人工智能基础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
下载压缩包 [复制下载地址] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页

人工智能基础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

第一章 人工智能研究的发展和基本原则 1

1.1 人工智能的研究和应用 1

1.2 人工智能研究的发展 5

1.3 人工智能研究的成果 6

1.4 人工智能研究的基本原则 10

1.5 存在的问题和发展前景 12

习题 14

参考文献 14

第二章 问题求解的基本方法 15

2.1 一般图搜索 15

2.1.1 状态空间搜索 15

2.1.2 启发式搜索 23

2.1.3 状态空间抽象和生成一测试法 29

2.1.4 启发式搜索的适用性讨论 31

2.2 问题归约 33

2.2.1 问题归约的描述 33

2.2.2 与或图搜索 38

2.2.3 与或图的启发式搜索 40

2.3 基于归结的演绎推理 44

2.3.1 谓词演算 44

2 3.2 归结演绎方法 51

2.3.3 归结反演 59

2.4 基于规则的演绎推理 63

2.4.1 基于规则的正向演绎推理 64

2.4.2 基于规则的逆向演绎推理 70

2.4.3 演绎推理的应用讨论 72

2.4.4 逻辑编程语言Prolog 74

本章小结 82

习题 83

参考文献 87

第三章 知识表示 88

3.1 知识和知识表示 88

3.1.1 知识原则 88

3.1.2 知识表示的作用 89

3.1.3 知识表示的功能 91

3.1.4 知识表示的性能 92

3.1.5 基本的知识表示方式 93

3.2 产生式表示 96

3.2.1 产生式系统 96

3.2.2 控制策略 101

3.2.3 产生式系统的分类 105

3.3 结构化表示 107

3.3.1 语义网络 107

3.3.2 框架表示法 113

3.3.3 面向对象的表示法 117

3.4 知识表示的实用化问题 118

3.4.1 程序性和陈述性知识 118

3.4.2 表示能力和推理效率之间的制约关系 119

本章小结 124

习题 125

参考文献 127

第四章 基于知识的系统 129

4.1 KB系统的开发 129

4.1.1 KB系统的一般概念 129

4.1.2 KB系统的体系结构原则 133

4.1.3 KB系统的开发过程 135

4.1.4 KB系统的开发工具和环境 137

4.2 设计基于产生式表示的KB系统开发工具 138

4.2.1 总体设计 138

4.2.2 Xps的实现 141

4.2.3 应用实例——家族树 143

4.2.4 性能改进 146

4.2.5 开发工具OPS5 147

4.3 专家系统实例——MYCIN 148

4.3.1 知识库的构造 149

4.3.2 推理机的设计 151

4.3.3 系统服务设施 155

4.3.4 开发工具EMYCIN 157

4.4 问题求解的结构化组织 158

4.4.1 结构化组织的需求 159

4.4.2 事务表 160

4.4.3 黑板法 161

4.4.4 问题求解建模 163

4 4.5 新一代KB系统技术 167

本章小结 170

习题 171

参考文献 173

第五章 自动规划和配置 174

5.1 经典规划技术 174

5.1.1 经典规划技术的发展 174

5.1.2 规划的基本概念 175

5.1.3 早期的自动规划技术 179

5.1.4 部分排序规划技术 185

5.2.1 非经典规划技术的开发 189

5.2 自动规划技术的新进展 189

5.2.2 自动规划技术的实用化 190

5.2.3 智能的调度、规划和项目管理 193

5.3 自动配置 200

5.3.1 配置的一般概念 200

5.3.2 自动配置的建模 202

5.3.3 XCON——计算机自动配置系统 208

本章小结 214

习题 216

参考文献 217

6.1.1 机器学习的基本概念 219

6.1 机器学习概论 219

第六章 机器学习 219

6.1.2 机器学习的发展历史 220

6.1.3 机器学习分类 223

6.2 示例学习 229

6.2.1 示例学习的基本策略 230

6.2.2 决策树构造法ID3 238

6.3 基于解释的学习 243

6.3.1 基于解释的泛化(EBG) 244

6.3.2 基于解释学习的若干基本问题 248

6.4 遗传算法 249

6.4.1 简单遗传算法 250

6.4.2 分类系统 253

6.5 加强学习 258

6.5.1 加强学习的基本方法 258

6 5.2 Q学习 261

6.5.3 有关加强学习的进一步讨论 263

6.6 基于范例的学习 264

6.6.1 基于范例推理的过程 265

6.6.2 应用实例：智能饲料配方系统ICIX 267

6.7 知识发现与数据挖掘 270

6.7.1 定理发现 270

6.7.2 数据挖掘 275

6.7.3 数据库及网络中的知识发现 278

本章小结 282

习题 284

参考文献 286

第七章 非单调推理和软计算 289

7.1 传统逻辑系统的局限性 289

7.2 非单调推理 290

7.2.1 非单调推理简介 291

7.2.2 非单调推理的形式化方法 293

7.2.3 真值维持系统 299

7.3 不确定推理 307

7.3.1 主观Bayes方法 307

7.3.2 确定性方法 314

7.3.3 D-S证据理论 317

7.3 4 应用不确定推理的准则 322

7.4 模糊逻辑和模糊推理 322

7.4.1 模糊逻辑 323

7.4.2 模糊推理 325

7.4.3 模糊控制 330

7.5 神经网络 332

7.5.1 神经元和神经网络 333

7.5.2 面向映射变换的BP网 335

7.5.3 面向联想记忆的神经网络 339

7.5.4 神经网络的实现技术 344

本章小结 347

习题 350

参考文献 353

第八章 机器感知 354

8.1 视觉与视觉图像 354

8.1.1 视觉世界 355

8.1.2 计算机视觉 357

8.1.3 视觉图像 360

8.2 图像特征提取 364

8.2.1 线性特征的检测 364

8.2.2 图像的区域分割 367

8.3 视觉模型与识别 370

8.3.1 空间建模 371

8.3.2 模式识别 374

8.3.3 图像的理解 377

8.4 自然语言理解 382

8.4.1 自然语言理解的研究 382

8.4.2 单句理解 387

8.4.3 句法分析 388

8.4.4 增强的转变网络 392

8.4.5 语义分析 396

8.5 机器翻译 400

8.5.1 机器翻译的一般过程 400

8.5.2 多句理解 401

8.5.3 目标语言的生成 404

本章小结 405

习题 408

参考文献 409

第九章 Agent技术和信息基础设施智能化 410

9.1 Agent技术的研究和发展 411

9.1.1 Agent技术的形成 411

9.1.2 Agent的基本特征 412

9.1.3 Agent技术的研究现状 413

9.1.4 Agent分类概观 417

9.2 多Agent协作 419

9.2.1 合作型Agent体系结构ARCHON 419

9.2.2 多Agent协作的建立 421

9.2.3 合作的协调 430

9.2.4 Agent社会 443

9.3 Agent通信 446

9.3.1 信息和知识共享 447

9.3.2 Agent交互协议 451

9.3.3 通信促进服务 454

9.4 信息基础设施的智能化 457

9.4.1 技术挑战 458

9.4.2 智能系统的作用 459

9.4.3 虚拟组织的信息基础设施 463

本章小结 471

习题 476

参考文献 477