人工智能原理及其应用 第4版【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

人工智能原理及其应用 第4版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 人工智能概述1

1.1 人工智能的基本概念1

1.1.1 智能的概念1

1.1.2 人工智能的概念3

1.1.3 人工智能的研究目标3

1.2 人工智能的产生与发展4

1.2.1 孕育期（1956年之前）4

1.2.2 形成期（1956年到20世纪60年代末）5

1.2.3 知识应用期（20世纪70年代初到80年代初）5

1.2.4 从学派分立走向综合（20世纪80年代中到21世纪初）7

1.2.5 机器学习和深度学习引领发展（21世纪初至今）7

1.3 人工智能研究的基本内容7

1.3.1 智能的脑与认知机理研究7

1.3.2 智能模拟的理论、方法和技术研究8

1.4 人工智能研究中的不同学派9

1.4.1 符号主义9

1.4.2 连接主义10

1.4.3 行为主义10

1.5 人工智能的研究和应用领域11

1.5.1 机器思维11

1.5.2 机器学习12

1.5.3 机器感知14

1.5.4 机器行为15

1.5.5 计算智能16

1.5.6 分布智能17

1.5.7 智能系统18

1.5.8 人工心理和人工情感18

1.5.9 人工智能的典型应用19

习题121

第2章 确定性知识系统23

2.1 确定性知识系统概述23

2.1.1 确定性知识表示概述23

2.1.2 确定性知识推理概述25

2.2 确定性知识表示方法27

2.2.1 谓词逻辑表示法27

2.2.2 产生式表示法34

2.2.3 语义网络表示法36

2.2.4 框架表示法42

2.3 确定性知识推理方法46

2.3.1 产生式推理46

2.3.2 自然演绎推理51

2.3.3 归结演绎推理54

2.4 确定性知识系统简例63

2.4.1 产生式系统简例63

2.4.2 归结演绎系统简例65

习题266

第3章 不确定性知识系统70

3.1 不确定性推理概述70

3.1.1 不确定性推理的含义70

3.1.2 不确定性推理的基本问题71

3.1.3 不确定性推理的类型72

3.2 可信度推理73

3.2.1 可信度的概念73

3.2.2 可信度推理模型73

3.2.3 可信度推理的例子77

3.3 主观Bayes推理78

3.3.1 主观Bayes方法的概率论基础78

3.3.2 主观Bayes方法的推理模型79

3.3.3 主观Bayes推理的例子83

3.3.4 主观Bayes推理的特性85

3.4 证据理论85

3.4.1 证据理论的形式化描述86

3.4.2 证据理论的推理模型90

3.4.3 推理实例91

3.4.4 证据理论推理的特性93

3.5 模糊推理93

3.5.1 模糊集及其运算93

3.5.2 模糊关系及其运算96

3.5.3 模糊知识表示98

3.5.4 模糊概念的匹配99

3.5.5 模糊推理的方法100

3.6 概率推理104

3.6.1 贝叶斯网络的概念及理论105

3.6.2 贝叶斯网络推理的概念和类型108

3.6.3 贝叶斯网络的精确推理109

3.6.4 贝叶斯网络的近似推理110

习题3111

第4章 智能搜索技术115

4.1 搜索概述115

4.1.1 搜索的含义115

4.1.2 状态空间问题求解方法116

4.1.3 问题归约求解方法119

4.1.4 进化搜索法概述122

4.2 状态空间的启发式搜索125

4.2.1 启发性信息和估价函数125

4.2.2 A算法126

4.2.3 A＊算法128

4.2.4 A＊算法应用举例132

4.3 与/或树的启发式搜索133

4.3.1 解树的代价与希望树133

4.3.2 与/或树的启发式搜索过程134

4.4 博弈树的启发式搜索136

4.4.1 博弈概述136

4.4.2 极大/极小过程137

4.4.3 α-β剪枝138

4.5 遗传算法139

4.5.1 遗传算法中的基本概念139

4.5.2 遗传算法的基本过程139

4.5.3 遗传编码140

4.5.4 适应度函数142

4.5.5 基本遗传操作143

4.5.6 遗传算法应用简例148

习题4151

第5章 机器学习153

5.1 机器学习概述153

5.1.1 学习的概念153

5.1.2 机器学习的概念154

5.1.3 机器学习系统的基本模型156

5.2 记忆学习157

5.3 示例学习158

5.3.1 示例学习的类型159

5.3.2 示例学习的模型159

5.3.3 示例学习的归纳方法161

5.4 决策树学习162

5.4.1 决策树的概念162

5.4.2 ID3算法163

5.5 统计学习169

5.5.1 小样本统计学习理论169

5.5.2 支持向量机171

5.6 集成学习176

5.6.1 集成学习概述176

5.6.2 AdaBoost算法178

5.6.3 Bagging算法184

5.7 粗糙集知识发现185

5.7.1 粗糙集概述185

5.7.2 粗糙集的基本理论186

5.7.3 决策表的约简188

习题5192

第6章 人工神经网络与连接学习194

6.1 概述194

6.1.1 人工神经网络概述194

6.1.2 连接学习概述195

6.2 人工神经网络的生物机理195

6.2.1 人脑神经元的结构及功能196

6.2.2 学习的神经机理198

6.3 人工神经元及人工神经网络的结构200

6.3.1 人工神经元的结构及模型200

6.3.2 人工神经网络的互连结构202

6.4 人工神经网络的浅层模型203

6.4.1 感知器模型203

6.4.2 BP网络模型206

6.4.3 Hopfield网络模型207

6.5 深层神经网络模型208

6.5.1 深度卷积神经网络208

6.5.2 深度波尔茨曼机与深度信念网络210

6.6 浅层连接学习211

6.6.1 连接学习规则211

6.6.2 感知器学习213

6.6.3 BP网络学习215

6.6.4 Hopfield网络学习221

6.7 深度学习224

6.7.1 深度学习概述224

6.7.2 深度卷积神经网络学习226

6.7.3 卷积神经网络学习的经典模型LeNet5234

习题6237

第7章 分布智能239

7.1 分布智能概述239

7.1.1 分布智能的概念239

7.1.2 分布式问题求解240

7.1.3 多Agent系统241

7.2 Agent的结构243

7.2.1 Agent的机理243

7.2.2 反应Agent的结构244

7.2.3 认知Agent的结构245

7.2.4 混合Agent的结构245

7.3 多Agent系统246

7.3.1 Agent通信246

7.3.2 多Agent合作250

7.4 移动Agent256

7.4.1 移动Agent系统的一般结构256

7.4.2 移动Agent的实现技术及应用257

习题7259

第8章 智能应用简介261

8.1 自然语言理解简介261

8.1.1 自然语言理解的基本概念261

8.1.2 词法分析263

8.1.3 句法分析264

8.1.4 语义分析268

8.2 专家系统简介270

8.2.1 专家系统概述271

8.2.2 基于规则和基于框架的专家系统274

8.2.3 模糊专家系统和神经网络专家系统275

8.2.4 基于Web的专家系统278

8.2.5 分布式和协同式专家系统279

8.2.6 专家系统的开发281

习题8286

附录A 新一代人工智能简介288

A.1 新一代人工智能基础理论简介288

A.2 新一代人工智能关键共性技术简介291

参考文献294