第一部分 人工智能的淵源及范圍
第1章 人工智能的歷史及應用
1. 1 從伊甸園到第一臺電子計算機：對智慧. 知識和人類技能的態(tài)度
1. 1. 1 歷史基礎
1. 1. 2 邏輯的發(fā)展
1. 1. 3 圖靈測試
1. 1. 4 智能的生物和社會模型：主體
1. 2 人工智能的應用領域
1. 2. 1 博弈
1. 2. 2 自動推理和定理證明
1. 2. 3 專家系統(tǒng)
1. 2. 4 自然語言理解和語義建模
1. 2. 5 對人類表現(xiàn)建模
1. 2. 6 規(guī)劃和機器人
1. 2. 7 人工智能的語言和環(huán)境
1. 2. 8 機器學習
1. 2. 9 另類表示：神經網絡和遺傳算法
1. 2. 10 AI和哲學
1. 3 人工智能的概括
1. 4 結語和參考文獻
1. 5 練習
第二部分 作為表示和搜索的人工智能
第2章 謂詞演算
2. 0 簡介
2. 1 命題演算
2. 1. 1 符號和語句
2. 1. 2 命題演算的語義
2. 2 謂詞演算
2. 2. 1 謂詞的語法和語句
2. 2. 2 謂詞演算的語義
2. 2. 3 語義含義的積木世界例子
2. 3 使用推理規(guī)則產生謂詞演算表達式
2. 3. 1 推理規(guī)則
2. 3. 2 合一算法
2. 3. 3 合一的例子
2. 4 應用：一個基于邏輯的財務顧問
2. 5 結語和參考文獻
2. 6 練習
第3章 用以搜索狀態(tài)空間的結構和策略
3. 0 簡介
3. 1 圖論
3. 1. 1 狀態(tài)空間搜索的結構
3. 1. 2 問題的狀態(tài)空間表示
3. 2 用于狀態(tài)空間搜索的策略
3. 2. 1 數(shù)據(jù)驅動搜索和目標驅動搜索
3. 2. 2 圖搜索的實現(xiàn)
3. 2. 3 深度優(yōu)先搜索和寬度優(yōu)先搜索
3. 2. 4 迭代加深的深度優(yōu)先搜索
3. 3 利用狀態(tài)空間來表示謂詞演算推理
3. 3. 1 邏輯系統(tǒng)的狀態(tài)空間描述
3. 3. 2 與或圖
3. 3. 3 進一步的例子和應用
3. 4 結語和參考文獻
3. 5 練習
第4章 啟發(fā)式搜索
4. 0 簡介
4. 1 啟發(fā)式搜索算法
4. 1. 1 實現(xiàn)最佳優(yōu)先搜索
4. 1. 2 實現(xiàn)啟發(fā)評估函數(shù)
4. 1. 3 啟發(fā)式搜索和專家系統(tǒng)
4. 2 可采納性. 單調性和信息度
4. 2. 1 可采納性尺度
4. 2. 2 單調性
4. 2. 3 信息度更高的啟發(fā)是更好的啟發(fā)
4. 3 在博弈中使用啟發(fā)
4. 3. 1 針對可窮舉搜索情況的極小極大過程
4. 3. 2 固定層深的極小極大過程
4. 3. 3 a-B過程
4. 4 復雜度問題
4. 5 結語和參考文獻
4. 6 練習
第5章 狀態(tài)空間搜索的控制和實現(xiàn)
5. 0 簡介
5. 1 基于遞歸的搜索
5. 1. 1 遞歸
5. 1. 2 遞歸搜索
5. 2 模式導向搜索
5. 2. 1 遞歸搜索實例：騎士周游問題
5. 2. 2 改進模式搜索算法
5. 3 產生式系統(tǒng)
5. 3. 1 定義和歷史
5. 3. 2 產生式系統(tǒng)的例子
5. 3. 3 產生式系統(tǒng)中的搜索控制
5. 3. 4 產生式系統(tǒng)的優(yōu)點
5. 4 用于問題求解的黑板結構
5. 5 結語和參考文獻
5. 6 練習
第三部分 表示和智能：AI中的挑戰(zhàn)
第6章 知識表示
6. 0 知識表示問題
6. 1 AI表象圖式的簡要歷史
6. 1. 1 語義關聯(lián)理論
6. 1. 2 語義網絡的早期研究
6. 1. 3 網絡關系的標準化
6. 1. 4 腳本
6. 1. 5 框架
6. 2 概念圖：網絡語言
6. 2. 1 概念圖簡介
6. 2. 2 類型. 個體和名字
6. 2. 3 類型層次
6. 2. 4 泛化和特化
6. 2. 5 命題結點
6. 2. 6 概念圖和邏輯
6. 3 顯式表示的替代方法
6. 3. 1 Brookss假設和包容結構
6. 3. 2 Copycat結構
6. 4 基于主體的和分布式的問題求解方法
6. 4. 1 面向主體的問題求解：定義
6. 4. 2 面向主體模式的應用領域以及存在的問題
6. 5 結語和參考文獻
6. 6 練習
第7章 求解問題的強方法
7. 0 簡介
7. 1 專家系統(tǒng)技術概覽
7. 1. 1 基于規(guī)則的專家系統(tǒng)
7. 1. 2 問題選擇和知識工程的步驟
7. 1. 3 概念模型及其在知識獲取中的作用
7. 2 基于規(guī)則的專家系統(tǒng)
7. 2. 1 產生式系統(tǒng)和目標驅動問題求解
7. 2. 2 目標驅動推理中的解釋和-透明性
7. 2. 3 利用產生式系統(tǒng)進行數(shù)據(jù)驅動推理
7. 2. 4 專家系統(tǒng)的啟發(fā)和控制
7. 3 基于模型系統(tǒng). 基于案例系統(tǒng)和混合系統(tǒng)
7. 3. 1 基于模型推理簡介
7. 3. 2 基于模型推理：來自NASA的例子(Williams and Nayak)
7. 3. 3 基于案例推理介紹
7. 3. 4 混合設計：強方法系統(tǒng)的優(yōu)勢和不足
7. 4 規(guī)劃
7. 4. 1 簡介
7. 4. 2 使用規(guī)劃宏：STRIPS
7. 4. 3 teleo-reactive規(guī)劃(Nilsson 1994, Benson 1995)
7. 4. 4 規(guī)劃：來自NASA的例子(Williams and Nayak)
7. 5 結語和參考文獻
7. 6 練習
第8章 不確定條件下的推理
8. 0 簡介
8. 1 基于邏輯的反繹推理
8. 1. 1 非單調推理邏輯
8. 1. 2 真值維護系統(tǒng)
8. 1. 3 基于最小模型的邏輯
8. 1. 4 集合覆蓋和基于邏輯的反繹(Stern 1996)
8. 2 反繹：邏輯之外的辦法
8. 2. 1 Stanford確信度代數(shù)
8. 2. 2 模糊集推理
8. 2. 3 Dempster-Shafer證據(jù)理論
8. 3 統(tǒng)計的方法處理不確定性
8. 3. 1 貝葉斯推理
8. 3. 2 貝葉斯信念網絡
8. 4 結語和參考文獻
8. 5 練習
第四部分 機器學習
第9章 基于符號的機器學習
9. 0 概述
9. 1 基于符號的學習的框架
9. 2 變型空間搜索
9. 2. 1 泛化操作和概念空間
9. 2. 2 候選解排除算法
9. 2. 3 LEX：啟發(fā)式歸納搜索
9. 2. 4 評價候選解排除算法
9. 3 ID3決策樹歸納算法
9. 3. 1 自頂向下決策樹歸納
9. 3. 2 測試選擇的信息論方法
9. 3. 3 評價ID3
9. 3. 4 決策樹數(shù)據(jù)問題：打包. 推進
9. 4 歸納偏置和學習能力
9. 4. 1 歸納偏置
9. 4. 2 可學習性理論
9. 5 知識和學習
9. 5. 1 Meta-DENDRAL
9. 5. 2 基于解釋的學習
9. 5. 3 EBL和知識層學習
9. 5. 4 類比推理
9. 6 無監(jiān)督學習
9. 6. 1 發(fā)現(xiàn)和無監(jiān)督學習
9. 6. 2 概念聚類
9. 6. 3 COBWEB和分類知識的結構
9. 7 強化學習
9. 7. 1 強化學習的組成部分
9. 7. 2 一個例子：九宮游戲
9. 7. 3 強化學習的推理算法和應用
9. 8 結語和參考文獻
9. 9 練習
第10章 連接主義的機器學習
10. 0 介紹
10. 1 連接網絡的基礎
10. 2 感知機學習
10. 2. 1 感知機學習算法
10. 2. 2 例子：用感知機進行分類
10. 2. 3 用delta規(guī)則
10. 3 反傳學習
10. 3. 1 反傳算法的起源
10. 3. 2 反傳算法實例1：NETtalk
10. 3. 3 反傳算法實例2：異或
10. 4 競爭學習
10. 4. 1 對于分類的"勝者全拿"學習
10. 4. 2 學習原型的Kohonen網絡
10. 4. 3 Outstar網絡和逆?zhèn)?nbsp;
10. 5 Hebbian一致性學習
10. 5. 1 介紹
10. 5. 2 無監(jiān)督Hebbian學習的例子
10. 5. 3 有監(jiān)督Hebbian學習
10. 5. 4 關聯(lián)記憶和線性關聯(lián)器
10. 6 吸引子網絡或記憶
10. 6. 1 介紹
10. 6. 2 BAM, 雙向關聯(lián)記憶
10. 6. 3 BAM處理的例子
10. 6. 4 自相關記憶和Hopfield網絡
10. 7 結語和參考文獻
10. 8 練習
第11章 機器學習：社會性和涌現(xiàn)性
11. 0 社會性和涌現(xiàn)性的學習模型
11. 1 遺傳算法
11. 1. 1 兩個例子：CNF可滿足性問題和巡回推銷員問題
11. 1. 2 遺傳算法的評估
11. 2 分類器系統(tǒng)和遺傳程序設計
11. 2. 1 分類器系統(tǒng)
11. 2. 2 用遺傳算子進行程序設計
11. 3 人工生命和基于社會的學習
11. 3. 1 生命游戲
11. 3. 2 進化規(guī)劃
11. 3. 3 涌現(xiàn)的實例研究(Crutchfield and Mitchell 1994)
11. 4 結語和參考文獻
11. 5 練習
第五部分 智能問題求解高級主題
第12章 自動推理
12. 0 定理證明中的弱方法
12. 1 通用問題求解程序和差別表
12. 2 歸結定理證明
12. 2. 1 介紹
12. 2. 2 為進行歸結反駁生成子句形式
12. 2. 3 二元歸結證明過程
12. 2. 4 歸結策略和簡化技術
12. 2. 5 從歸結反駁中抽取解答
12. 3 PROLOG和自動推理
12. 3. 1 介紹
12. 3. 2 邏輯編程和PROLOG
12. 4 自動推理進一步的問題
12. 4. 1 弱方法求解的統(tǒng)一表示法
12. 4. 2 可選推理規(guī)則
12. 4. 3 搜索策略及其使用
12. 5 結語和參考文獻
12. 6 練習
第13章 自然語言理解
13. 0 自然語言理解問題
13. 1 解構語言：符號分析
13. 1. 1 介紹
13. 1. 2 語言分析的過程
13. 2 語法
13. 2. 1 使用上下文無關文法說明和解析
13. 2. 2轉移網絡解析器
13. 2. 3 喬姆斯基層次和上下文相關文法
13. 3 ATN解析器的語法和知識
13. 3. 1 擴充轉移網絡解析器
13. 3. 2 結合語法和語義知識
13. 4 語言分析隨機工具
13. 4. 1 介紹
13. 4. 2 馬爾科夫模型方法
15. 3 高階函數(shù)和抽象
15. 3. 1 映像和過濾器
15. 3. 2 函數(shù)參數(shù)和lambda表達式
15. 4 LISP中的搜索策略
15. 4. 1 寬度優(yōu)先和深度優(yōu)先搜索
15. 4. 2 最優(yōu)搜索
15. 5 LISP中的模式匹配
15. 6 遞歸合一函數(shù)
15. 7 解釋器和嵌入式語言
15. 8 LISP中的邏輯編程
15. 8. 1 一個簡單的邏輯編程語言
15. 8. 2 流和流處理
15. 8. 3 基于流的邏輯程序解釋器
15. 9 流和延遲分析
15. 10 一個LISP的專家系統(tǒng)外殼
15. 10. 1 實現(xiàn)確定性因子
15. 10. 2 lisp-shell的體系結構
15. 10, 3 用lisp-shell的分類
15. 11 LISP中的語義網絡和繼承
15. 12 用CLOS的面向對象的編程
15. 12. 1 CLOS中類和實例的定義
15. 12. 2 定義通用函數(shù)和方法
15. 12. 3 CLOS中的繼承
15. 12. 4 例子：自動調溫器仿真
15. 13 LISP中的學習：ID3算法,
15. 13. 1 用defstruct定義結構
15. 13. 2 ID3算法
15. 14 結語和參考文獻
15. 15 練習
第七部分 后 記
第16章 人工智能作為按經驗進行
探索的學科
16. 0 引言
16. 1 人工智能：修訂后的定義
16. 1. 1 人工智能和物理符號系統(tǒng)假設
16, 1. 2 連接或者"神經"計算
16. 1. 3 主體. 涌現(xiàn)和智能
16. 2 智能系統(tǒng)科學
16. 2. 1 心理學約束
16. 2. 2 認識論問題
16. 2. 3 情景角色和存在智能
16. 3 人工智能：當前的問題和未來的方向
16. 4 結語和參考文獻
參考文獻
作者索引
主題索引
鄂公網安備 42010302001612號 