图书信息
图书目录
数字化资源
Abook数字课程
人工智能原理
本书对人工智能学科及其研究领域进行抽象，梳理出一个人工智能的研究体系，然后按照这个体系讲述其原理，再穿插一些实例。全书分为五篇，共十四章。
这五篇分别是人工智能的体系、求解、规划、学习以及推理。
体系篇中有两章，即绪论与体系论。求解篇分成四章，讲述搜索问题、优化问题、博弈问题，以及约束问题求解。规划篇中有两章，分别是时空关联规划和决策理论规划。学习篇先用一章论述机器学习的三个视角，然后再用三章分别讲述学习的任务、范式以及框架。推理篇用两章分别介绍知识表示和推理机制。
本书可作为人工智能、计算机及其相关专业的高年级本科生或研究生的教材，也可作为人工智能的参考书，供有关教学和科研人员使用。
作者：
王文敏
定价：
63.00元
出版时间：
2019-08-28
ISBN：
978-7-04-052188-7
读者对象：
高等教育
一级分类：
计算机/教育技术类
二级分类：
计算机类专业核心课程
三级分类：
人工智能
重点项目：
暂无
版面字数：
550.000千字
开本：
16开
全书页数：
暂无
装帧形式：
平装
- 前辅文
- 第一篇 体系
- 第1章 绪论
- 1.1 引言
- 1.2 关于agent的翻译
- 1.3 人工智能的定义
- 1.4 人工智能的基础
- 1.4.1 数学
- 1.4.2 经济学
- 1.4.3 神经科学
- 1.4.4 认知心理学
- 1.4.5 控制理论与控制论
- 1.5 人工智能的历史
- 1.5.1 人工智能的孕育和诞生
- 1.5.2 人工智能的黄金年代
- 1.5.3 人工智能的第一个冬天
- 1.5.4 人工智能的第一次繁荣
- 1.5.5 人工智能的第二个冬天
- 1.5.6 人工智能的第二次繁荣
- 1.6 人工智能的突破
- 1.6.1 计算机游戏
- 1.6.2 计算机视觉
- 1.6.3 语音识别
- 1.6.4 机器翻译
- 1.6.5 自动驾驶
- 1.6.6 人工大脑
- 1.6.7 人工智能芯片
- 1.6.8 医学人工智能
- 1.6.9 药物人工智能
- 1.6.10 法律人工智能
- 1.7 人工智能的判定
- 1.7.1 图灵测试
- 1.7.2 图灵测试的解读
- 1.7.3 图灵测试2.
- 1.7.4 中文房间
- 1.8 人工智能的层级
- 1.8.1 人工专用智能
- 1.8.2 人工通用智能
- 1.8.3 人工超级智能
- 1.9 人工智能的安全
- 1.10 人工智能的应用
- 1.11 小结
- 习题
- 第2章 体系论
- 2.1 引言
- 2.2 人工智能的研究途径
- 2.2.1 控制论与人工智能
- 2.2.2 符号与亚符号
- 2.2.3 整齐与不整齐
- 2.2.4 逻辑与反逻辑
- 2.2.5 符号主义、联结主义与行为主义
- 2.2.6 概率与统计方法
- 2.2.7 计算心理学、计算哲学与机器智能
- 2.2.8 经典与现代人工智能
- 2.3 人工智能的主体论点
- 2.3.1 智能主体
- 2.3.2 计算主体
- 2.3.3 理性主体
- 2.4 智能主体的环境
- 2.5 智能主体的构成
- 2.5.1 主体函数
- 2.5.2 主体算法
- 2.5.3 主体结构
- 2.6 人工智能的研究体系
- 2.6.1 人工智能的本源
- 2.6.2 人工智能的内涵
- 2.6.3 人工智能的外延
- 2.6.4 人工智能的体系
- 2.7 智能主体的思维
- 2.7.1 求解
- 2.7.2 规划
- 2.7.3 学习
- 2.7.4 推理
- 2.8 智能主体的交互
- 2.8.1 感知
- 2.8.2 动作
- 2.9 智能主体的类型
- 2.9.1 主体的层次
- 2.9.2 求解型主体
- 2.9.3 规划型主体
- 2.9.4 学习型主体
- 2.9.5 推理型主体
- 2.10 小结
- 习题
- 第1章 绪论
- 第二篇 求 解
- 第3章 搜索问题求解
- 3.1 引言
- 3.2 搜索问题
- 3.1.1 智力游戏问题
- 3.1.2 现实世界问题
- 3.3 搜索问题的要素
- 3.3.1 状态表征
- 3.3.2 状态空间
- 3.3.3 形式化
- 3.3.4 求解的方法
- 3.4 搜索问题的实例化
- 3.4.1 八数码难题
- 3.4.2 八皇后难题
- 3.4.3 传教士和食人族问题
- 3.4.4 最短路径问题
- 3.5 搜索求解的方式
- 3.5.1 树搜索
- 3.5.2 图搜索
- 3.6 无信息搜索
- 3.6.1 宽度优先搜索
- 3.6.2 深度优先搜索
- 3.6.3 迭代深化搜索
- 3.7 有信息搜索
- 3.7.1 统一代价搜索
- 3.7.2 贪婪最佳优先搜索
- 3.7.3 A*搜索
- 3.8 小结
- 习题
- 第4章 优化问题求解
- 4.1 引言
- 4.2 优化问题
- 4.2.1 智力游戏问题
- 4.2.2 现实世界问题
- 4.3 优化问题的求解
- 4.3.1 局部搜索
- 4.3.2 元启发式
- 4.3.3 群体智能
- 4.4 局部搜索方法
- 4.4.1 爬山法
- 4.4.2 局部束搜索
- 4.5 元启发式方法
- 4.5.1 禁忌搜索
- 4.5.2 模拟退火算法
- 4.5.3 遗传算法
- 4.6 群体智能方法
- 4.6.1 蚁群优化算法
- 4.6.2 粒子群优化算法
- 4.7 小结
- 习题
- 第5章 博弈问题求解
- 5.1 引言
- 5.2 博弈问题
- 5.2.1 智力游戏问题
- 5.2.2 现实世界问题
- 5.3 博弈问题的类型
- 5.3.1 合作与非合作
- 5.3.2 零和与非零和
- 5.3.3 完美与不完美信息
- 5.3.4 对称与非对称
- 5.3.5 随机与非随机
- 5.3.6 同步与顺序
- 5.4 博弈算法的历史
- 5.5 博弈问题的求解
- 5.5.1 博弈问题的复杂性
- 5.5.2 对抗搜索
- 5.5.3 博弈策略
- 5.6 完美信息博弈
- 5.6.1 最小最大策略
- 5.6.2 Alpha-Beta剪枝
- 5.6.3 蒙特卡罗树搜索
- 5.6.4 AlphaGo的博弈算法
- 5.7 不完美信息博弈
- 5.7.1 纳什均衡与相关均衡
- 5.7.2 不完美信息博弈示例
- 5.7.3 遗憾最小化
- 5.7.4 虚拟遗憾最小化
- 5.7.5 DeepStack
- 5.7.6 Libratus
- 5.8 非对称博弈
- 5.8.1 非对称博弈概述
- 5.8.2 非对称博弈的对称分解
- 5.9 随机博弈
- 5.9.1 随机博弈概述
- 5.9.2 随机博弈模型
- 5.10 小结
- 习题
- 第6章 约束问题求解
- 6.1 引言
- 6.2 约束问题
- 6.2.1 智力游戏问题
- 6.2.2 现实世界问题
- 6.3 可能世界及其约束
- 6.3.1 可能世界
- 6.3.2 变量与值域
- 6.3.3 约束
- 6.4 约束满足问题
- 6.4.1 形式化
- 6.4.2 状态的表示
- 6.4.3 求解的方法
- 6.5 约束满足问题的实例化
- 6.5.1 数独
- 6.5.2 算式谜
- 6.5.3 地图着色
- 6.5.4 作业调度
- 6.6 约束传播
- 6.6.1 节点一致性
- 6.6.2 弧一致性
- 6.6.3 路径一致性
- 6.6.4 k-一致性
- 6.7 回溯搜索
- 6.7.1 回溯搜索的实例
- 6.7.2 回溯搜索算法
- 6.7.3 回溯算法的细化
- 6.8 局部搜索
- 6.8.1 最少冲突启发式
- 6.8.2 约束加权法
- 6.9 问题的结构
- 6.9.1 独立子问题
- 6.9.2 树结构问题
- 6.10 问题的改进
- 6.10.1 动态约束满足问题
- 6.10.2 柔性约束满足问题
- 6.10.3 分散约束满足问题
- 6.11 小结
- 习题
- 第3章 搜索问题求解
- 第三篇 规 划
- 第7章 时空关联规划
- 7.1 引言
- 7.2 规划问题
- 7.2.1 智力游戏问题
- 7.2.2 现实世界问题
- 7.3 规划语言
- 7.4 经典规划
- 7.4.1 经典规划的定义
- 7.4.2 状态空间规划
- 7.4.3 计划空间规划
- 7.4.4 经典规划的分析
- 7.5 新经典规划
- 7.5.1 规划图技法
- 7.5.2 命题可满足性技法
- 7.5.3 逻辑演绎技法
- 7.5.4 约束满足技法
- 7.6 时序规划
- 7.6.1 时序参照及其关系
- 7.6.2 时序算子方法
- 7.6.3 纪事方法
- 7.7 规划与调度
- 7.7.1 调度问题的要素
- 7.7.2 设备调度问题
- 7.7.3 规划与调度的整合
- 7.8 运动规划
- 7.8.1 几何表示与转换
- 7.8.2 位姿空间
- 7.8.3 栅格运动规划
- 7.8.4 采样运动规划
- 7.8.5 组合运动规划
- 7.9 小结
- 习题
- 第8章 决策理论规划
- 8.1 引言
- 8.2 决策理论规划概述
- 8.3 马尔科夫模型
- 8.3.1 随机过程
- 8.3.2 马尔科夫性质
- 8.3.3 马尔科夫过程
- 8.3.4 马尔科夫决策过程
- 8.3.5 隐马尔科夫模型
- 8.3.6 部分可观测马尔科夫决策过程
- 8.4 马尔科夫决策过程的优化控制
- 8.4.1 策略
- 8.4.2 奖惩与折扣
- 8.4.3 价值函数
- 8.4.4 贝尔曼公式
- 8.4.5 优化控制方法
- 8.5 动态规划
- 8.5.1 策略迭代
- 8.5.2 价值迭代
- 8.5.3 异步动态规划
- 8.5.4 广义策略迭代
- 8.6 小结
- 习题
- 第7章 时空关联规划
- 第四篇 学 习
- 第9章 三个视角
- 9.1 引言
- 9.2 机器学习概述
- 9.2.1 机器学习的由来
- 9.2.2 学习的主要类型
- 9.2.3 机器学习与人工智能
- 9.2.4 机器学习与相关研究领域
- 9.3 可能近似正确学习
- 9.4 没有免费午餐定理
- 9.5 机器学习的历史
- 9.5.1 神经网络
- 9.5.2 决策树
- 9.5.3 提升算法
- 9.5.4 支撑向量机
- 9.5.5 强化学习
- 9.6 机器学习的难点
- 9.7 机器学习的视角
- 9.7.1 学习任务
- 9.7.2 学习范式
- 9.7.3 学习框架
- 9.8 小结
- 习题
- 第10章 学习的任务
- 10.1 引言
- 10.2 学习任务概述
- 10.3 分类
- 10.3.1 定义
- 10.3.2 工作原理
- 10.3.3 线性与非线性
- 10.3.4 类别与维度
- 10.3.5 案例分析
- 10.3.6 应用领域
- 10.4 回归
- 10.4.1 定义
- 10.4.2 工作原理
- 10.4.3 线性与非线性
- 10.4.4 案例分析
- 10.4.5 应用领域
- 10.5 聚类
- 10.5.1 定义
- 10.5.2 工作原理
- 10.5.3 主要途径
- 10.5.4 案例分析
- 10.5.5 应用领域
- 10.6 排名
- 10.6.1 定义
- 10.6.2 工作原理
- 10.6.3 主要途径
- 10.6.4 案例分析
- 10.6.5 应用领域
- 10.7 降维
- 10.7.1 定义
- 10.7.2 工作原理
- 10.7.3 线性与非线性
- 10.7.4 案例分析
- 10.7.5 应用领域
- 10.8 小结
- 习题
- 第11章 学习的范式
- 11.1 引言
- 11.2 学习范式概述
- 11.3 监督学习
- 11.3.1 定义
- 11.3.2 形式化描述
- 11.3.3 对应的学习任务
- 11.3.4 其他关联范式
- 11.4 无监督学习
- 11.4.1 定义
- 11.4.2 对应的学习任务
- 11.4.3 重要性
- 11.4.4 其他途径
- 11.5 强化学习
- 11.5.1 定义
- 11.5.2 强化学习的类型
- 11.5.3 蒙特卡罗方法
- 11.5.4 时序差分方法
- 11.5.5 适格录迹
- 11.5.6 深度强化学习
- 11.5.7 强化学习算法比较
- 11.6 其他范式
- 11.6.1 学会学习
- 11.6.2 迁移学习
- 11.6.3 集成学习
- 11.6.4 对抗学习
- 11.6.5 协同学习
- 11.7 范式与任务的关系
- 11.8 小结
- 习题
- 第12章 学习的框架
- 12.1 引言
- 12.2 学习框架概述
- 12.3 概率框架
- 12.3.1 什么是概率框架
- 12.3.2 生成与判别模型
- 12.3.3 概率图模型
- 12.3.4 案例分析
- 12.4 统计框架
- 12.4.1 什么是统计框架
- 12.4.2 参数模型
- 12.4.3 非参数模型
- 12.4.4 案例分析
- 12.5 几何框架
- 12.5.1 什么是几何框架
- 12.5.2 超平面
- 12.5.3 流形
- 12.5.4 案例分析
- 12.6 联结框架
- 12.6.1 什么是联结框架
- 12.6.2 人工神经网络
- 12.6.3 浅层与深层
- 12.6.4 前馈与反馈
- 12.6.5 单主体与多主体
- 12.6.6 案例分析
- 12.7 逻辑框架
- 12.7.1 什么是逻辑框架
- 12.7.2 基于逻辑
- 12.7.3 基于规则
- 12.7.4 案例分析
- 12.8 小结
- 习题
- 第9章 三个视角
- 第五篇 推 理
- 第13章 知识表示
- 13.1 引言
- 13.2 知识与表征
- 13.2.1 数据、信息、知识与智慧
- 13.2.2 知识的类型
- 13.2.3 显性与隐性
- 13.2.4 知识系统
- 13.2.5 知识表示
- 13.3 知识表示的历史
- 13.4 可能世界理论
- 13.4.1 可能世界
- 13.4.2 三种观点
- 13.4.3 六个命题
- 13.4.4 三种性质
- 13.5 知识表示的范式
- 13.5.1 确定性与不确定性
- 13.5.2 过程性与陈述性
- 13.5.3 开放世界与封闭世界假设
- 13.6 确定性知识表示
- 13.6.1 语义网络
- 13.6.2 框架
- 13.6.3 经典逻辑
- 13.6.4 模态逻辑
- 13.6.5 描述逻辑
- 13.6.6 本体
- 13.6.7 资源描述框架
- 13.6.8 知识图谱
- 13.7 不确定性知识表示
- 13.7.1 贝叶斯网络
- 13.7.2 可能性理论
- 13.7.3 证据理论
- 13.8 小结
- 习题
- 第14章 推理机制
- 14.1 引言
- 14.2 推理问题
- 14.2.1 智力游戏问题
- 14.2.2 现实世界问题
- 14.3 推理模式
- 14.3.1 演绎推理
- 14.3.2 归纳推理
- 14.3.3 溯因推理
- 14.3.4 推理模式浅析
- 14.4 逻辑推理
- 14.4.1 关于逻辑推理
- 14.4.2 前向链接
- 14.4.3 后向链接
- 14.5 定性推理
- 14.5.1 关于定性推理
- 14.5.2 定性表示
- 14.5.3 定性推理技术
- 14.6 本体推理
- 14.6.1 关于本体推理
- 14.6.2 本体语言
- 14.6.3 语义推理器
- 14.7 概率推理
- 14.7.1 关于概率推理
- 14.7.2 频率论推理
- 14.7.3 贝叶斯推理
- 14.7.4 贝叶斯网络推理
- 14.7.5 随机仿真近似推理
- 14.8 机器推理
- 14.8.1 关于机器推理
- 14.8.2 神经模块网络推理
- 14.8.3 组合注意网络推理
- 14.9 推理的应用
- 14.10 小结
- 习题
- 第13章 知识表示
- 全书参考文献
人工智能原理数字课程与纸质教材一体化设计，紧密配合，数字课程涵盖教学ppt、知识拓展等内容，充分运用多种媒体资源，极大地丰富了知识的呈现形式，拓展了教材内容。在提升课程教学效果的同时，为学生学习提供思维与探索的空间。
相关图书
1