دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: (美)GeorgeF.Luger
سری: 计算机科学丛书
ISBN (شابک) : 7111283457, 9787111283454
ناشر: 机械工业出版社
سال نشر: 2010
تعداد صفحات: 507
زبان: Chinese
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 62 مگابایت
در صورت تبدیل فایل کتاب 人工智能: 复杂问题求解的结构和策略(原书第6版) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب 人工智能: 复杂问题求解的结构和策略(原书第6版) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
封面 书名 版权 前言 目录 第一部分 人工智能的历史渊源及研究范围 第1章 人工智能的历史及应用 1.1从伊甸园到第一台电子计算机:对智能、知识和人类技能的态度 1.1.1人工智能基础的简要历史 1.1.2理性主义和经验主义学派对人工智能的影响 1.1.3形式逻辑的发展 1.1.4图灵测试 1.1.5智能的生物和社会模型:主体理论 1.2人工智能应用领域概述 1.2.1博弈 1.2.2自动推理和定理证明 1.2.3专家系统 1.2.4自然语言理解和语义学 1.2.5对人类表现建模 1.2.6规划和机器人学 1.2.7人工智能的语言和环境 1.2.8机器学习 1.2.9其他表示:神经网络和遗传算法 1.2.10 AI和哲学 1.3人工智能小结 1.4结语和参考文献 1.5习题 第二部分 作为表示和搜索的人工智能 第2章 谓词演算 2.0简介 2.1命题演算(选读) 2.1.1符号和语句 2.1.2命题演算的语义 2.2.谓词演算 2.2.1谓词的语法和语句 2.2.2谓词演算的语义 2.2.3语义含义的积木世界例子 2.3使用推理规则产生谓词演算表达式 2.3.1推理规则 2.3.2合一算法 2.3.3合一的例子 2.4应用:一个基于逻辑的财务顾问 2.5结语和参考文献 2.6习题 第3章 状态空间搜索的结构和策略 3.0简介 3.1状态空间搜索的结构 3.1.1图论(选读) 3.1.2有限状态自动机(选读) 3.1.3问题的状态空间表示 3.2用于状态空间搜索的策略 3.2.1数据驱动搜索和目标驱动搜索 3.2.2图搜索的实现 3.2.3深度优先搜索和宽度优先搜索 3.2.4迭代加深的深度优先搜索 3.3利用状态空间来表示命题演算和谓词演算的推理 3.3.1逻辑系统的状态空间描述 3.3.2与或图 3.3.3进一步的例子和应用 3.4结语和参考文献 3.5习题 第4章 启发式搜索 4.0简介 4.1爬山法和动态规划法 4.1.1爬山 4.1.2动态规划 4.2最佳优先搜索算法 4.2.1实现最佳优先搜索 4.2.2实现启发评估函数 4.2.3启发式搜索和专家系统 4.3可采纳性、单调性和信息度 4.3.1可采纳性度量 4.3.2单调性 4.3.3信息度更高的启发是更好的启发 4.4在博弈中使用启发 4.4.1在可穷举搜索图上的极小极大过程 4.4.2固定层深的极小极大过程 4.4.3 α-β过程 4.5复杂度问题 4.6结语和参考文献 4.7习题 第5章 随机方法 5.0简介 5.1计数基础(选读) 5.1.1加法和乘法规则 5.1.2排列与组合 5.2概率论基础 5.2.1样本空间、概率和独立性 5.2.2概率推理:一个道路/交通例子 5.2.3随机变量 5.2.4条件概率 5.3贝叶斯定理 5.4随机方法学的应用 5.4.1 “tomato”是如何发音的 5.4.2道路/交通例子的扩展 5.5结语和参考文献 5.6习题 第6章 为状态空间搜索建立控制算法 6.0简介 6.1基于递归的搜索(选读) 6.1.1递归 6.1.2一个递归搜索的例子:模式驱动推理 6.2产生式系统 6.2.1定义和历史 6.2.2产生式系统的例子 6.2.3产生式系统中的搜索控制 6.2.4 AI产生式系统的优点 6.3用于问题求解的黑板结构 6.4结语和参考文献 6.5习题 第三部分 捕获智能:AI中的挑战 第7章 知识表示 7.0知识表示问题 7.1 AI表示模式的简要历史 7.1.1语义关联理论 7.1.2语义网的早期研究 7.1.3网络关系的标准化 7.1.4脚本 7.1.5框架 7.2概念图:网络语言 7.2.1概念图简介 7.2.2类型、个体和名字 7.2.3类型层次 7.2.4泛化和特化 7.2.5命题结点 7.2.6概念图和逻辑 7.3其他表示方法和本体 7.3.1 Brooks的包容结构 7.3.2 Copycat结构 7.3.3多种表示、本体和知识服务 7.4基于主体的和分布式的问题求解方法 7.4.1基于主体的定义 7.4.2基于主体的应用 7.5结语和参考文献 7.6习题 第8章 求解问题的强方法 8.0简介 8.1专家系统技术概览 8.1.1基于规则的专家系统设计 8.1.2问题选择和知识工程的步骤 8.1.3概念模型及其在知识获取中的作用 8.2基于规则的专家系统 8.2.1产生式系统和目标驱动问题求解 8.2.2目标驱动推理中的解释和透明性 8.2.3利用产生式系统进行数据驱动推理 8.2.4专家系统的启发和控制 8.3基于模型系统、基于案例系统和混合系统 8.3.1基于模型推理简介 8.3.2基于模型推理:来自NASA的例子 8.3.3基于案例推理介绍 8.3.4混合设计:强方法系统的优势和不足 8.4规划 8.4.1规划简介:机器人学 8.4.2使用规划宏:STRIPS 8.4.3 teleo-reactive规划 8.4.4规划:来自NASA的例子 8.5结语和参考文献 8.6习题 第9章 不确定条件下的推理 9.0简介 9.1基于逻辑的反绎推理 9.1.1非单调推理逻辑 9.1.2真值维护系统 9.1.3基于最小模型的逻辑 9.1.4集合覆盖和基于逻辑的反绎 9.2反绎:逻辑之外的办法 9.2.1 Stanford确信度代数 9.2.2模糊集推理 9.2.3 Dempster-Shafer证据理论 9.3处理不确定性的随机方法 9.3.1有向图模型:贝叶斯信念网络 9.3.2有向图模型:d-可分 9.3.3有向图模型:一个推理算法 9.3.4有向图模型:动态贝叶斯网络 9.3.5马尔可夫模型:离散马尔可夫过程 9.3.6马尔可夫模型:变形 9.3.7 BBN概率建模的一阶替代方案 9.4结语和参考文献 9.5习题 第四部分 机器学习 第10章 基于符号的机器学习 10.0简介 10.1基于符号学习的框架 10.2变形空间搜索 10.2.1泛化操作符和概念空间 10.2.2候选解排除算法 10.2.3 LEX:启发式归纳搜索 10.2.4评估候选解排除算法 10.3 ID3决策树归纳算法 10.3.1自顶向下决策树归纳 10.3.2测试选择的信息论方法 10.3.3评价ID3 10.3.4决策树数据问题:打包、推进 10.4归纳偏置和学习能力 10.4.1归纳偏置 10.4.2可学习性理论 10.5知识和学习 10.5.1 Meta-DENDRAL 10.5.2基于解释的学习 10.5.3 EBL和知识层学习 10.5.4类比推理 10.6无监督学习 10.6.1发现和无监督学习 10.6.2概念聚类 10.6.3 COBWEB和分类知识的结构 10.7强化学习 10.7.1强化学习的组成部分 10.7.2一个例子:九宫游戏 10.7.3强化学习的推理算法和应用 10.8结语和参考文献 10.9习题 第11章 机器学习:连接机制 11.0简介 11.1连接网络的基础 11.2感知机学习 11.2.1感知机训练算法 11.2.2例子:用感知机网络进行分类 11.2.3通用delta规则 11.3反传学习 11.3.1反传算法的起源 11.3.2反传算法实例1: NETtalk 11.3.3反传算法实例2:异或 11.4竞争学习 11.4.1对于分类的“胜者全拿”学习 11.4.2学习原型的Kohonen网络 11.4.3 outstar网络和逆传 11.4.4支持向量机 11.5 Hebbian一致性学习 11.5.1概述 11.5.2无监督Hebbian学习的例子 11.5.3有监督Hebbian学习 11.5.4联想记忆和线性联想器 11.6吸引子网络或“记忆” 11.6.1概述 11.6.2双向联想记忆 11.6.3 BAM处理的例子 11.6.4自相关记忆和Hopfield网络 11.7结语和参考文献 11.8习题 第12章 机器学习:遗传性和涌现性 12.0社会性和涌现性的学习模型 12.1遗传算法 12.1.1两个例子:CNF可满足性问题和巡回推销员问题 12.1.2遗传算法的评估 12.2分类器系统和遗传程序设计 12.2.1分类器系统 12.2.2用遗传算子进行程序设计 12.3人工生命和基于社会的学习 12.3.1生命游戏 12.3.2进化规划 12.3.3涌现的实例研究 12.4结语和参考文献 12.5习题 第13章 机器学习:概率理论 13.0学习中的随机模型和动态模型 13.1隐马尔可夫模型(HMM) 13.1.1隐马尔可夫模型的介绍和定义 13.1.2隐马尔可夫模型的重要变形 13.1.3使用HMM和Viterbi解码音素串 13.2动态贝叶斯网络和学习 13.2.1动态贝叶斯网络 13.2.2学习贝叶斯网络 13.2.3期望最大化:一个例子 13.3强化学习的随机扩展 13.3.1马尔可夫决策过程 13.3.2部分可观测的马尔可夫决策过程 13.3.3马尔可夫决策过程实现的例子 13.4结语和参考文献 13.5习题 第五部分 人工智能问题求解的高级课题 第14章 自动推理 14.0定理证明中的弱方法 14.1通用问题求解器和差别表 14.2归结定理证明 14.2.1概述 14.2.2为归结反驳生成子句形式 14.2.3二元归结证明过程 14.2.4归结策略和简化技术 14.2.5从归结反驳中抽取解答 14.3 Prolog和自动推理 14.3.1概述 14.3.2逻辑程序设计和Prolog 14.4自动推理进一步的问题 14.4.1弱方法求解的统一表示法 14.4.2可选推理规则 14.4.3归结反驳支持下的问答机制 14.4.4搜索策略及其使用 14.5结语和参考文献 14.6习题 第15章 自然语言理解 15.0自然语言理解问题 15.1解构语言:分析 15.2语法 15.2.1使用上下文无关文法说明和解析 15.2.2 Earley解析器:动态规划二次访问 15.3转移网络解析器及语义学 15.3.1转移网络解析器 15.3.2乔姆斯基层次和上下文相关文法 15.3.3 ATN解析器的语义 15.3.4结合句法和语义知识的ATN 15.4语言理解的随机工具 15.4.1概述:语言分析中的统计技术 15.4.2马尔可夫模型方法 15.4.3决策树方法 15.4.4解析的概率方法 15.4.5概率上下文无关解析器 15.5自然语言应用 15.5.1故事理解和问题解答 15.5.2数据库前端 15.5.3 Web信息抽取和摘要系统 15.5.4用学习算法来泛化抽取的信息 15.6结语和参考文献 15.7习题 第六部分 后记 第16章 人工智能是经验式的学科 16.0简介 16.1人工智能:修订的定义 16.1.1人工智能和物理符号系统假设 16.1.2连接或者“神经”计算 16.1.3主体、涌现和智能 16.1.4概率模型和随机技术 16.2智能系统科学 16.2.1心理学约束 16.2.2认识论问题 16.3人工智能:当前的挑战和未来的方向 16.4结语和参考文献