《人工智能導論 第2版》系統(tǒng)地闡述了人工智能的基本理論、基本技術、研究方法和應用領域，全面地反映了人工智能研究領域的發(fā)展，并根據(jù)人工智能的發(fā)展動向?qū)σ恍﹤鹘y(tǒng)內(nèi)容做了取舍，如詳細介紹了機器學習方面的內(nèi)容�！度斯ぶ悄軐д� 第2版》共分為8章，內(nèi)容涉及人工智能的基本概念、知識工程、確定性推理和不確定性推理、搜索與優(yōu)化策略、機器學習、人工神經(jīng)網(wǎng)絡與深度學習，以及模式識別、自然語言處理和多智能體等。每章后面附有習題，以供讀者練習。
《人工智能導論 第2版》充分考慮到人工智能領域的發(fā)展動態(tài)，注重系統(tǒng)性、新穎性、實用性和可讀性，內(nèi)容由淺入深、循序漸進、條理清晰。
《人工智能導論 第2版》適合作為計算機專業(yè)本科生和其他相關專業(yè)本科生、研究生的教材，也可作為有關科技人員的參考書。
前言
第1章緒論
11什么是人工智能
111關于智能
112人工智能的研究目標
12人工智能發(fā)展簡史
13人工智能的研究方法
131人工智能的研究特點
132人工智能的研究途徑
133人工智能研究資源
14人工智能研究及應用領域
141模式識別
142自然語言處理
143機器學習與數(shù)據(jù)挖掘
144人工神經(jīng)網(wǎng)絡與深度學習
145博弈
146多智能體
147專家系統(tǒng)
148計算機視覺
149自動定理證明
1410智能控制
1411機器人學
1412人工生命
15本章小結
習題
第2章知識工程
21概述
22知識表示方法
221經(jīng)典邏輯表示法
222產(chǎn)生式表示法
223層次結構表示法
224網(wǎng)絡結構表示法
225其他表示法
23知識獲取與管理
231知識獲取的任務
232知識獲取的方式
233知識管理
234本體論
235知識圖譜
24基于知識的系統(tǒng)
241什么是知識系統(tǒng)
242專家系統(tǒng)
243問答系統(tǒng)
244知識系統(tǒng)舉例
25本章小結
習題
第3章確定性推理
31概述
311推理方式與分類
312推理控制策略
313知識匹配
32自然演繹推理
33歸結演繹推理
331歸結原理
332歸結策略
333應用歸結原理求解問題
34與或形演繹推理
341與或形正向演繹推理
342與或形逆向演繹推理
343與或形雙向演繹推理
35本章小結
習題
第4章不確定性推理
41概述
42基本概率方法
43主觀貝葉斯方法
431不確定性的表示
432不確定性的傳遞算法
433結論不確定性的合成算法
44可信度方法
441基本可信度模型
442帶閾值限度的可信度模型
443加權的可信度模型
444前件帶不確定性的可信度模型
45模糊推理
451模糊理論
452簡單模糊推理
453模糊三段論推理
454多維模糊推理
455多重模糊推理
456帶有可信度因子的模糊推理
46證據(jù)理論
461D-S理論
462基于證據(jù)理論的不確定性推理
47粗糙集理論
471粗糙集理論的基本概念
472粗糙集在知識發(fā)現(xiàn)中的應用
48本章小結
習題
第5章搜索與優(yōu)化策略
51概述
511什么是搜索
512狀態(tài)空間表示法
513與或樹表示法
52狀態(tài)空間搜索
521狀態(tài)空間的一般搜索過程
522廣度優(yōu)先搜索
523深度優(yōu)先搜索
524有界深度優(yōu)先搜索
525啟發(fā)式搜索
526A*算法
53與或樹搜索
531與或樹的一般搜索過程
532與或樹的廣度優(yōu)先搜索
533與或樹的深度優(yōu)先搜索
534與或樹的有序搜索
535博弈樹的啟發(fā)式搜索
536剪枝技術
537人機對弈與AlphaGo
54智能優(yōu)化搜索
541NP問題
542優(yōu)化問題
543遺傳算法
544蟻群算法
545粒子群算法
546智能優(yōu)化搜索應用案例
55本章小結
習題
第6章機器學習
61概述
611什么是機器學習
612機器學習方法分類
613機器學習的基本問題
614評估學習結果
62決策樹學習
621決策樹表示法
622ID3算法
623決策樹學習的常見問題
624隨機森林算法
625決策樹學習應用案例
63貝葉斯學習
631貝葉斯法則
632樸素貝葉斯方法
633貝葉斯網(wǎng)絡
634EM算法
635貝葉斯學習應用案例
64統(tǒng)計學習
641小樣本統(tǒng)計學習理論
642支持向量機
643核函數(shù)
644支持向量機應用案例
65聚類
651聚類問題
652分層聚類方法
653劃分聚類方法
654基于密度的聚類方法
655基于網(wǎng)格的聚類方法
656聚類算法應用案例
66特征選擇與表示學習
661特征提取與選擇
662常用的特征函數(shù)
663主成分分析
664表示學習
665表示學習應用案例
67其他學習方法
671k近鄰算法
672強化學習
673隱馬爾可夫模型
68本章小結
習題
第7章人工神經(jīng)網(wǎng)絡與深度學習
71概述
711人腦神經(jīng)系統(tǒng)
712人工神經(jīng)網(wǎng)絡的研究內(nèi)容與特點
713人工神經(jīng)網(wǎng)絡基本形態(tài)
714深度學習
72前饋神經(jīng)網(wǎng)絡
721感知器模型
722反向傳播算法
723卷積神經(jīng)網(wǎng)絡
724前饋神經(jīng)網(wǎng)絡應用案例
73反饋神經(jīng)網(wǎng)絡
731循環(huán)神經(jīng)網(wǎng)絡
732長短期記憶網(wǎng)絡
733雙向循環(huán)神經(jīng)網(wǎng)絡
734反饋神經(jīng)網(wǎng)絡應用案例
74本章小結
習題
第8章人工智能的其他領域
81模式識別
811模式識別的基本問題
812圖像識別
813人臉識別
82自然語言處理
821自然語言處理的基本問題
822信息檢索
823機器翻譯
824自動問答
83多智能體
831多智能體系統(tǒng)模型
832多智能體系統(tǒng)的學習與協(xié)作
833多智能體系統(tǒng)的主要研究內(nèi)容
834多智能體系統(tǒng)應用案例
84本章小結
習題
參考文獻
書單推薦
