人工智能的原理与方法_人工智能教程

资源名称:人工智能的原理与方法

内容简介:

        本书全面系统地介绍了人工智能的基础理论、基本方法和应用技术。内容涉及人工智能的基本概况和数学基础、知识表示、基于谓词的逻辑推理、不确定性理论、搜索策略、专家系统、神经网络、模式识别、机器学习、自然语言理解、智能决策系统以及智能计算机等。

        《人工智能的原理与方法》全面系统地介绍了人工智能的基础理论、基本方法和应用技术,可作为本科生和研究生相关专业的教材,也可供有关科技人员参考。

资源目录:

第l章绪论
1.1人工智能的概念
1.1.1什么是人工智能?
1.1.2为什么要研究人工智能?
1.2人工智能的研究目标
1.3人工智能的研究内容
1.4人工智能的研究途径
1.5人工智能的研究领域
1.5.1问题求解(ProblemSolving)
1.5.2专家系统(ExpertSystem-ES)
1.5.3模式识别(PatternRecognition)
1.5.4机器学习(MachineLearning)
1.5.5自动定理证明(AutomatedMechanicalTheoryProving)
1.5.6自然语言理解(NaturalLanguageUnderstanding)
1.5.7自动程序设计(AutomaticProgramming)
1.5.8智能机器人(IntelligentRobot)
1.5.9智能决策系统(IntelligentDecisionSystem)
1.5.10人工神经网络(ArtificialNeuralNetwork)
1.6人工智能的发展概况
习题1
第2章人工智能语言
2.1概述
2.2函数型程序设计语言LISP
2.2.1LISP语言的数据结构
2.2.2LISP程序结构
2.2.3基本函数
2.2.4LISP语言中的递归和循环
2.2.5LISP语言程序举例
2.3逻辑型程序设计语言PROLOG
2.3.1PROLOG的三种基本语句
2.3.2PROLOG的基本数据结构
2.3.3PROLOG的程序设计原理
2.3.4PROLOG程序应用举例
2.4面向对象程序设计语言Smalltalk
2.4.1基本概念和对象
2.4.2消息模式和消息表达式
2.4.3语句和程序块
2.4.4程序流程控制
2.4.5类库和类定义
习题2
第3章人工智能的数学基础
3.1命题逻辑与谓词逻辑
3.1.1命题
3.1.2谓词
3.1.3谓词公式
3.1.4谓词公式的解释
3.1.5谓词公式的等价性与永真蕴涵
3.2多值逻辑
3.3概率论
3.3.1随机现象
3.3.2样本空间与随机事件
3.3.3事件概率
3.3.4条件概率
3.3.5全概率公式与Bayes公式
3.4模糊理论
3.4.1模糊概念
3.4.2模糊集合与隶属函数
3.4.3模糊集的表示方法
3.4.4模糊集的运算
3.4.5模糊集的λ水平截集
3.4.6分解定理与扩张原理
3.4.7模糊关系及其合成
3.4.8模糊变换
习题3
第4章知识与知识表示
4.1知识的基本概念
4.1.1知识的特征
4.1.2知识的分类和表示
4.2一阶谓词逻辑表示法
4.2.1什么是一阶谓词?
4.2.2一阶谓词逻辑表示法的特点
4.3产生式表示法
4.3.1产生式系统的定义和组成
4.3.2产生式系统的分类
4.3.3产生式系统的控制策略
4.3.4产生式系统的推理过程
4.4框架表示法
4.4.1框架的概念
4.4.2框架的表达能力
4.4.3基于框架的推理
4.5语义网络表示法
4.5.1语义网络的概念
4.5.2语义网络的表达能力
4.5.3基于语义网络的推理
4.5.4语义网络表示法的特点
4.6过程表示法
4.7脚本表示法
4.8面向对象表示法
4.8.1面向对象的基本概念
4.8.2面向对象表示法的特点
4.9Petri网表示法
习题4
第5章基本谓词的逻辑推理
5.1谓词逻辑的演绎推理方法
5.2归结原理
5.2.1子句
5.2.2代换与合
5.2.3命题逻辑中的归结原理
5.2.4谓词逻辑中的归结原理
5.2.5基于归结的问题的求解方法
5.2.6归结策略
5.3与/或形演绎推理
5.3.1与/或形正向演绎推理(FR)
5.3.2与/或形逆向演绎推理(BR)
5.3.3与/或型双向演绎推理
习题5
第6章不确定性与不确定推理
6.1基本概念
6.1.1什么是不确定性推理?
6.1.2不确定性推理中的基本问题
6.1.3不确定性推理方法的分类
6.2概率方法
6.2.1经典概率方法
6.2.2逆概率方法
6.3主观Bayes方法
6.3.1知识不确定性的表示
6.3.2证据不确定性的表示
6.3.3组合证据不确定性的算法
6.3.4不确定性的传递算法
6.3.5结论不确定性的合成算法
6.4可信度方法
6.4.1可信度的概念
6.4.2C-F模型
6.4.3带有阚值限度的不确定性推理
6.5模糊推理
6.5.1模糊命题
6.5.2模糊知识的表示
6.5.3模糊匹配与冲突消解
6.5.4简单模糊推理的基本模式
习题6
第7章搜索策略
7.1基本概念
7.1.1什么是搜索?
7.1.2状态图表示法
7.1.3与/或图表示法
7.2状态图搜索技术
7.2.1图搜索的基本概念
7.2.2宽度优先搜索
7.2.3深度优先搜索
7.2.4有限深度优先搜索
7.2.5启发式搜索
第8章专家系统
第9章神经网络
第10章模式识别
第11章机器学习
参考文献

资源截图:
1.png

QIW.NET最初发布于2022年7月31日 @ am12:37