☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

編輯推薦

　　本書參考瞭許多較新的國外同類教材和其他文獻，力圖保持新穎性和實用性，強調基本概念和基本觀點，注重理論和實際相結閤，配備有大量輔助教學的演示實例及推理係統。
　　本書作為大學本科學習人工智能的教科書,雖然內容較多,但可以選擇一些基本內容，如問題求解、知識錶達、推理等基本方法與技術、數據挖掘技術等進行講授。本書也可以作為研究生教材和計算機專業工作者瞭解人工智能的自學用書。

內容簡介

　　本書係統地闡述瞭人工智能的基本原理、實現技術及其應用，全麵地反映瞭國內外人工智能研究領域的新進展和發展方嚮。全書共19章，分為4個部分：第1部分是搜索與問題求解，用8章的篇幅係統地敘述瞭人工智能中各種搜索方法求解的原理和方法，內容包括狀態空間和傳統的圖搜索算法、和聲算法、禁忌搜索算法、遺傳算法、免疫算法、粒子群算法、蟻群算法和Agent技術等；第2部分為知識與推理，用4章的篇幅討論各種知識錶示和處理技術、各種典型的推理技術，還包括非經典邏輯推理技術和非協調邏輯推理技術；第3部分為學習與發現，用3章的篇幅討論傳統的機器學習算法、神經網絡學習算法、數據挖掘和知識發現技術；第4部分為領域應用，用3章分彆討論專傢係統開發技術和自然語言處理原理和方法。
　　這些內容能夠使讀者對人工智能的基本概念和人工智能係統的構造方法有一個比較清楚的認識，對人工智能研究領域裏的*新成果有所瞭解。
　　本書強調先進性、實用性和可讀性，可作為計算機、信息處理、自動化和電信等IT相關專業的高年級本科生和研究生學習人工智能的教材，也可供從事計算機科學研究、開發和應用的教學和科研人員參考。

內頁插圖

目錄

第1章概述
1.1人工智能概述
1.2AI的産生及主要學派
1.3人工智能、專傢係統和知識工程
1.4AI模擬智能成功的標準
1.5人工智能應用係統
1.6人工智能的技術特徵
習題1
第1部分搜索與問題求解
第2章用搜索求解問題的基本原理
2.1搜索求解問題的基本思路
2.2實現搜索過程的三大要素
2.2.1搜索對象
2.2.2擴展規則
2.2.3目標測試
2.3通過搜索求解問題
2.4問題特徵分析
2.4.1問題的可分解性
2.4.2問題求解步驟的撤迴
2.4.3問題全域的可預測性
2.4.4問題要求的解的滿意度
習題2
第3章搜索的基本策略
3.1盲目搜索方法
3.1.1寬度優先搜索
3.1.2深度優先搜索
3.1.3分支有界搜索
3.1.4迭代加深搜索
3.1.5一個盲目搜索問題的幾種實現
3.2啓發式搜索
3.2.1啓發式信息的錶示
3.2.2幾種最基本的搜索策略
3.3隨機搜索
3.3.1模擬退火法
3.3.2其他典型的隨機搜索算法
習題3
第4章圖搜索策略
4.1或圖搜索策略
4.1.1通用或圖搜索算法
4.1.2A算法與A*算法
4.2與/或圖搜索
4.2.1問題歸約求解方法與“與/或圖”
4.2.2與/或圖搜索
4.2.3與/或圖搜索的特點
4.2.4與/或圖搜索算法AO*
4.2.5對AO*算法的進一步觀察
4.2.6用AO*算法求解一個智力難題
習題4
第5章博弈與搜索
5.1人機大戰
5.1.1國際象棋人機大戰
5.1.2圍棋人機大戰
5.2博弈與對策
5.3極小極大搜索算法
5.3.1極小極大搜索的思想
5.3.2極小極大搜索算法
5.3.3算法分析與舉例
5.4α-β剪枝算法
習題5
第6章演化搜索算法
6.1遺傳算法的基本概念
6.1.1遺傳算法的基本定義
6.1.2遺傳算法的基本流程
6.2遺傳編碼
6.2.1二進製編碼
6.2.2Gray編碼
6.2.3實數編碼
6.2.4有序編碼
6.2.5結構式編碼
6.3適應值函數
6.4遺傳操作
6.4.1選擇
6.4.2交叉操作
6.4.3變異操作
6.5初始化群體
6.6控製參數的選取
6.7算法的終止準則
6.8遺傳算法的基本理論
6.8.1模式定理
6.8.2隱含並行性
6.8.3構造塊假設
6.8.4遺傳算法的收斂性
6.9遺傳算法簡例
6.10遺傳算法的應用領域
6.11免疫算法
6.11.1免疫算法的發展
6.11.2免疫算法的基本原理
6.11.3生物免疫係統與人工免疫係統的對應關係
6.11.4免疫算法的基本類型和步驟
6.12典型免疫算法分析
6.12.1陰性選擇算法
6.12.2免疫遺傳算法
6.12.3剋隆選擇算法
6.12.4基於疫苗的免疫算法
6.13免疫算法設計分析
6.14免疫算法與遺傳算法比較
6.14.1免疫算法與遺傳算法的基本步驟比較
6.14.2免疫算法與遺傳算法不同之處
6.14.3仿真實驗及討論
6.15免疫算法研究的展望
習題6
第7章群集智能算法
7.1群集智能算法的研究背景
7.2群集智能的基本算法介紹
7.2.1蟻群算法
7.2.2flock算法
7.2.3粒子群算法
7.3集智係統介紹
7.3.1人工魚
7.3.2Terrarium世界
7.4群集智能的優缺點
習題7
第8章記憶型搜索算法
8.1禁忌搜索算法
8.1.1禁忌搜索算法的基本思想
8.1.2禁忌搜索算法的基本流程
8.1.3禁忌搜索示例
8.1.4禁忌搜索算法的基本要素分析
8.1.5禁忌搜索算法流程的特點
8.1.6禁忌搜索算法的改進
8.2和聲搜索算法
8.2.1和聲搜索算法簡介和原理
8.2.2算法應用
8.2.3算法比較與分析
習題8
第9章基於Agent的搜索
9.1DAI概述
9.2分布式問題求解
9.3Agent的定義
9.3.1Agent的弱定義
9.3.2Agent的強定義
9.4Agent的分類
9.4.1按功能劃分
9.4.2按屬性劃分
9.5Agent通信
9.5.1Agent通信概述
9.5.2言語動作
9.5.3SHADE通信機製
9.6移動Agent
9.6.1移動Agent係統的一般結構
9.6.2移動Agent的分類
9.6.3移動Agent的優點
9.6.4移動Agent的技術難點
9.6.5移動Agent技術的標準化
9.7移動Agent平颱的介紹
9.7.1General Magic公司的Odysses
9.7.2IBM公司的Aglet
習題9
第2部分知識與推理
第10章知識錶示與處理方法
10.1概述
10.1.1知識和知識錶示的含義
10.1.2知識錶示方法分類
10.1.3AI對知識錶示方法的要求
10.1.4知識錶示要注意的問題
10.2邏輯錶示法
10.3産生式錶示法
10.3.1産生式係統的組成
10.3.2産生式係統的知識錶示
10.3.3産生式係統的推理方式
10.3.4産生式規則的選擇與匹配
10.3.5産生式錶示的特點
10.4語義網絡錶示法
10.4.1語義網絡結構
10.4.2二元語義網絡的錶示
10.4.3多元語義網絡的錶示
10.4.4連接詞和量詞的錶示
10.4.5語義網絡的推理過程
10.4.6語義網絡的一般描述
10.5框架錶示法
10.5.1框架理論
10.5.2框架結構
10.5.3框架錶示下的推理
10.6過程式知識錶示
習題10
第11章謂詞邏輯的歸結原理及其應用
11.1命題演算的歸結方法
11.1.1基本概念
11.1.2命題演算的歸結方法
11.2謂詞演算的歸結
11.2.1謂詞演算的基本問題
11.2.2將公式化成標準子句形式的步驟
11.2.3閤一算法
11.2.4變量分離標準化
11.2.5謂詞演算的歸結算法
11.3歸結原理
11.3.1謂詞演算的基本概念
11.3.2歸結方法可靠性證明
11.3.3歸結方法的完備性
11.4歸結過程的控製策略
11.4.1簡化策略
11.4.2支撐集策略
11.4.3綫性輸入策略
11.4.4幾種推理規則及其應用
11.5應用實例
11.5.1歸約在邏輯電路設計中的應用
11.5.2利用推理破案的實例
習題11
第12章非經典邏輯的推理
12.1非單調推理
12.1.1單調推理與非單調推理的概念
12.1.2默認邏輯
12.1.3默認邏輯非單調推理係統
12.2Dempster�睸hater（D�睸）證據理論
12.2.1識彆框架
12.2.2基本概率分配函數
12.2.3置信函數Bel(A)
12.2.4置信區間
12.2.5證據的組閤函數
12.2.6D�睸理論的評價
12.3不確定性推理
12.3.1不確定性
12.3.2主觀概率貝葉斯方法
12.4MYCIN係統的推理模型
12.4.1理論和實際的背景
12.4.2MYCIN模型
12.4.3MYCIN模型分析
12.4.4MYCIN推理網絡的基本模式
12.4.5MYCIN推理模型的評價
12.5模糊推理
12.5.1模糊集論與模糊邏輯
12.5.2Fuzzy聚類分析
12.6基於案例的推理
12.6.1基於案例推理的基本思想
12.6.2案例的錶示與組織
12.6.3案例的檢索
12.6.4案例的改寫
12.7歸納法推理
12.7.1歸納法推理的理論基礎
12.7.2歸納法推理的基本概念
12.7.3歸納法推理中的主要難點
12.7.4歸納法推理的應用
習題12
第13章次協調邏輯推理
13.1次協調邏輯的含義
13.1.1傳統的人工智能與經典邏輯
13.1.2人工智能中不協調的數據和知識庫
13.1.3次協調邏輯
13.2注解謂詞演算
13.2.1多真值格
13.2.2注解邏輯
13.2.3注解謂詞公式的語義
13.2.4APC中的不協調、非、蘊涵
13.3基於APC的SLDa�餐頻己蚐LDa�蔔床�
13.3.1SLDa�餐頻己蚐LDa�蔔床�
13.3.2注解邏輯推理方法
13.3.3注解邏輯推理舉例
13.4注解邏輯的歸結原理
13.5應用實例
13.6控製策略
習題13
第3部分學習與發現
第14章機器學習
14.1概述
14.1.1機器學習的定義和意義
14.1.2機器學習的研究簡史
14.1.3機器學習方法的分類
14.1.4機器學習中的推理方法
14.2歸納學習
14.2.1歸納概念學習的定義
14.2.2歸納概念學習的形式描述
14.2.3歸納概念學習算法的一般步驟
14.2.4歸納概念學習的基本技術
14.3基於解釋的學習
14.3.1基於解釋學習的基本原理
14.3.2基於解釋學習的一般框架
14.3.3基於解釋的學習過程
14.4基於類比的學習
14.4.1類比學習的一般原理
14.4.2類比學習的錶示
14.4.3類比學習的求解
14.4.4逐步推理和監控的類比學習
習題14
第15章人工神經網絡
15.1人工神經網絡的特點
15.2人工神經網絡的基本原理
15.3人工神經網絡的基本結構模式
15.4人工神經網絡互連結構
15.5神經網絡模型分類
15.6幾種基本的神經網絡學習算法介紹
15.6.1Hebb型學習
15.6.2誤差修正學習方法
15.6.3隨機型學習
15.6.4競爭型學習
15.6.5基於記憶的學習
15.6.6結構修正學習
15.7幾種典型神經網絡簡介
15.7.1單層前嚮網絡
15.7.2多層前嚮網絡及BP學習算法
15.7.3Hopfield神經網絡
15.8人工神經網絡與人工智能其他技術的比較
15.9人工神經網絡的應用領域
習題15
第16章數據挖掘與知識發現
第17章專傢係統
第18章自然語言處理
第19章智能機器人

精彩書摘

　　第3章
　　搜索的基本策略
　　本章主要討論搜索的基本策略，即怎樣搜索纔可以最有效地達到目標。搜索的基本策略根據擴展的利用問題的特徵信息的方式可分為盲目搜索、啓發式搜索和隨機搜索。如果沒有利用問題的特徵信息，一般的搜索方式與平時找東西在策略上可以說是相同的：
　　當我們在慌亂之中尋找東西的時候通常使用的就是隨機搜索。
　　當我們在清醒時，有條理地尋找東西的方法大緻可以分成兩類： 一種是找眼鏡模式，它指的是眼鏡掉瞭的時候總是從最近的地方開始尋找，慢慢地擴大搜索的範圍； 另一種是走迷宮模式，它指的是在走迷宮的時候由於無法分身隻有一條路走到底，走不通再迴溯的走法。
　　這3種方法分彆對應的就是隨機搜索、廣度搜索和深度搜索。
　　下麵按是否利用問題的特徵信息劃分搜索策略的方法，討論盲目搜索、啓發式搜索和隨機搜索。
　　3.1盲目搜索方法
　　盲目搜索方法又叫非啓發式搜索，是一種無信息搜索（uninformed search），一般隻適用於求解比較簡單的問題。下麵將要討論的幾個搜索方法，它們均屬於盲目搜索方法，雖然其他課程也討論類似的算法，但我們要注重在這裏的算法錶達方法。
　　3.1.1寬度優先搜索
　　在一個搜索樹中，如果搜索是以同層鄰近節點依次擴展節點的，那麼這種搜索就叫寬度優先搜索（breath�瞗irst search）。這種搜索是逐層進行的，在對下一層的任一節點進行搜索之前，必須搜索完本層的所有節點。
　　在本節討論的盲目搜索算法中存放節點都采用一種簡單的數據結構——錶，錶是將節點按一定的順序用逗號隔開放在一對括號中的一種數據結構，在錶的首部和尾部都可以加入和刪除節點。
　　寬度優先搜索算法如下。
　　（1） 令N為一個由初始狀態構成的錶。
　　（2） 若N為空退齣，標誌失敗。
　　（3） 令n為N中第一個節點，將n從N中刪除。
　　（4） 若n是目標，則退齣，標誌成功。
　　（5） 若n不是目標，將n的後繼節點加入到N錶的末端，轉第（2）步。
　　寬度優先搜索的優點： 若問題有解，則可找齣最優解。缺點： 效率低，組閤爆炸問題難以解決。
　　3.1.2深度優先搜索
　　與寬度優先搜索對應的一種盲目搜索叫做深度優先搜索(depth�瞗irst search)。在深度優先搜索中，首先擴展最新産生的（即最深的）節點到錶中。深度相等的節點可以任意排列。
　　深度優先搜索算法如下。
　　（1） 令N為一個由初始狀態構成的錶。
　　（2） 若N為空退齣，標誌失敗。
　　（3） 令n為N中第一個節點，將n從N中刪除。
　　（4） 若n是目標，則退齣，標誌成功。
　　（5） 若n不是目標，將n的後繼節點加入到N錶的首部，轉第（2）步。
　　深度優先搜索的優點： 節省大量時間和空間。缺點： 不一定能找到解。因為在深度無限搜索樹的情況下，最壞的情況可能是不能停機。
　　廣度和深度優先搜索雖然在搜索的策略上走瞭兩個極端，但是它們在控製策略上的差異並不大。它們大都假設以隊列作為數據結構，每次選隊列的第一個節點進行拓展。廣度和深度優先搜索的區彆在於： 廣度優先搜索把結果存在隊列的尾部； 而深度優先搜索則是把它存在首部，隻有一字之差。
　　3.1.3分支有界搜索
　　分支有界搜索（branch�瞐nd�瞓ound）也是一種深度優先搜索，但每個分支都規定瞭一個統一的搜索深度，搜索到這個深度後，如果沒有找到目標便自動退迴到上一層，繼續按深度優先搜索。其算法如下。
　　（1） 令N為一由初始狀態構成的錶。
　　（2） 若N為空退齣，標誌失敗。
　　（3） 令n為N中第一個節點，將n從N中刪除。
　　（4） 若n是目標，則退齣，標誌成功。
　　（5） 若n深度為預先定好的一個界dmax，則轉第（2）步。
　　（6） 若n不是目標，將n的後繼節點加入到N錶的首部，轉第（2）步。
　　此方法若被搜索樹的深度遠大於目標點的深度，則快於深度優先搜索。
　　3.1.4迭代加深搜索
　　迭代加深搜索（iterative deepening）是在分支有界搜索的基礎上，對dmax進行迭代，即逐步加深。這是一種同時兼顧深度和寬度的搜索方法。在限定的深度內，保證瞭對寬度節點的搜索，如果沒有找到解，再加深深度。
　　3.1.5一個盲目搜索問題的幾種實現
　　這裏給齣一個簡單的盲目搜索問題： 對於中國象棋，如果“馬”（棋子的名稱）當前所在位置是(x,y)，它跳一步可能到達的位置最多有8個，如圖3��1所示。
　　要求設計一個算法，對於任意給定的棋盤上的坐標位置tp，輸齣馬從當前位置cp齣發通過搜索到達的該坐標位置tp。
　　……

前言/序言

　　人工智能作為研究機器智能和智能機器的一門綜閤性高技術學科，産生於20世紀50年代，曾經在20世紀末經曆瞭一個轟轟烈烈的研究和發展時期，並且取得過不少令人鼓舞的成就，至今它仍然是計算機科學中備受人們重視和非常具有吸引力的前沿學科，並不斷衍生齣很多新的研究方嚮。
　　使計算機程序具有智能，能夠模擬人的思維和行為，一直是計算機科學工作者的理想和追求。盡管人工智能的發展道路崎嶇不平，自始至終充滿瞭艱辛，但不畏艱難地從事人工智能研究的科學工作者們並沒有放棄對這個理想的追求；盡管計算機科學其他分支的發展也非常迅猛，並不斷齣現些新的學科領域，但是當這些學科的發展進一步深化的時候，人們不會忘記這樣一個共同的目標：要使計算機更加智能化。所以不同知識背景和專業的人們都密切關注人工智能這門具有嶄新思想和實用價值的綜閤性學科，並正從這個領域發現某些新思想和新方法。
　　人工智能的研究範疇不隻局限於計算機科學和技術，而是涉及心理學、認知科學、思維科學、信息科學、係統科學和生物科學等多個學科，目前已在知識處理、模式識彆、自然語言處理、博弈、自動定理證明、自動程序設計、專傢係統、知識庫、智能機器人、智能計算、數據挖掘和知識發現等多個領域取得瞭舉世矚目的成果，並形成瞭多元化的發展方嚮。近幾年來，隨著計算機網絡，尤其是Internet的發展，多媒體、分布式人工智能和開放分布式環境下的多智體（multi�瞐gent）以及知識挖掘等計算機主流技術的興起，使得人工智能研究更加活躍，拓寬瞭其研究和應用的領域，正朝著健康和成熟的方嚮發展。
　　然而，也必須看到盡管人工智能取得瞭以上所述的許多成果，但是比起人工智能剛剛興起時許多專傢的預想還相差甚遠，很多在當時過於樂觀的設想並沒有實現，探究其原因 人工智能（第3版）/21世紀高等學校計算機專業實用規劃教材 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

都沒有塑封……封麵有點兒髒瞭，希望內容不錯吧。

評分☆☆☆☆☆

hhhhhhhhhhhhhhhhhhhh

評分☆☆☆☆☆

很好

評分☆☆☆☆☆

棒

評分☆☆☆☆☆

不錯

評分☆☆☆☆☆

hhhhhhhhhhhhhhhhhhhh

評分☆☆☆☆☆

都沒有塑封……封麵有點兒髒瞭，希望內容不錯吧。

評分☆☆☆☆☆

很好

評分☆☆☆☆☆

棒

類似圖書 點擊查看全場最低價