人工智能入門

第1章 概述
1.1 什么是人工智能
1.1.1 人工智能的定義
1.1.2 人工智能的分級
1.2 人工智能的產(chǎn)生背景及主要學(xué)派
1.3 圖靈測試
1.4 人工智能的發(fā)展歷程
1.5 無處不在的人工智能
1.6 人工智能的技術(shù)特征
1.7 新一代人工智能的研究
1.8 未來人工智能展望
習(xí)題1
第2章 用搜索實現(xiàn)問題求解
2.1 搜索求解問題的基本思路
2.2 實現(xiàn)搜索過程的三大要素
2.2.1 搜索對象
2.2.2 擴展規(guī)則
2.2.3 目標測試
2.3 實現(xiàn)搜索的基本步驟
2.4 搜索的幾種基本策略
2.4.1 盲目的搜索方法
2.4.2 啟發(fā)式搜索
習(xí)題2
第3章 圖搜索算法
3.1 或圖搜索
3.1.1 或圖搜索算法
3.1.2 A算法與A”算法
3.2 與/或圖搜索
3.2.1 問題歸約求解方法和“與/或圖”
3.2.2 與/或圖的構(gòu)造方法
3.2.3 與/或圖的搜索過程
3.2.4 與/或圖搜索算法A0
3.2.5 用AO”算法求解一個智力問題
習(xí)題3
第4章 博弈與搜索
4.1 博弈問題
4.2 極小極大搜索算法
4.2.1 極小極大搜索的思想
4.2.2 極小極大搜索算法的具體內(nèi)容
4.2.3 算法分析與舉例
4.3 a-β剪枝算法
4.4 AlphaGo搜索策略
4.4.1 圍棋博弈程序的發(fā)展
4.4.2 AlphaGo博弈樹搜索算法的改進
4.4.3 MCTS算法的四個基本步驟
習(xí)題4
第5章 演化計算與遺傳算法
5.1 演化計算與演化算法
5.1.1 演化算法的基本結(jié)構(gòu)
5.1.2 演化算法的設(shè)計
5.1.3 演化算法的特點
5.2 遺傳算法
5.2.1 遺傳算法的基本結(jié)構(gòu)
5.2.2 遺傳算法的實現(xiàn)
5.2.3 遺傳算法舉例
5.3 遺傳算法的應(yīng)用領(lǐng)域
習(xí)題5
第6章 群集智能
6.1 粒子群優(yōu)化算法
6.1.1 粒子群優(yōu)化算法的基本描述
6.1.2 粒子群優(yōu)化算法的實現(xiàn)
6.1.3 粒子群優(yōu)化算法應(yīng)用實例
6.2 蟻群優(yōu)化算法
6.2.1 蟻群優(yōu)化的原理
6.2.2 蟻群優(yōu)化算法的實現(xiàn)
6.2.3 蟻群優(yōu)化算法應(yīng)用實例
習(xí)題6
第7章 經(jīng)典邏輯知識表示和推理
7.1 產(chǎn)生式知識表示及推理
7.1.1 產(chǎn)生式系統(tǒng)的組成
7.1.2 產(chǎn)生式系統(tǒng)的知識表示
7.1.3 產(chǎn)生式系統(tǒng)的推理方式
7.1.4 產(chǎn)生式規(guī)則的選擇與匹配
7.1.5 產(chǎn)生式知識表示的特點
7.2 命題知識表示及推理方法
7.2.1 基本概念
7.2.2 命題演算的歸結(jié)方法
7.3 謂詞邏輯知識表示及推理
7.3.1 知識的謂詞邏輯表示法
7.3.2 謂詞邏輯自動推理的基本問題
7.3.3 將公式化成標準子句形式的步驟
7.3.4 合一算法
7.3.5 謂詞邏輯的歸結(jié)算法
7.3.6 推理中的相等意義的轉(zhuǎn)換策略
7.4 一個推理實例
習(xí)題7
第8章 非經(jīng)典邏輯知識的表示與推理
8.1 非單調(diào)推理
8.1.1 單調(diào)推理與非單調(diào)推理的概念
8.1.2 默認邏輯
8.2 證據(jù)理論
8.2.1 識別框架
8.2.2 基本概率分配函數(shù)
8.2.3 置信函數(shù)
8.2.4 置信區(qū)間
8.2.5 證據(jù)的組合函數(shù)
8.2.6 D-S證據(jù)理論的評價
8.3 不確定性推理
8.3.1 不確定性
8.3.2 主觀概率貝葉斯方法
8.4 模糊推理
8.4.1 模糊推理的基本理論
8.4.2 Fuzzy邏輯
習(xí)題8
第9章 神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)
9.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
9.1.1 人工神經(jīng)網(wǎng)絡(luò)的定義
9.1.2 人工神經(jīng)網(wǎng)絡(luò)的基本原理
9.1.3 人工神經(jīng)網(wǎng)絡(luò)互連結(jié)構(gòu)
9.1.4 神經(jīng)網(wǎng)絡(luò)模型分類
9.2 幾種典型的神經(jīng)網(wǎng)絡(luò)簡介
9.2.1 單層前向網(wǎng)絡(luò)
9.2.2 多層前向網(wǎng)絡(luò)及BP學(xué)習(xí)算法
9.2.3 Hopfield神經(jīng)網(wǎng)絡(luò)
9.3 卷積神經(jīng)網(wǎng)絡(luò)
9.3.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
9.3.2 參數(shù)減少與權(quán)值共享
9.3.3 池化
9.3.4 全連接層
9.4 神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域
習(xí)題9
第10章 機器學(xué)習(xí)與深度學(xué)習(xí)
10.1 概述
10.1.1 機器學(xué)習(xí)的定義和意義
10.1.2 機器學(xué)習(xí)的研究簡史
10.1.3 機器學(xué)習(xí)方法的分類
10.1.4 機器學(xué)習(xí)中的推理方法
10.2 歸納學(xué)習(xí)
10.2.1 歸納概念學(xué)習(xí)的定義
10.2.2 歸納概念學(xué)習(xí)算法的一般步驟
10.2.3 歸納概念學(xué)習(xí)的基本技術(shù)
10.3 基于類比的學(xué)習(xí)
10.3.1 類比學(xué)習(xí)的一般原理
10.3.2 類比學(xué)習(xí)的表示
10.3.3 類比學(xué)習(xí)的求解
10.4 深度學(xué)習(xí)
10.4.1 什么是深度學(xué)習(xí)
10.4.2 特征提取
10.4.3 自動特征提取
10.4.4 深度學(xué)習(xí)直觀理解
習(xí)題10
第11章 數(shù)據(jù)挖掘與Web挖掘
11.1 一般數(shù)據(jù)挖掘方法
11.1.1 數(shù)據(jù)挖掘的定義
11.1.2 數(shù)據(jù)挖掘研究的主要內(nèi)容
11.1.3 數(shù)據(jù)挖掘的任務(wù)
11.1.4 數(shù)據(jù)挖掘的特點
11.1.5 數(shù)據(jù)挖掘常用的技術(shù)
11.1.6 數(shù)據(jù)挖掘過程
11.2 關(guān)聯(lián)規(guī)則挖掘
11.2.1 問題的形式化描述