图书介绍
人工智能基础教程pdf电子书版本下载
- 朱福喜编著 著
- 出版社： 北京：清华大学出版社
- ISBN：9787302243717
- 出版时间：2011
- 标注页数：456页
- 文件大小：33MB
- 文件页数：477页
- 主题词：人工智能－高等学校－教材
PDF下载
下载说明
人工智能基础教程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 概述 1
1.1 人工智能概述 1
1.2 AI的产生及主要学派 3
1.3 人工智能、专家系统和知识工程 4
1.4 AI模拟智能成功的标准 6
1.5 人工智能应用系统 7
1.6 人工智能的技术特征 12
习题1 14
第1部分 搜索与问题求解 17
第2章 用搜索求解问题的基本原理 17
2.1 搜索求解问题的基本思路 17
2.2 实现搜索过程的三大要素 17
2.2.1 搜索对象 17
2.2.2 扩展规则 18
2.2.3 目标测试 19
2.3 通过搜索求解问题 19
2.4 问题特征分析 22
2.4.1 问题的可分解性 22
2.4.2 问题求解步骤的撤回 25
2.4.3 问题全域的可预测性 25
2.4.4 问题要求的解的满意度 25
习题2 26
第3章 搜索的基本策略 27
3.1 盲目搜索方法 27
3.1.1 宽度优先搜索 27
3.1.2 深度优先搜索 28
3.1.3 分支有界搜索 28
3.1.4 迭代加深搜索 28
3.1.5 一个盲目搜索问题几种实现 28
3.2 启发式搜索 30
3.2.1 启发式信息的表示 30
3.2.2 几种最基本的搜索策略 35
3.3 随机搜索 37
3.3.1 模拟退火法 38
3.3.2 其他典型的随机搜索算法 39
习题3 41
第4章 图搜索策略 43
4.1 或图搜索策略 43
4.1.1 通用或图搜索算法 43
4.1.2 A算法与A算法 46
4.2 与／或图搜索 55
4.2.1 问题归约求解方法与“与／或图” 55
4.2.2 与／或图搜索 55
4.2.3 与／或图搜索的特点 56
4.2.4 与／或图搜索算法AO 58
4.2.5 对AO算法的进一步观察 59
4.2.6 用AO算法求解一个智力难题 60
习题4 63
第5章 博弈与搜索 64
5.1 博弈与对策 64
5.2 极小极大搜索算法 65
5.2.1 极小极大搜索的思想 65
5.2.2 极小极大搜索算法 66
5.2.3 算法分析与举例 66
5.3 α—β剪枝算法 69
习题5 71
第6章 演化搜索算法 73
6.1 遗传算法的基本概念 73
6.1.1 遗传算法的基本定义 73
6.1.2 遗传算法的基本流程 74
6.2 遗传编码 75
6.2.1 二进制编码 75
6.2.2 Gray编码 76
6.2.3 实数编码 77
6.2.4 有序编码 77
6.2.5 结构式编码 77
6.3 适应值函数 77
6.4 遗传操作 78
6.4.1 选择 78
6.4.2 交叉操作 80
6.4.3 变异操作 82
6.5 初始化群体 84
6.6 控制参数的选取 84
6.7 算法的终止准则 85
6.8 遗传算法的基本理论 85
6.8.1 模式定理 85
6.8.2 隐含并行性 87
6.8.3 构造块假设 87
6.8.4 遗传算法的收敛性 87
6.9 遗传算法简例 87
6.10 遗传算法的应用领域 89
6.11 免疫算法 90
6.11.1 免疫算法的发展 91
6.11.2 免疫算法的基本原理 91
6.11.3 生物免疫系统与人工免疫系统对应关系 94
6.11.4 免疫算法的基本类型和步骤 94
6.12 典型免疫算法分析 95
6.12.1 阴性选择算法 95
6.12.2 免疫遗传算法 97
6.12.3 克隆选择算法 100
6.12.4 基于疫苗的免疫算法 102
6.13 免疫算法设计分析 104
6.14 免疫算法与遗传算法比较 105
6.14.1 免疫算法与遗传算法的基本步骤比较 105
6.14.2 免疫算法与遗传算法不同之处 106
6.14.3 仿真实验及讨论 106
6.15 免疫算法研究的展望 107
习题6 108
第7章 群集智能算法 109
7.1 群集智能算法的研究背景 109
7.2 群集智能的基本算法介绍 109
7.2.1 蚁群算法 109
7.2.2 flock算法 116
7.2.3 粒子群算法 118
7.3 集智系统介绍 124
7.3.1 人工鱼 125
7.3.2 Terrarium世界 128
7.4 群集智能的优缺点 133
习题7 134
第8章 记忆型搜索算法 135
8.1 禁忌搜索算法 135
8.1.1 禁忌搜索算法的基本思想 135
8.1.2 禁忌搜索算法的基本流程 137
8.1.3 禁忌搜索示例 137
8.1.4 禁忌搜索算法的基本要素分析 141
8.1.5 禁忌搜索算法流程的特点 145
8.1.6 禁忌搜索算法的改进 145
8.2 和声搜索算法 146
8.2.1 和声搜索算法简介和原理 146
8.2.2 算法应用 149
8.2.3 算法比较与分析 155
习题8 155
第9章 基于Agent的搜索 157
9.1 DAI概述 157
9.2 分布式问题求解 158
9.3 Agent的定义 160
9.3.1 Agent的弱定义 160
9.3.2 Agent的强定义 161
9.4 Agent的分类 161
9.4.1 按功能划分 162
9.4.2 按属性划分 163
9.5 Agent通信 166
9.5.1 Agent通信概述 166
9.5.2 言语动作 166
9.5.3 SHADE通信机制 167
9.6 移动Agent 170
9.6.1 移动Agent系统的一般结构 171
9.6.2 移动Agent的分类 172
9.6.3 移动Agent的优点 174
9.6.4 移动Agent的技术难点 175
9.6.5 移动Agent技术的标准化 176
9.7 移动Agent平台的介绍 177
9.7.1 General Magic公司的Odysses 177
9.7.2 IBM公司的Aglet 178
习题9 178
第2部分 知识与推理 183
第10章 知识表示与处理方法 183
10.1 概述 183
10.1.1 知识和知识表示的含义 183
10.1.2 知识表示方法分类 184
10.1.3 AI对知识表示方法的要求 185
10.1.4 知识表示要注意的问题 185
10.2 逻辑表示法 186
10.3 产生式表示法 187
10.3.1 产生式系统的组成 188
10.3.2 产生式系统的知识表示 188
10.3.3 产生式系统的推理方式 192
10.3.4 产生式规则的选择与匹配 194
10.3.5 产生式表示的特点 195
10.4 语义网络表示法 195
10.4.1 语义网络结构 196
10.4.2 二元语义网络的表示 196
10.4.3 多元语义网络的表示 197
10.4.4 连接词和量词的表示 197
10.4.5 语义网络的推理过程 200
10.4.6 语义网络的一般描述 203
10.5 框架表示法 203
10.5.1 框架理论 203
10.5.2 框架结构 204
10.5.3 框架表示下的推理 206
10.6 过程式知识表示 209
习题10 212
第11章 谓词逻辑的归结原理及其应用 214
11.1 命题演算的归结方法 214
11.1.1 基本概念 214
11.1.2 命题演算的归结方法 215
11.2 谓词演算的归结 216
11.2.1 谓词演算的基本问题 216
11.2.2 将公式化成标准子句形式的步骤 216
11.2.3 合一算法 218
11.2.4 变量分离标准化 220
11.2.5 谓词演算的归结算法 221
11.3 归结原理 222
11.3.1 谓词演算的基本概念 223
11.3.2 归结方法可靠性证明 224
11.3.3 归结方法的完备性 227
11.4 归结过程的控制策略 234
11.4.1 简化策略 234
11.4.2 支撑集策略 236
11.4.3 线性输入策略 237
11.4.4 几种推理规则及其应用 238
11.5 应用实例 240
11.5.1 归约在逻辑电路设计中的应用 240
11.5.2 利用推理破案的实例 242
习题11 244
第12章 非经典逻辑的推理 247
12.1 非单调推理 247
12.1.1 单调推理与非单调推理的概念 247
12.1.2 默认逻辑 248
12.1.3 默认逻辑非单调推理系统TMS 249
12.2 Dempster-Shater（D-S）证据理论 251
12.2.1 识别框架 252
12.2.2 基本概率分配函数 252
12.2.3 置信函数Bel（A） 252
12.2.4 置信区间 253
12.2.5 证据的组合函数 253
12.2.6 D-S理论的评价 257
12.3 不确定性推理 257
12.3.1 不确定性 257
12.3.2 主观概率贝叶斯方法 258
12.4 MYCIN系统的推理模型 261
12.4.1 理论和实际的背景 261
12.4.2 MYCIN模型 262
12.4.3 MYCIN模型分析 264
12.4.4 MYCIN推理网络的基本模式 265
12.4.5 MYCIN推理模型的评价 267
12.5 模糊推理 267
12.5.1 模糊集论与模糊逻辑 267
12.5.2 Fuzzy聚类分析 269
12.6 基于案例的推理 276
12.6.1 基于案例推理的基本思想 276
12.6.2 案例的表示与组织 277
12.6.3 案例的检索 278
12.6.4 案例的改写 278
12.7 归纳法推理 278
12.7.1 归纳法推理的理论基础 279
12.7.2 归纳法推理的基本概念 280
12.7.3 归纳法推理中的主要难点 283
12.7.4 归纳法推理的应用 284
习题12 285
第13章 次协调逻辑推理 288
13.1 次协调逻辑的含义 288
13.1.1 传统的人工智能与经典逻辑 288
13.1.2 人工智能中不协调的数据和知识库 288
13.1.3 次协调逻辑 289
13.2 注解谓词演算 289
13.2.1 多真值格 289
13.2.2 注解逻辑 290
13.2.3 注解谓词公式的语义 291
13.2.4 APC中的不协调、非、蕴含 293
13.3 基于APC的SLDa-推导和SLDa-反驳 295
13.3.1 SLDa-推导和SLDa-反驳 296
13.3.2 注解逻辑推理方法 296
13.3.3 注解逻辑推理举例 296
13.4 注解逻辑的归结原理 297
13.5 应用实例 301
13.6 控制策略 307
习题13 308
第3部分 学习与发现 313
第14章 机器学习 313
14.1 概述 313
14.1.1 机器学习的定义和意义 313
14.1.2 机器学习的研究简史 313
14.1.3 机器学习方法的分类 314
14.1.4 机器学习中的推理方法 315
14.2 归纳学习 316
14.2.1 归纳概念学习的定义 317
14.2.2 归纳概念学习的形式描述 319
14.2.3 归纳概念学习算法的一般步骤 319
14.2.4 归纳概念学习的基本技术 321
14.3 基于解释的学习 328
14.3.1 基于解释学习的基本原理 328
14.3.2 基于解释学习的一般框架 328
14.3.3 基于解释的学习过程 329
14.4 基于类比的学习 330
14.4.1 类比学习的一般原理 330
14.4.2 类比学习的表示 331
14.4.3 类比学习的求解 331
14.4.4 逐步推理和监控的类比学习 332
习题14 334
第15章 人工神经网络 335
15.1 人工神经网络的特点 335
15.2 人工神经网络的基本原理 337
15.3 人工神经网络的基本结构模式 342
15.4 人工神经网络互连结构 343
15.5 神经网络模型分类 345
15.6 几种基本的神经网络学习算法介绍 346
15.6.1 Hebb型学习 347
15.6.2 误差修正学习方法 347
15.6.3 随机型学习 348
15.6.4 竞争型学习 349
15.6.5 基于记忆的学习 350
15.6.6 结构修正学习 350
15.7 几种典型神经网络简介 350
15.7.1 单层前向网络 350
15.7.2 多层前向网络及BP学习算法 353
15.7.3 Hopfield神经网络 357
15.8 人工神经网络与人工智能其他技术的比较 363
15.9 人工神经网络的应用领域 365
习题15 366
第16章 数据挖掘与知识发现 367
16.1 数据挖掘 367
16.1.1 数据挖掘的定义与发展 367
16.1.2 数据挖掘研究的主要内容 368
16.1.3 数据挖掘的特点 370
16.1.4 数据挖掘的分类 371
16.1.5 数据挖掘常用的技术 372
16.1.6 数据挖掘过程 372
16.1.7 数据挖掘研究面临的困难 373
16.1.8 关联规则挖掘 373
16.1.9 聚类分析 379
16.2 Web挖掘 387
16.2.1 Web挖掘概述 387
16.2.2 Web内容挖掘 388
16.2.3 Web结构挖掘 390
16.2.4 Web使用挖掘 390
16.2.5 Web数据挖掘的技术难点 395
16.2.6 XML与Web数据挖掘技术 395
16.3 文本挖掘 398
16.3.1 文本挖掘的概念 398
16.3.2 文本挖掘预处理 398
16.3.3 文本挖掘的关键技术 399
16.3.4 文本挖掘系统的评价标准 400
习题16 400
第4部分 领域应用 403
第17章 专家系统 403
17.1 专家系统概述 403
17.1.1 专家系统的定义 403
17.1.2 专家系统的结构 403
17.1.3 专家系统的特点 404
17.1.4 专家系统的类型 404
17.1.5 几个成功的专家系统简介 406
17.2 专家系统中的知识获取 407
17.2.1 概述 407
17.2.2 知识获取的直接方法 408
17.2.3 知识获取的新进展 409
17.3 专家系统的解释机制 410
17.3.1 预制文本解释法 411
17.3.2 路径跟踪解释法 411
17.3.3 自动程序员解释法 412
17.3.4 策略解释法 413
17.4 专家系统开发工具与环境 413
17.4.1 专家系统开发工具的基本概念 413
17.4.2 专家系统工具JESS 414
17.4.3 JESS中的Rete匹配算法和逆向推理机制 417
17.5 专家系统开发 417
17.5.1 专家系统开发的步骤 418
17.5.2 专家系统开发方法 418
17.6 专家系统开发实例 419
17.6.1 动物识别专家系统 419
17.6.2 MYCIN专家系统 421
习题17 421
第18章 自然语言处理 423
18.1 语言的组成 423
18.1.1 自然语言的基本要素 424
18.1.2 实词和虚词 425
18.1.3 短语结构 425
18.2 上下文无关语法 426
18.2.1 重写规则 426
18.2.2 语法分析 427
18.3 上下文无关语法分析 427
18.3.1 产生后继状态的算法 428
18.3.2 利用词典 429
18.3.3 建立语法分析树 429
18.4 特殊语法的分析 432
18.4.1 引进特征 432
18.4.2 特征匹配 433
18.5 利用图表的高效语法分析 436
18.5.1 chart数据结构 436
18.5.2 有多种解释的句子 437
18.6 语义解释 438
18.6.1 词的意思 439
18.6.2 利用特征的语义解释 440
18.6.3 词义排歧 442
18.7 生成自然语言 445
18.8 在上下文中的自然语言 446
18.8.1 言语的行为 446
18.8.2 创建引用 447
18.8.3 处理数据库的断言和问题 448
习题18 452
参考文献 453