人工智能

第0章  緒論
  0.1  什么是人工智能
  0.2  圖靈測試
  0.3  中文屋子問題
  o.4  人工智能的研究目標
  o.5  人工智能發(fā)展簡史
  0.6  人工智能研究的課題
第1章  搜索問題
  1.1  回溯策略
  1.2  圖搜索策略
  1.3  無信息圖搜索過程
  1.4  啟發(fā)式圖搜索過程
  1.5  搜索算法討論
  習題
第2章  與或圖搜索問題
  2.1  與或圖的搜索
  2.2  與或圖的啟發(fā)式搜索算法AO
  2.3  博弈樹的搜索
  習題
第3章  謂詞邏輯與歸結(jié)原理
  3.1  命題邏輯
  3.1.1  命題
  3.1.2  命題公式
  3.1.3  命題邏輯的意義
  3.1.4  命題邏輯的推理規(guī)則
  3.1.5  命題邏輯的歸結(jié)方法
  3.2  謂詞邏輯基礎(chǔ)
  3.2.1  謂詞基本概念
  3.2.2  一階謂詞邏輯
  3.2.3  謂詞演算與推理
  3.2.4  謂詞知識表示
  3.3  謂詞邏輯歸結(jié)原理
  3.3.1  歸結(jié)原理概述
  3.3.2  Skolem標準型
  3.3.3  子句集
  3.3.4  置換與合一
  3.3.5  歸結(jié)式
  3.3.6  歸結(jié)過程
  3.3.7  歸結(jié)過程控制策略
  3.4  Herbrand定理
  3.4.1  概述
  3.4.2  H域
  3.4.3  H解釋
  3.4.4  語義樹與Herbrand定理
  3.4.5  Herbrand定理
  3.4.6  Herbrand定理與歸結(jié)法的完備性
  習題
第4章  知識表示
  4.1  概述
  4.1.1  知識
  4.1.2  知識表示
  4.1.3  知識表示觀
  4.2  產(chǎn)生式表示
  4.2.1  事實與規(guī)則的表示
  4.2.2  產(chǎn)生式系統(tǒng)的結(jié)構(gòu)
  4.2.3  產(chǎn)生式系統(tǒng)的推理
  4.2.4  產(chǎn)生式表示的特點
  4.3  語義網(wǎng)絡表示
  4.3.1  語義網(wǎng)絡的結(jié)構(gòu)
  4.3.2  基本的語義關(guān)系
  4.3.3  語義網(wǎng)絡的推理
  4.3.4  語義網(wǎng)絡表示法的特點
  4.4  框架表示
  4.4.1  框架結(jié)構(gòu)
  4.4.2  框架表示下的推理
  4.4.3  框架表示法的特點
  4.5  其他表示方法
  4.5.1  腳本知識表示方法
  4.5.2  過程性知識表示法
  4.5.3  直接性知識表示方法
  習題
第5章  不確定性推理方法
  5.1  概述
  5.1.1  不確定性
  5.1.2  不確定性推理的基本問題
  5.1.3  不確定性推理方法的分類
  5.2  概率論基礎(chǔ)
  5.2.1  隨機事件
  5.2.2  事件的概率
  5.2.3  貝葉斯定理
  5.2.4  信任幾率
  5.3  貝葉斯網(wǎng)絡
  5.3.1  貝葉斯網(wǎng)絡基本概念
  5.3.2  貝葉斯網(wǎng)絡的推理模式
  5.4  主觀貝葉斯方法
  5.4.1  規(guī)則的不確定性
  5.4.2  證據(jù)的不確定性
  5.4.3  推理計算
  5.5  確定性方法
  5.5.1  規(guī)則的不確定性度量
  5.5.2  證據(jù)的不確定性度量
  5.5.3  不確定性的傳播與更新
  5.5.4  問題
  5.6  證據(jù)理論(D—Stheory)
  5.6.1  基本概念
  5.6.2  證據(jù)的不確定性
  5.6.3  規(guī)則的不確定性
  5.6.4  推理計算
  習題
第6章  機器學習
  6.1  概述
  6.1.1  機器學習的基本概念
  6.1.2  機器學習研究的意義
  6.1.3  機器學·習發(fā)展歷史
  6.1.4  機器學習分類
  6.2  機器學習的基本系統(tǒng)結(jié)構(gòu)
  6.2.1  環(huán)境
  6.2.2  知識庫
  6.2.3  學習環(huán)節(jié)
  6.2.4  執(zhí)行環(huán)節(jié)
  6.3  實例學習
  6.3.1  實例學習的基本概念
  6.3.2  實例學習方法的分類
  6.3.3  變型空間法
  6.4  解釋學習
  6.4.1  解釋學習的基本概念
  6.4.2  解釋學習方法
  6.5  決策樹學習
  6.5.1  概述
  6.5.2  1D3算法
  6.6  神經(jīng)網(wǎng)絡學習
  6.6.1  神經(jīng)網(wǎng)絡基礎(chǔ)
  6.6.2  前饋型人工神經(jīng)網(wǎng)絡
  6.6.3  自組織競爭人工神經(jīng)網(wǎng)絡
  6.6.4  人工神經(jīng)網(wǎng)絡的應用
  習題
第7章  高級搜索
  7.1  基本概念
  7.1.1  組合優(yōu)化問題
  7.1.2  鄰域
  7.2  局部搜索算法
  7.3  模擬退火算法
  7.3.1  固體退火過程
  7.3.2  模擬退火算法
  7.3.3  參數(shù)的確定
  7.3.4  應用舉例——旅行商問題
  7.4  遺傳算法
  7.4.1  生物進化與遺傳算法
  7.4.2  遺傳算法的實現(xiàn)問題
  習題
參考文獻