人工智能及其應用

第一篇 高級推理技術
第1章 傳統(tǒng)的推理技術
1.1 命題邏輯與謂詞邏輯概論
1.1.1 命題邏輯
1.1.2 謂詞邏輯
1.2 基于傳統(tǒng)邏輯的推理機制
1.2.1 推理基礎
1.2.2 基于傳統(tǒng)邏輯的推理
小結
習題
第2章 專家系統(tǒng)MYCIN的不確定性推理方法
2.1 不確定性推理
2.1.1 不確定性推理概述
2.1.2 不確定性推理中的基本問題
2.2 MYCIN的可信度概念
2.3 MYCIN的不精確推理模型
2.3.1 知識不確定性的表示
2.3.2 證據(jù)不確定性的表示
2.3.3 組合證據(jù)不確定性的算法
2.3.4 不確定性的傳遞算法：
2.3.5 結論不確定性的合成算法
2.4 帶加權因子的可信度推理
小結
習題
第3章 主觀bayes方法
3.1 概率論的簡單回顧
3.2 主觀Bayes方法的基本理論
3.2.1 知識不確定性的表示
3.2.2 主觀BayeS方法的基本算法
3.3 主觀BayeS方法的推理模型
3.3.1 組合證據(jù)不確定性的計算
3.3.2 證據(jù)不確定性的傳遞
3.3.3 結論不確定性的合成
小結
習題
第4章 模糊推理
4.1 模糊數(shù)學的基本知識
4.1.1 模糊集合
4.1.2 模糊關系及其運算
4.2 模糊假言推理
4.2.1 模糊知識的表示
4.2.2 前提的模糊匹配
4.2.3 簡單模糊推理
小結
習題
第5章 證據(jù)理論
5.1 基本理論
5.1.1 命題的表示
5.1.2 概率分配函數(shù)
5.1.3 信任函數(shù)
5.1.4 似然函數(shù)
5.1.5 概率分配函數(shù)的正交和
5.2 證據(jù)理論的推理模型
5.2.1 一個特殊的概率分配函數(shù)
5.2.2 類概率函數(shù)
5.2.3 規(guī)則的表示方法
5.2.4 多前提組合的CER計算
5.2.5 不確定性的傳遞算法
小結
習題
第6章 非單調推理
6.1 缺省理論
6.1.1 缺省規(guī)則的形式
6.1.2 缺省規(guī)則的分類
6.2 界限理論
6.3 正確性維持系統(tǒng)
小結
習題
第二篇 機器學習
第7章 機器學習概論
7.1 機器學習模型與形式化
7.1.1 機器學習模型
7.1.2 機器學習模型的形式化
7.2 學習系統(tǒng)的結構和訓練樣例
7.2.1 設計目標函數(shù)
7.2.2 目標函數(shù)的表示形式
7.2.3 設計函數(shù)逼近算法
7.2.4 訓練經(jīng)驗的選擇
7.2.5 最終設計
7.3 學習系統(tǒng)的觀點和問題
小結
習題
第8章 概念學習
8.1 什么是概念學習
8.2 概念學習的搜索空間
8.3 假設空間的偏序關系
8.4 尋找極大特殊假設的FIND-S算法.
8.5 變型空間和候選消除算法
8.5.1 變型空間的定義
8.5.2 列表后消除算法
8.5.3 候選消除算法
8.5.4 變型空間和候選消除算法的幾點說明
小結
習題
第9章 決策樹學習
9.1 決策樹表示法及其含義
9.2 決策樹學習的適用問題
9.3 決策樹學習的IDl3算法
9.4 最佳屬性的選擇
9.4.1 用熵度量系統(tǒng)的混亂程度
9.4.2 信息增益最佳分類屬性
9.4.3 決策樹計算舉例
9.5 決策樹學習的問題
小結
習題
第10章 學習規(guī)則集合
10.1 學習命題邏輯規(guī)則
10.2 學習一階邏輯規(guī)則
10.2.1 假設的產(chǎn)生
10.2.2 歸納推理
10.2.3 FoIL算法
小結
習題
第三篇 計算智能
第11章 人工神經(jīng)網(wǎng)絡
11.1 腦神經(jīng)系統(tǒng)與生物神經(jīng)元的結構與特征
11.2 人工神經(jīng)元的結構與模型
11.2.1 人工神經(jīng)元
11.2.2 常用的人工神經(jīng)元模型
11.3 人工神經(jīng)網(wǎng)絡的互連結構
11.3.1 單層或兩層網(wǎng)絡結構
11.3.2 多層網(wǎng)絡結構
11.4 感知器及其訓練法則
11.4.1 感知器的定義與空間劃分
……
第四篇 自然語言理解與感知
第14章 概述
第15章 語法分析和語義分析
第16章 基于語料庫的自然語言理解
第17章 計算機視覺
第18章 語音處理
第五篇 分布式人工智能
第19章 概述
第20章 Agent技術
第六篇 人工智能的應用
第21章 漢語自然語言處理
第22章 光學字符識別技術
第23章 移動Agent技術
第七篇 人工智能的現(xiàn)在與未來
第24章 對人工智能的思考
參考文獻