-F模型 128

4.3.3 带加权因子的可信度推理 133

4.4 主观Bayes方法 135

4.4.1 知识不确定性的表示 135

4.4.2 证据不确定性的表示 137

4.4.4 不确定性的更新 138

4.4.3 组合证据不确定性的计算 138

4.4.5 结论不确定性的合成 140

4.5 证据理论 142

4.5.1 D-S理论的形式描述 142

4.5.2 证据理论的推理模型 147

4.5.3 推理实例 151

4.6 可能性理论和模糊推理 153

4.6.1 模糊逻辑基础 153

4.6.2 模糊知识表示 158

4.6.3 模糊概念的匹配 160

4.6.4 模糊推理 161

4.7 非单调推理 165

习题 166

第5章 搜索策略 169

5.1 搜索的基本概念 169

5.1.1 搜索的含义 169

5.1.2 状态空间法 169

5.1.3 问题归约 172

5.2 状态空间的盲目搜索 175

5.2.1 一般图搜索过程 175

5.2.2 广度优先搜索 177

5.2.3 深度优先搜索 178

5.2.4 有界深度优先搜索 180

5.2.5 代价树搜索 181

5.3 状态空间的启发式搜索 183

5.3.1 启发性信息和估价函数 183

5.3.2 A算法 184

5.3.3 A 算法 185

5.3.4 A 算法应用举例 190

5.4 与/或树的盲目搜索 191

5.4.1 与/或树的一般搜索 191

5.4.2 与/或树的广度优先搜索 192

5.4.3 与/或树的深度优先搜索 193

5.5 与/或树的启发式搜索 193

5.5.1 解树的代价与希望树 194

5.5.2 与/或树的启发式搜索过程 195

5.6 博弈树的启发式搜索 196

5.6.1 概述 196

5.6.2 极大极小过程 197

5.6.3 α-β剪枝 198

习题 199

第6章 机器学习 202

6.1 机器学习的基本概念 202

6.1.1 学习和机器学习 202

6.1.2 机器学习的发展过程 203

6.1.3 学习系统 204

6.1.4 机器学习的分类 207

6.2 机械式学习 208

6.3 指导式学习 209

6.4 归纳学习 210

6.4.1 归纳学习的类型 210

6.4.2 示例学习 211

6.4.3 观察与发现学习 214

6.5 基于类比的学习 219

6.5.1 类比学习的概念 219

6.5.2 属性类比学习 220

6.5.3 转换类比学习 221

6.6 基于解释的学习 222

6.6.1 解释学习概述 222

6.6.2 解释学习的空间描述及学习模型 223

6.6.3 解释学习的基本原理 224

6.6.4 解释学习的基本过程 224

6.6.5 领域知识的完善性 226

习题 226

第7章 神经网络及连接学习 227

7.1 人工神经网络概述 227

7.1.1 生物神经元及脑神经系统的结构与特征 227

7.1.2 人工神经元及人工神经网络 229

7.1.3 人工神经网络的发展过程 231

7.2 人工神经网络的互连结构及其学习机理 232

7.2.1 人工神经网络的互连结构 232

7.1.4 人工神经网络的局限性 232

7.2.2 人工神经网络学习和记忆的心理学基础 234

7.2.3 人工神经网络的学习算法 234

7.3.2 感知器的学习 237

7.3 感知器模型及其学习 237

7.3.3 有关感知器XOR问题求解的讨论 238

7.3.1 感知器模型 239

7.4 误差反向传播网络及其学习 240

7.4.1 B-P网络结构 240

7.4.2 B-P网络学习的传播公式 241

7.4.3 B-P网络的学习算法 242

7.4.4 B-P网络学习的讨论 243

7.5 Hopfield网络及其学习 243

7.5.1 Hopfield网络的结构 243

7.5.2 Hopfield网络学习算法 244

7.5.2 Hopfield模型的稳定性 244

习题 245

第8章 自然语言理解 246

8.1 语言及其理解的基本概念 246

8.1.1 自然语言与自然语言理解 246

8.1.2 自然语言理解的研究任务 247

8.1.3 自然语言理解原发展 247

8.1.4 自然语言理解的层次 248

8.2 语法规则的表示方法 249

8.2.1 句子结构的表示 249

8.2.2 上下文无关文法 250

8.2.3 变换文法 251

8.3 语法分析 251

8.3.1 自顶向下与自底向上分析 251

8.3.2 扩充转移网络分析 253

8.4.2 格文法 256

8.4.1 语义文法 256

8.4 语义的分析 256

8.5 自然语言的生成 258

8.6 自然语言理解系统的层次模型 259

习题 260

第9章 专家系统 261

9.1 专家系统的基本概念 261

9.1.1 什么是专家系统 261

9.1.2 专家系统的分类 261

9.1.3 专家系统的特点 265

9.2 专家系统的基本结构 265

9.2.1 知识库 266

9.2.2 数据库 266

9.2.3 推理机 266

9.2.4 解释机构 267

9.2.5 知识获取机构 267

9.2.6 用户界面 267

9.3.1 知识获取的任务 268

9.3 知识获取 268

9.3.2 知识获取方法的分类 269

9.3.3 非自动知识获取 270

9.3.4 自动知识获取 271

9.4 专家系统的开发与评价 271

9.4.1 专家系统的开发条件 272

9.4.2 专家系统开发过程的生命期概念 273

9.4.3 专家系统开发过程的各个阶段 273

9.4.4 专家系统的评价 275

9.5 专家系统开发工具与环境 276

9.5.1 程序设计语言 276

9.5.2 知识工程语言 277

9.5.3 辅助型工具 279

9.5.4 支持工具 279

9.5.5 专家系统开发环境 280

9.6.1 新一代专家系统的特征 281

9.6 专家系统的进一步发展 281

9.6.2 分布式专家系统 282

9.6.3 协同式专家系统 282

习题 283

第10章 智能决策支持系统 284

10.1 智能决策支持系统的基本概念 284

10.1.1 决策与决策过程 284

10.1.2 决策支持系统 284

10.2 决策支持新技术 285

10.1.3 智能决策支持系统 285

10.2.1 数据仓库 286

10.2.2 数据开采 287

10.2.3 数据仓库和数据开采的结合 288

10.3 智能决策支持系统的结构 289

10.3.1 智能决策支持系统的基本结构 289

10.3.2 智能决策支持系统的新结构体系 289

习题 290

参考文献 291