人工智能導論

前言
第1章 緒論
1．1 人工智能的定義
1．2 人工智能的發(fā)展史
1．3 主要研究內容
1．4 人工智能的主要學派
1．4．1 符號主義
1．4．2 連接主義
1．4．3 行為主義
1．5 人工智能的應用
1．6 本章小結
習題

第2章 知識表示
2．1 引言
2．2 謂詞邏輯表示法
2．2．1 一階謂詞邏輯
2．2．2 知識的謂詞邏輯表示法
2．3 產生式表示法
2．3．1 事實的表示
2．3．2 規(guī)則的表示
2．4 語義網絡表示法
2．4．1 語義網絡的概念和結構
2．4．2 常用的語義聯系
2．5 框架表示法
2．5．1 框架結構
2．5．2 框架網絡
2．6 狀態(tài)空間表示法
2．7 本體表示法
2．8 本章小結
習題

第3章 搜索算法
3．1 引言
3．2 盲目搜索
3．2．1 深度優(yōu)先搜索
3．2．2 寬度優(yōu)先搜索
3．3 啟發(fā)式搜索
3．3．1 啟發(fā)性信息和評估函數
3．3．2 通用圖搜索算法
3．3．3 A*算法
3．4 博弈搜索
3．4．1 極大極小過程
3．4．2 α-β過程
3．5 本章小結
習題

第4章 自動推理
4．1 引言
4．2 三段論推理
4．3 自然演繹推理
4．4 歸結演繹推理
4．4．1 子句型
4．4．2 置換和合一
4．4．3 合一算法
4．4．4 歸結式
4．4．5 歸結反演
4．4．6 答案的提取
4．4．7 歸結反演的搜索策略
4．5 產生式
4．5．1 產生式的基本結構
4．5．2 正向推理
4．5．3 反向推理
4．5．4 混合推理
4．6 本章小結
習題

第5章 機器學習
5．1 引言
5．1．1 簡單的學習模型
5．1．2 什么是機器學習
5．1．3 機器學習的研究概況
5．2 歸納學習
5．3 類比學習
5．3．1 相似性
5．3．2 基于案例的推理
5．3．3 遷移學習
5．4 統(tǒng)計學習
5．4．1 邏輯回歸
5．4．2 支持向量機
5．5 聚類
5．6 強化學習
5．6．1 強化學習模型
5．6．2 Q-學習
5．7 進化計算
5．8 群體智能
5．8．1 蟻群算法
5．8．2 粒子群優(yōu)化
5．9 本章小結
習題

第6章 人工神經網絡與深度學習
6．1 引言
6．2 前饋神經網絡
6．3 深度學習
6．4 卷積神經網絡
6．5 生成對抗網絡
6．6 深度強化學習
6．7 本章小結
習題

第7章 專家
7．1 引言
7．1．1 什么是專家
7．1．2 專家的發(fā)展過程
7．2 專家的基本結構
7．3 專家MYCIN
7．3．1 咨詢子
7．3．2 靜態(tài)數據庫
7．3．3 控制策略
7．3．4 不確定性推理
7．4 專家開發(fā)工具
7．4．1 OKPS中的知識表示
7．4．2 推理控制語言ICL
7．5 專家應用
7．6 本章小結
習題

第8章 自然語言處理
8．1 引言
8．2 自然語言處理的層次
8．3 機器翻譯
8．4 對話
8．5 問答
8．6 文本生成
8．7 本章小結
習題

第9章 多智能體
9．1 引言
9．2 智能體結構
9．2．1 慎思智能體
9．2．2 反應智能體
9．2．3 層次智能體
9．3 智能體通信語言ACL
9．4 協調和協作
9．4．1 合同網
9．4．2 基于生態(tài)學的協作
9．4．3 基于博弈論的協商
9．5 移動智能體
9．6 本章小結
習題

第10章 智能機器人
10．1 引言
10．2 機器人的智能技術
10．2．1 智能感知技術
10．2．2 智能導航與規(guī)劃
10．2．3 智能控制與操作
10．2．4 情感計算
10．2．5 智力發(fā)育
10．2．6 智能交互
10．3 智能機器人應用
10．4 智能機器人發(fā)展趨勢
10．5 本章小結
習題

第11章 互聯網智能
11．1 引言
11．2 語義Web
11．2．1 語義Web的層次模型
11．2．2 Web技術演化
11．3 本體知識管理
11．4 搜索引擎
11．5 知識圖譜
11．5．1 知識圖譜的定義
11．5．2 知識圖譜的架構
11．5．3 知識圖譜的構建
11．5．4 知識圖譜的應用
11．6 集體智能
11．6．1 集體智能的定義
11．6．2 社群智能
11．6．3 集體智能
11．6．4 腦
11．7 本章小結
習題

第12章 類腦智能
12．1 引言
12．2 大數據智能
12．3 腦科學與類腦研究
12．3．1 歐盟人腦計劃
12．3．2 美國腦計劃
12．3．3 中國腦計劃
12．4 神經形態(tài)芯片
12．5 類腦智能路線圖
習題
參考文獻