顶部
收藏

人工智能原理


作者:
王文敏
定价:
63.00元
ISBN:
978-7-04-052188-7
版面字数:
550.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2019-08-28
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

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。

  • 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
  • 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