图书介绍
普通高等学校计算机专业精品课程教材 人工智能方法与应用pdf电子书版本下载
- 尹朝庆主编；尹皓，彭德巍编著 著
- 出版社： 武汉：华中科技大学出版社
- ISBN：9787560940991
- 出版时间：2007
- 标注页数：252页
- 文件大小：11MB
- 文件页数：262页
- 主题词：人工智能－高等学校－教材
PDF下载
下载说明
普通高等学校计算机专业精品课程教材 人工智能方法与应用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
图书目录
第1章 绪论 1
1.1 人工智能及其发展 1
1.2 人工智能的研究与应用领域 8
习题一 12
第2章 知识表示方法 13
2.1 一阶谓词逻辑表示方法 13
2.1.1 一阶谓词逻辑表示 13
2.1.2 一阶谓词逻辑表示方法的特点 18
2.2 产生式表示方法 20
2.2.1 产生式与产生式系统 21
2.2.2 产生式系统的分类及其特点 24
2.3 框架表示方法 27
2.3.1 框架与框架网络 27
2.3.2 框架推理及其特点 30
习题二 33
第3章 搜索方法 35
3.1 问题求解过程的形式表示 35
3.1.1 状态空间表示方法 35
3.1.2 与／或图表示方法 37
3.2 状态空间的搜索方法 39
3.2.1 盲目搜索算法 40
3.2.2 启发式搜索算法 46
3.2.3 状态空间搜索算法的应用 52
3.2.4 A＊算法及其特性 63
3.3 与／或图的搜索方法 66
3.3.1 与／或图的盲目搜索算法 66
3.3.2 与／或图的启发式搜索算法 68
3.3.3 与／或图搜索算法的应用 71
习题三 75
第4章 经典逻辑推理 77
4.1 推理的基本概念 77
4.1.1 推理方式及其分类 77
4.1.2 推理的控制策略 79
4.1.3 模式匹配及其变量代换 83
4.2 归结演绎推理 86
4.2.1 谓词公式化为子句集的方法 86
4.2.2 归结原理 87
4.2.3 归结反演 91
4.3 基于归结反演的问题求解 93
4.4 归结反演的改进策略 95
4.4.1 删除策略 95
4.4.2 限制策略 96
4.5 与／或形演绎推理 99
4.5.1 与／或形正向演绎推理 99
4.5.2 与／或形逆向演绎推理 102
4.5.3 代换的一致性与剪枝策略 105
习题四 106
第5章 专家系统 109
5.1 专家系统概述 109
5.1.1 专家系统的类型与特点 109
5.1.2 专家系统的结构与开发方法 111
5.2 LISP语言 114
5.2.1 LISP语言的特点与表达式 114
5.2.2 LISP语言的基本函数 116
5.2.3 迭代与递归 122
5.3 知识库与推理机 125
5.3.1 产生式规则与规则库的存储结构 125
5.3.2 推理机及其实现 129
5.3.3 元知识与元规则 138
5.4 解释机制与解释器 140
5.4.1 解释的方法 141
5.4.2 解释器及其实现 142
5.5 知识获取 145
5.5.1 知识获取的任务与方式 145
5.5.2 知识的检测与求精 147
5.5.3 知识的检测方法 150
5.6 专家系统工具 152
习题五 155
第6章 不确定推理方法 157
6.1 知识的不确定性 157
6.2 基于可信度的不确定推理方法 160
6.2.1 可信度与可信度推理计算方法 160
6.2.2 带有阈限的可信度推理方法 164
6.2.3 加权的可信度推理方法 165
6.3 模糊推理方法 169
6.3.1 模糊集合的定义与运算 169
6.3.2 模糊知识表示与模糊匹配 175
6.3.3 简单模糊推理方法 180
6.3.4 多维模糊推理方法 188
6.3.5 带有可信度的模糊推理方法 191
习题六 193
第7章 机器学习 196
7.1 机器学习的概念与方法 196
7.2 归纳学习 197
7.2.1 CLS归纳学习方法 197
7.2.2 ID3算法 200
7.2.3 归纳学习方法的应用 204
7.3 遗传算法 216
7.3.1 遗传算法的概念与计算方法 216
7.3.2 遗传算法的应用 220
7.4 人工神经网络 224
7.4.1 人工神经元与感知器 225
7.4.2 人工神经网络模型 228
7.4.3 BP神经网络的学习算法 230
7.4.4 BP学习算法的改进 234
7.4.5 人工神经网络的应用 237
习题七 248
主要参考文献 252