顶部
收藏

人工智能导论(第5版)

“十二五”普通高等教育本科国家级规划教材

作者:
王万良
定价:
42.00元
ISBN:
978-7-04-055153-2
版面字数:
530.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
“十二五”普通高等教育本科国家级规划教材
出版时间:
2020-11-02
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

本书是一本基础性强、可读性好、适合讲授的人工智能教材。读者通过学习本书,能够掌握人工智能的基本知识,并能了解人工智能研究的一些前沿内容,为进一步学习人工智能理论与应用奠定基础。

全书共11章。第1章绪论;第2章知识表示与知识图谱;第3章确定性推理方法;第4章不确定性推理方法;第5章搜索求解策略;第6章智能计算及其应用;第7章专家系统与机器学习;第8章人工神经网络及其应用(新增卷积神经网络、胶囊网络、生成对抗网络);第9章智能体与多智能体系统;第10章自然语言处理及其应用;第11章人工智能在游戏设计中的应用。附录中给出了本书部分习题的简要解答和实验指导书。

本书可作为计算机类、自动化类、电气类、电子信息类、机械类以及其他理工农医类专业的本科生学习人工智能课程的教材。由于书中几大部分内容相对独立,教师可以根据课程计划灵活选择相关内容。

  • 前辅文
  • 第1章 绪论
    • 1.1 人工智能的基本概念
      • 1.1.1 智能的概念
      • 1.1.2 智能的特征
      • 1.1.3 人工智能
    • 1.2 人工智能的发展简史
      • 1.2.1 孕育
      • 1.2.2 形成
      • 1.2.3 发展
      • 1.2.4 大数据驱动人工智能发展期
    • 1.3 人工智能研究的基本内容
    • 1.4 人工智能的主要研究领域
    • 1.5 小结
    • 思考题
  • 第2章 知识表示与知识图谱
    • 2.1 知识与知识表示的概念
      • 2.1.1 知识的概念
      • 2.1.2 知识的特性
      • 2.1.3 知识的表示
    • 2.2 一阶谓词逻辑表示法
      • 2.2.1 命题
      • 2.2.2 谓词
      • 2.2.3 谓词公式
      • 2.2.4 谓词公式的性质
      • 2.2.5 一阶谓词逻辑知识表示方法
      • 2.2.6 一阶谓词逻辑表示法的特点
    • 2.3 产生式表示法
      • 2.3.1 产生式
      • 2.3.2 产生式系统
      • 2.3.3 产生式系统的例子——动物识别系统
      • 2.3.4 产生式表示法的特点
    • 2.4 框架表示法
      • 2.4.1 框架的一般结构
      • 2.4.2 用框架表示知识的例子
      • 2.4.3 框架表示法的特点
    • 2.5 知识图谱
      • 2.5.1 知识图谱的提出
      • 2.5.2 知识图谱的定义
      • 2.5.3 知识图谱的表示
      • 2.5.4 知识图谱的架构
      • 2.5.5 知识图谱的构建
      • 2.5.6 知识图谱的典型应用
    • 2.6 小结
    • 思考题
    • 习题
  • 第3章 确定性推理方法
    • 3.1 推理的基本概念
      • 3.1.1 推理的定义
      • 3.1.2 推理方式及其分类
      • 3.1.3 推理的方向
      • 3.1.4 冲突消解策略
    • 3.2 自然演绎推理
    • 3.3 谓词公式化为子句集的方法
    • 3.4 鲁宾孙归结原理
    • 3.5 归结反演
    • 3.6 应用归结原理求解问题
    • 3.7 小结
    • 思考题
    • 习题
  • 第4章 不确定性推理方法
    • 4.1 不确定性推理的概念
    • 4.2 可信度方法
    • 4.3 证据理论
      • 4.3.1 概率分配函数
      • 4.3.2 信任函数
      • 4.3.3 似然函数
      • 4.3.4 概率分配函数的正交和(证据的组合)
      • 4.3.5 基于证据理论的不确定性推理
    • 4.4 模糊推理方法
      • 4.4.1 模糊逻辑的提出与发展
      • 4.4.2 模糊集合
      • 4.4.3 模糊集合的运算
      • 4.4.4 模糊关系与模糊关系的合成
      • 4.4.5 模糊推理
      • 4.4.6 模糊决策
      • 4.4.7 模糊推理的应用
    • 4.5 小结
    • 思考题
    • 习题
  • 第5章 搜索求解策略
    • 5.1 搜索的概念
      • 5.1.1 搜索的基本问题与主要过程
      • 5.1.2 搜索策略
    • 5.2 状态空间的搜索策略
      • 5.2.1 状态空间表示法
      • 5.2.2 状态空间的图描述
    • 5.3 盲目的图搜索策略
      • 5.3.1 回溯策略
      • 5.3.2 宽度优先搜索策略
      • 5.3.3 深度优先搜索策略
    • 5.4 启发式图搜索策略
      • 5.4.1 启发式策略
      • 5.4.2 启发信息和估价函数
      • 5.4.3 A搜索算法
      • 5.4.4 A*搜索算法及其特性分析
    • 5.5 小结
    • 思考题
    • 习题
  • 第6章 智能计算及其应用
    • 6.1 进化算法的产生与发展
      • 6.1.1 进化算法的概念
      • 6.1.2 进化算法的生物学背景
      • 6.1.3 进化算法的设计原则
    • 6.2 基本遗传算法
      • 6.2.1 遗传算法的基本思想
      • 6.2.2 遗传算法的发展历史
      • 6.2.3 编码
      • 6.2.4 群体设定
      • 6.2.5 适应度函数
      • 6.2.6 选择
      • 6.2.7 交叉
      • 6.2.8 变异
      • 6.2.9 遗传算法的一般步骤
      • 6.2.10 遗传算法的特点
    • 6.3 遗传算法的改进算法
      • 6.3.1 双倍体遗传算法
      • 6.3.2 双种群遗传算法
      • 6.3.3 自适应遗传算法
    • 6.4 遗传算法的应用
    • 6.5 群智能算法产生的背景
    • 6.6 粒子群优化算法及其应用
      • 6.6.1 粒子群优化算法的基本原理
      • 6.6.2 粒子群优化算法的参数分析
      • 6.6.3 粒子群优化算法的应用领域
      • 6.6.4 粒子群优化算法求解车辆路径问题
    • 6.7 蚁群算法及其应用
      • 6.7.1 基本蚁群算法模型
      • 6.7.2 蚁群算法的参数选择
      • 6.7.3 蚁群算法的应用
    • 6.8 小结
    • 思考题
    • 习题
  • 第7章 专家系统与机器学习
    • 7.1 专家系统的产生和发展
    • 7.2 专家系统的概念
      • 7.2.1 专家系统的定义
      • 7.2.2 专家系统的特点
      • 7.2.3 专家系统的类型
      • 7.2.4 专家系统的应用
    • 7.3 专家系统的工作原理
      • 7.3.1 专家系统的一般结构
      • 7.3.2 知识库
      • 7.3.3 推理机
      • 7.3.4 综合数据库
      • 7.3.5 知识获取机构
      • 7.3.6 人机接口
      • 7.3.7 解释机构
    • 7.4 知识获取的主要过程与模式
      • 7.4.1 知识获取的过程
      • 7.4.2 知识获取的模式
    • 7.5 机器学习
      • 7.5.1 机器学习的基本概念
      • 7.5.2 机器学习的分类
      • 7.5.3 监督学习、无监督学习、弱监督学习
      • 7.5.4 机械式学习
      • 7.5.5 指导式学习
      • 7.5.6 示例学习
      • 7.5.7 深度学习
    • 7.6 知识发现与数据挖掘
      • 7.6.1 知识发现与数据挖掘的概念
      • 7.6.2 知识发现的一般过程
      • 7.6.3 知识发现的任务
      • 7.6.4 知识发现的方法
      • 7.6.5 知识发现的对象
    • 7.7 专家系统的建立
    • 7.8 专家系统实例及其骨架系统
      • 7.8.1 骨架系统的概念
      • 7.8.2 EMYCIN骨架系统
      • 7.8.3 KAS骨架系统
    • 7.9 专家系统开发环境
    • 7.10 小结
    • 思考题
  • 第8章 人工神经网络及其应用
    • 8.1 神经元与神经网络
      • 8.1.1 生物神经元结构
      • 8.1.2 神经元数学模型
      • 8.1.3 神经网络的结构与工作方式
      • 8.1.4 神经网络的学习
    • 8.2 BP神经网络及其学习算法
      • 8.2.1 BP神经网络的结构
      • 8.2.2 BP学习算法
      • 8.2.3 BP学习算法的实现
    • 8.3 BP神经网络在模式识别中的应用
    • 8.4 Hopfield神经网络及其改进
      • 8.4.1 离散型Hopfield神经网络
      • 8.4.2 连续型Hopfield神经网络及其VLSI实现
      • 8.4.3 随机神经网络
    • 8.5 Hopfield神经网络的应用
      • 8.5.1 Hopfield神经网络在联想记忆中的应用
      • 8.5.2 Hopfield神经网络优化方法
    • 8.6 卷积神经网络与深度学习
      • 8.6.1 卷积神经网络的结构
      • 8.6.2 卷积神经网络的卷积运算
      • 8.6.3 卷积神经网络中的关键技术
      • 8.6.4 卷积神经网络的应用
      • 8.6.5 胶囊网络
    • 8.7 生成对抗网络及其应用
      • 8.7.1 生成对抗网络的基本原理
      • 8.7.2 生成对抗网络的结构与训练
      • 8.7.3 生成对抗网络在博弈中的应用
      • 8.7.4 生成对抗网络在图像处理中的应用
      • 8.7.5 生成对抗网络在语言处理中的应用
      • 8.7.6 生成对抗网络在视频生成中的应用
      • 8.7.7 生成对抗网络在医疗中的应用
    • 8.8 小结
    • 思考题
    • 习题
  • 第9章 智能体与多智能体系统
    • 9.1 智能体的概念与结构
      • 9.1.1 智能体的概念
      • 9.1.2 智能体的特性
      • 9.1.3 智能体的结构
      • 9.1.4 反应式Agent
      • 9.1.5 慎思式Agent
      • 9.1.6 复合式Agent
      • 9.1.7 Agent的应用
    • 9.2 多智能体系统的概念与结构
      • 9.2.1 多智能体系统的特点
      • 9.2.2 多智能体系统的基本类型
      • 9.2.3 多智能体系统的体系结构
    • 9.3 多智能体系统的通信
      • 9.3.1 智能体通信的类型
      • 9.3.2 Agent通信的方式
      • 9.3.3 智能体通信语言
    • 9.4 多智能体系统的协调
    • 9.5 多智能体系统的协作
      • 9.5.1 多智能体的协作类型
      • 9.5.2 合同网协作方法
      • 9.5.3 黑板模型协作方法
      • 9.5.4 市场机制协作方法
    • 9.6 多智能体系统的协商
    • 9.7 小结
    • 思考题
  • 第10章 自然语言处理及其应用
    • 10.1 自然语言理解的概念与发展历史
    • 10.2 语言处理过程的层次
    • 10.3 机器翻译
    • 10.4 语音识别
      • 10.4.1 语音识别的概念
      • 10.4.2 语音识别的主要过程
      • 10.4.3 隐马尔可夫模型
      • 10.4.4 基于隐马尔可夫模型的语音识别方法
    • 10.5 小结
    • 思考题
  • 第11章 人工智能在游戏设计中的应用
    • 11.1 人工智能游戏
    • 11.2 游戏人工智能
      • 11.2.1 游戏人工智能的概念与分类
      • 11.2.2 基本的游戏人工智能技术
    • 11.3 游戏中的角色与分类
    • 11.4 智能游戏角色设计基本技术
      • 11.4.1 游戏角色的指导与运动
      • 11.4.2 游戏角色的追逐与躲避
      • 11.4.3 游戏角色的群聚
      • 11.4.4 游戏角色的路径搜索
      • 11.4.5 智能搜索引擎
    • 11.5 智能游戏开发方法与开发工具
      • 11.5.1 智能游戏开发方法
      • 11.5.2 智能游戏开发工具
    • 11.6 扫雷机智能游戏开发
    • 11.7 人工智能游戏的现状与未来
    • 11.8 小结
    • 思考题
  • 附录A 部分习题解答
  • 附录B 实验指导书
  • 参考文献

本课程是《人工智能导论(第5版)》的配套数字课程,通过学习本课程能够掌握人工智能的基本知识,并能了解人工智能研究的一些前沿内容,为进一步学习人工智能理论与应用奠定基础。

本课程内容主要为电子教案等,方便读者学习使用。 

相关图书