人工智能2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能PDF格式电子书版下载

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

第1章 导论1

1．1 人工智能的定义与基础1

1．1．1 何谓人工智能？1

1．1．2 AI基础简史3

1．1．3 AI与唯理主义和经验主义传统5

1．1．4 形式逻辑的发展6

1．1．5 图灵测试8

1．1．6 智能的生物与社会模型：agent理论10

1．2 AI应用领域概述12

1．2．1 博弈12

1．2．2 自动推理与定理证明13

1．2．3 专家系统13

1．2．4 自然语言理解15

1．2．5 模拟人的性能15

1．2．6 规划与机器人15

1．2．7 AI语言和环境16

1．2．8 机器学习16

1．2．9 神经网络与遗传算法17

1．2．10 AI与哲学18

1．3 人工智能概要18

练习19

第2章 表示与搜索导引20

2．1 表示系统21

2．2 搜索22

第3章 谓词演算26

3．1 命题演算26

3．1．1 语法26

3．1．2 语义27

3．2 谓词演算28

3．2．1 语法28

3．2．2 语义29

3．3 谓词演算的推断规则32

3．3．1 推断规则32

3．3．2 一致化33

3．4 应用：基于逻辑的家庭财务咨询系统36

练习38

第4章 状态空间搜索40

4．1 状态空间搜索的结构41

4．1．1 图论41

4．1．2 有限状态机42

4．1．3 问题的状态空间表示44

4．2 状态空间搜索策略47

4．2．1 数据驱动和目标驱动的搜索47

4．2．2 广度优先和深度优先搜索48

4．2．3 逐步加深的深度优先搜索52

4．3 与／或图和逻辑推理53

4．4 应用：家庭财务咨询系统54

练习56

第5章 启发式搜索57

5．1 爬山法和动态规划59

5．1．1 爬山法59

5．1．2 动态规划60

5．2 最好优先搜索算法62

5．2．1 实现最好优先搜索62

5．2．2 实现启发估价函数64

5．2．3 启发式搜索与专家系统66

5．3 可采纳性、单调性及信息度67

5．3．1 可采纳性67

5．3．2 单调性68

5．3．3 A*算法的比较69

5．4 搜索博弈图69

5．4．1 极小极大程序69

5．4．2 固定深度的minimax71

5．4．3 α－β剪枝74

5．5 计算复杂度问题75

练习77

第6章 状态空间搜索的控制算法78

6．1 基于递归的搜索78

6．1．1 递归搜索78

6．1．2 递归搜索示例：模式驱动的推理80

6．2 产生式系统82

6．2．1 定义及简史82

6．2．2 产生式系统示例84

6．2．3 搜索的控制86

6．2．4 产生式系统的优点89

6．3 问题求解的黑板体系90

练习91

第7章 知识表示93

7．1 AI表示研究简史93

7．1．1 含义的联想主义理论93

7．1．2 语义网络的早期工作96

7．1．3 网络关系的标准化97

7．1．4 脚本101

7．1．5 框架103

7．2 概念图105

7．2．1 概念图导引105

7．2．2 类型、个体和名称106

7．2．3 类型的层次结构107

7．2．4 概念图的操作107

7．2．5 命题节点109

7．2．6 概念图与逻辑110

‘7．3 替代显式表示110

7．3．1 Brooks的包容体系111

7．3．2 多种表示、本体论与知识服务112

7．4 基于agent的分布式问题求解113

7．4．1 面向agent的问题求解：一种定义113

7．4．2 agent范型的示例及其存在问题115

练习116

第8章 知识系统117

8．1 专家系统技术概述118

8．1．1 设计基于规则的专家系统118

8．1．2 问题领域的选择与知识工程过程119

8．1．3 概念模型及其在知识获取中的作用121

8．2基于规则的专家系统122

8．2．1 产生式系统与目标驱动的问题求解122

8．2．2 目标驱动的推理的解释与透明性124

8．2．3 产生式系统与数据驱动的推理125

8．2．4 专家系统的启发性与控制127

8．3 基于模型、基于事例和混合系统128

8．3．1 基于模型的推理导引128

8．3．2 基于模型的推理：NASA的例子130

8．3．3 基于事例的推理导引132

8．3．4 混合设计134

8．4 规划137

8．4．1 STRIPS139

8．4．2 目的一反应式规划142

8．4．3 规划：NASA的例子143

练习145

第9章 不确定推理146

9．1 基于逻辑的反绎推理147

9．1．1 非单调推理逻辑147

9．1．2 真值维护系统149

9．1．3 基于最小模型的逻辑153

9．1．4 集合覆盖与基于逻辑的反绎154

9．2 反绎：替代逻辑156

9．2．1 肯定因数代数156

9．2．2 模糊推理158

9．2．3 Dempster和Sharer的证据论160

9．3 不确定性的随机途径164

9．3．1 有向图模型：贝叶斯信念网络164

9．3．2 有向图模型：d－分隔165

9．3．3 有向图模型：推理算法166

9．3．4 有向图模型：动态贝叶斯网络168

9．3．5 Markov模型：离散Markov过程169

9．3．6 Markov模型：改型171

练习171

第10章 基于符号的机器学习173

10．1 基于符号的学习框架174

10．2 版本空间搜索178

10．2．1 一般化操作与概念空间178

10．2．2 候选排除算法179

10．2．3 LEX：归纳搜索启发式182

10．2．4 候选排除算法的评价185

10．3 ID3决策树归纳算法185

10．3．1 自顶向下归纳决策树187

10．3．2 信息论的测试选择188

10．3．3 评价ID3190

10．3．4 决策树的数据问题190

10．4 归纳偏向与学习能力191

10．4．1 归纳偏向191

10．4．2 学习能力理论192

10．5 知识与学习193

10．5．1 基于解释的学习194

10．5．2 类比推理197

10．6 无监督的学习199

10．6．1 发现与无监督的学习199

10．6．2 概念聚类200

10．6．3 COBWEB与分类知识的结构201

10．7 增强式学习205

10．7．1 增强式学习的成分205

10．7．2 示例：井字棋博弈206

10．7．3 增强式学习的推理算法208

练习209

第11章 神经网络210

11．1 神经网络基础211

11．2 感知器学习212

11．2．1 感知器训练算法212

11．2．2 感知器学习用于分类213

11．2．3 梯度下降法与δ－规则215

11．3 反向传播学习217

11．3．1 反向传播算法217

11．3．2 例1：NETtalk218

11．3．3 例2：异或函数219

11．4 竞争学习220

11．4．1 分类的WTA学习算法220

11．4．2 Kohonen的学习原型网络221

11．4．3 重复传播网络222

11．5 Hebb的叠合学习224

11．5．1 无监督Hebb学习示例225

11．5．2 有监督Hebb学习226

11．5．3 结合存储与线性结合器227

11．6 吸引状态网络229

11．6．1 双向结合存储230

11．6．2 BAM处理示例231

11．6．3 自结合存储与Hopfield网络233

练习235

第12章 学习的遗传与浮现模型236

12．1 遗传算法237

12．1．1 遗传算法示例238

12．1．2 遗传算法的评价240

12．2 分类器系统与遗传程序设计242

12．2．1 分类器系统242

12．2．2 遗传程序设计245

12．3 人工生命和基于社会的学习249

12．3．1 “生命博弈”249

12．3．2 进化规划251

12．3．3 浮现的专题研究252

练习255

第13章 自动推理256

13．1 通用问题求解器256

13．2 归结定理证明器260

13．2．1 谓词演算表达式化为短句集合261

13．2．2 归结证明程序263

13．2．3 归结策略和简化技术265

13．2．4 由归结反驳抽取答案268

13．3 PROLOG与自动推理269

练习273

第14章 自然语言理解275

14．1 理解语言的符号途径277

14．2 语法279

14．2．1 上下文无关文法的规范与分析279

14．3 跃迁网分析器与语义280

14．3．1 跃迁网分析器280

14．3．2 Chomsky层次与上下文有关文法283

14．3．3 语义：ATN分析器285

14．3．4 用ATN组合语法和语义知识288

14．4 语言理解的随机工具291

14．4．1 语法分析的概率途径291

14．4．2 概率上下文无关分析器292

14．5 自然语言的应用293

14．5．1 故事理解与回答问题293

14．5．2 数据库前端294

14．5．3 对Web的信息抽取和摘要系统296

练习298

第15章 结束语：评述与展望300

15．1 对AI几种途径的评述301

15．1．1 智能与物理符号系统假设301

15．1．2 连接主义计算303

15．1．3 agent、浮现与智能305

15．1．4 概率模型和随机技术307

15．2 现代认知科学308

15．2．1 心理学的约束308

15．2．2 认识论问题309

15．3 AI：当前的挑战与未来方向314

附录A 随机方法导论317

附录B 随机方法的应用330

参考文献345