人工智能原理與實踐

本書系統介紹了人工智能學科的基本原理與算法，著重介紹了基於符號的推理、深度學習以及強化學習等，並提供了Python、Lisp、Prolog語言的入門級教程，還專門介紹了專家系統構造工具CLIPS以及Agent系統開發平臺SPADE。 本書共分10章，第1章為緒論，第2章介紹人工智能程序設計語言，之後5章介紹人工智能的基本原理與經典算法，第8章和第9章主要介紹機器學習與深度學習相關算法，最後一章介紹智能Agent。 本書註重人工智能的經典算法及其實用性，可作為高校電腦科學與技術、人工智能及其相關專業高年級本科生及研究生的教材，也可供對人工智能感興趣的研究與工程人員參考。

目錄

第1章緒論

1.1人工智能的發展概況

1.1.1人工智能的定義

1.1.2人工智能的研究途徑

1.1.3人工智能學科的發展

1.2人工智能的目標

1.3人工智能的應用

第2章人工智能程序設計語言

2.1Python語言

2.1.1概述

2.1.2Python基礎

2.1.3函數

2.1.4自定義類

2.1.5模塊

2.1.6輸入輸出和文件

2.1.7實例

2.2Lisp語言

2.2.1概述

2.2.2Lisp的基本功能

2.2.3遞歸與迭代

2.2.4輸入輸出

2.2.5Lisp的其他功能

2.2.6實例

2.3Prolog語言

2.3.1Prolog語言概述

2.3.2重復與遞歸

2.3.3列表處理方法

2.3.4字符串處理方法

2.3.5輸入輸出功能

2.3.6模塊

2.3.7實例

第3章知識表示

3.1概述

3.1.1知識與知識表示

3.1.2知識表示的方法

3.2邏輯表示法

3.2.1一階謂詞邏輯

3.2.2謂詞邏輯用於知識表示

3.3產生式規則表示法

3.4語義網絡表示法

3.4.1語義網絡的結構

3.4.2連接詞的表示

3.4.3繼承性

3.5框架與腳本表示法

3.5.1框架表示法

3.5.2腳本表示法

3.6本體

3.6.1本體的組成與分類

3.6.2本體的建模

3.6.3OWL

3.7知識圖譜

3.7.1構建知識圖譜

3.7.2存儲知識圖譜

3.7.3知識圖譜推理

第4章基於搜索的問題求解方法

4.1狀態空間搜索

4.1.1概述

4.1.2回溯策略

4.1.3圖搜索策略

4.1.4任一路徑的圖捜索

4.1.5最佳路徑的圖捜索

4.1.6與或圖的捜索

4.2博弈樹搜索

4.2.1概述

4.2.2極小極大過程

4.2.3αβ剪枝過程

4.2.4蒙特卡羅樹搜索

第5章基於符號的推理

5.1基礎概念

5.2歸結反演

5.2.1子句

5.2.2歸結原理

5.2.3歸結反演的控制策略

5.2.4求解填空問題

5.3基於規則的演繹系統

5.3.1正向演繹系統

5.3.2逆向演繹系統

5.4非單調推理

5.4.1封閉世界假設

5.4.2謂詞完備化

5.4.3限制

5.4.4默認推理

第6章不確定性推理

6.1引言

6.2概率方法

6.2.1基本概念

6.2.2實例

6.3可信度方法

6.3.1知識的不確定性

6.3.2證據的不確定性

6.3.3不確定性推理算法

6.4主觀貝葉斯方法

6.4.1知識的不確定性表示

6.4.2證據的不確定性表示

6.4.3不確定性推理算法

6.5證據理論

6.5.1基本理論

6.5.2證據的組合

6.5.3基本算法

6.5.4實例

第7章專家系統

7.1概述

7.2基於規則的專家系統

7.2.1元知識結構

7.2.2黑板模型

7.2.3黑板控制結構

7.3其他專家系統結構

7.3.1基於框架的專家系統

7.3.2基於模型的專家系統

7.3.3基於Web的專家系統

7.4專家系統實例

7.4.1MYCIN

7.4.2AM系統

7.5專家系統開發工具CLIPS

7.5.1事實

7.5.2規則

7.5.3其他

7.5.4實例

第8章機器學習與計算智能

8.1概述

8.2分類與聚類

8.2.1分類

8.2.2聚類

8.3決策樹

8.3.1構造決策樹

8.3.2決策樹剪枝

8.4支持向量機

8.4.1分類問題

8.4.2回歸問題

8.4.3單類問題

8.4.4學習算法

8.4.5結構化數據核函數

8.5k均值聚類

8.6強化學習

8.6.1馬爾可夫決策過程

8.6.2值函數和貝爾曼方程

8.6.3有模型學習

8.6.4無模型學習

8.7演化計算

8.7.1遺傳算法

8.7.2遺傳算法的理論基礎

8.7.3遺傳規劃

8.7.4演化策略

8.7.5演化規劃

8.8群體智能算法

8.8.1蟻群算法

8.8.2粒子群算法

第9章神經網絡與深度學習

9.1基礎知識

9.2感知機

9.3多層前向網絡

9.4Hopfield網絡

9.5捲積神經網絡

9.5.1LeNet5

9.5.2常用模型

9.5.3訓練

9.5.4AlexNet

9.5.5VGGNet

9.5.6Inception網絡

9.5.7殘差網絡

9.6循環與遞歸神經網絡

9.6.1BPTT算法

9.6.2LSTM

9.6.3遞歸神經網絡

9.7深度學習應用與平臺

9.7.1機器視覺應用

9.7.2深度學習平臺

第10章智能Agent

10.1Agent概述

10.1.1基本概念

10.1.2Agent理論

10.1.3Agent系統結構

10.2多Agent系統

10.2.1概述

10.2.2多Agent系統的結構

10.2.3Agent通信語言

10.2.4多Agent系統的協商機制

10.2.5多Agent系統的應用

10.3移動Agent

10.4Agent系統開發平臺