人工智能教程PDF|Epub|txt|kindle电子书版本网盘下载

人工智能教程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

1.1　什么是人工智能1

1.1.1　智能的解释1

第1章 绪论1

1.1.2　人工智能的解释3

1.1.3　计算机与人工智能6

1.1.4　人类智能与人工智能7

1.1.5　人工智能的研究目标7

1.1.6　人工智能中的通用问题求解方法8

1.2　人工智能的发展简史及趋势9

1.2.1　人工智能发展简史9

1.2.2　人工智能发展趋势13

1.3.1 人工智能的研究方法14

1.3　人工智能的研究方法及基本内容14

1.3.2　人工智能研究的基本内容16

1.4　人工智能的基本技术18

1.5　人工智能的主要研究领域及实践20

1.5.1　人工智能的主要研究领域20

1.5.2　人工智能实践26

习题28

第2章 知识及知识的表示29

2.1 概述29

2.1.1　知识29

2.1.2　知识表示31

2.2.2　谓词逻辑表示知识的举例33

2.2.1　知识的谓词逻辑表示法33

2.2　一阶谓词逻辑表示法33

2.2.3　一阶谓词逻辑表示法的特点36

2.3　产生式表示法36

2.3.1　产生式的基本形式37

2.3.2　产生式表示知识的方法37

2.3.3　产生式系统的组成38

2.3.4　产生式系统的推理方式39

2.3.5　产生式表示法的特点40

2.4　框架表示法41

2.4.1　框架的构成41

2.4.2　框架表示知识举例43

2.4.3　框架系统的推理45

2.4.4　框架表示法的特点46

2.5　语义网络表示法47

2.5.1　语义网络的概念及结构47

2.5.2　语义网络的基本语义联系48

2.5.3　语义网络表示知识的方法及步骤51

2.5.4　语义网络知识表示举例54

2.5.5　语义网络的推理过程56

2.5.6　语义网络表示法的特点57

2.6　面向对象表示法57

2.6.1 面向对象的基本概念57

2.6.2　面向对象的知识表示59

习题59

3.1.1　推理定义62

3.1.2　推理方式及分类62

3.1　基本概念62

第3章　经典逻辑推理62

3.1.3　推理的控制策略65

3.1.4　模式匹配70

3.2　自然演绎推理73

3.2.1 自然演绎推理的基本概念73

3.2.2　利用演绎推理解决问题73

3.3　归结演绎推理74

3.3.1 子句75

3.3.2 Herbrand理论76

3.3.3　鲁滨孙归结原理78

3.3.4　归结策略81

3.3.5　使用归结原理证明问题84

3.3.6　用归结原理求解问题87

3.4　与／或形演绎推理88

3.4.1 与／或形正向演绎推理89

3.4.2　与／或形逆向演绎推理91

3.4.3　与／或形双向演绎推理92

3.4.4　一致解图与剪枝策略93

习题93

第4章　不确定性推理97

4.1 不确定性推理中的基本问题97

4.2　不确定性推理方法分类100

4.3　概率方法101

4.3.1　经典概率方法101

4.3.2　Bayes定理101

4.3.3　逆概率方法的基本思想102

4.3.4　逆概率方法的优缺点103

4.4　主观Bayes方法104

4.4.1 知识不确定性的表示104

4.4.2　证据不确定性的表示106

4.4.3　不确定性的传递算法106

4.4.4　结论不确定性的合成算法108

4.4.5　例子108

4.4.6 主观Bayes方法的主要优缺点109

4.5　可信度方法109

4.5.1　可信度概念110

4.5.2　C-F模型110

4.5.3 可信度方法应用举例113

4.6.1　基本概念115

4.6　证据理论115

4.6.2　D-S理论116

4.6.3　知识不确定性的表示122

4.6.4　证据不确定性的表示122

4.6.5　例子124

4.6.6　证据理论的主要优缺点125

习题126

第5章　搜索问题求解129

5.1　基本概念129

5.2　状态空间搜索130

5.2.1 问题的状态空间表示130

5.2.2　状态空间的穷搜索法132

5.2.3　启发式搜索法134

5.3.1　问题归约描述137

5.3　问题归约法137

5.3.2　与或图表示138

5.3.3　AO*算法139

5.4　博弈树搜索143

5.4.1　极大极小过程144

5.4.2　α—β过程146

习题148

第6章　机器学习151

6.1　机器学习的概念151

6.1.1　机器学习的发展历史151

6.1.2　什么是机器学习152

6.1.3　机器学习分类154

6.2　示例学习157

6.2.1　示例学习的两个空间模型158

6.2.2　示例学习的一个变种——决策树学习算法162

6.3　基于解释的学习167

6.3.1　基于解释学习的工作原理167

6.3.2　基于解释学习的方法举例168

6.4　基于案例的推理170

6.4.1　CBR系统的特点170

6.4.2　CBR系统的体系结构171

6.4.3　学习方法173

6.4.4　结论176

6.5 加强学习176

6.5.1　加强学习基本方法177

6.5.3　结论179

6.5.2　加强学习技术目前主要研究方向179

习题180

第7章　遗传算法182

7.1　遗传算法简介182

7.1.1　遗传算法的起源182

7.1.2　设计遗传算法的基本原则183

7.1.3　设计遗传算法的基本步骤184

7.1.4　遗传算法的主要特点185

7.1.5　遗传算法的研究内容和应用前景185

7.2　基本遗传算法186

7.2.1　编码表示187

7.2.2　适应性的度量188

7.2.3　选择策略189

7.2.4　遗传算子的设计190

7.3 函数优化193

7.3.1 问题描述194

7.3.2　种群的初始化194

7.3.3　选择策略195

7.3.4　遗传算子196

7.4　旅行商问题198

7.4.1　旅行商问题的描述198

7.4.2　个体的编码表示199

7.4.3　杂交算子200

7.4.4　变异算子203

7.4.5　实验仿真204

习题205

8.1.1　数据挖掘的定义206

第8章　数据挖掘206

8.1　数据挖掘概述206

8.1.2　数据挖掘与数据库中的知识发现207

8.1.3　数据挖掘研究的理论基础208

8.1.4　数据挖掘与其他数据处理方法的区别及联系209

8.1.5　数据挖掘的内容211

8.1.6　数据挖掘的研究历史和现状213

8.2　数据挖掘技术简介213

8.2.1　分类和预测214

8.2.2 聚类分析217

8.3　关联规则挖掘221

8.3.1　关联规则概述221

8.3.3　经典关联规则挖掘算法223

8.3.2　关联规则的分类223

8.3.4　多层关联规则挖掘229

8.4　序列模式挖掘230

8.4.1 序列模式的概念及定义230

8.4.2　序列模式的发现232

8.4.3　序列阶段的算法233

8.5 Web挖掘237

8.5.1　概述237

8.5.2　Web内容挖掘238

8.5.3　Web结构挖掘239

8.6　数据挖掘的研究热点与发展趋势240

8.6.1 研究热点240

8.5.4　Web使用记录挖掘240

8.6.2　发展趋势242

习题243

第9章　模式识别245

9.1 概论245

9.1.1 预处理246

9.1.2　特征和模式基元选择246

9.1.3　识别246

9.2　统计模式识别247

9.2.1　决策理论方法247

9.2.2　统计分类法251

9.2.3　特征的提取与选择254

9.3.1　监督分类方法256

9.3　监督与非监督分类方法256

9.3.2　非监督分类法264

9.4　结构模式识别267

9.4.1　概述267

9.4.2　结构模式识别系统268

9.4.3　模式基元的选择与抽取269

9.4.4　模式文法270

9.4.5 串的识别与分析273

9.5　神经网络模式识别274

9.5.1　人工神经网络概述274

9.5.2　BP模型及其在模式识别中的应用276

习题279

参考文献280