深入浅出人工智能 第2版PDF电子书下载

查看更多关于的内容

第1章 导论 1

1.1什么是人工智能 1

1.1.1脑科学与问题求解 3

1.1.2图灵测试及聊天机器人 5

1.2 AI的历史 5

1.2.1人工智能的开始 8

1.2.2基于逻辑的问题求解 8

1.2.3新联接主义 9

1.2.4不确定性推理 9

1.2.5分布式的自治且有学习能力的智能体 10

1.2.6人工智能的进一步发展 10

1.2.7人工智能革命 10

1.3人工智能与社会 11

1.3.1人工智能会抢夺人类的工作吗 11

1.3.2 AI与交通 11

1.3.3服务机器人 12

1.4智能体 13

1.5基于知识的系统 15

1.6练习 17

第2章 命题逻辑 19

2.1句法 19

2.2语义 20

2.3证明系统 22

2.4归结 25

2.5 Horn子句 28

2.6可计算性和复杂性 30

2.7应用及限制 30

2.8练习 31

第3章 一阶谓词逻辑 33

3.1句法 34

3.2语义 35

3.3量词和范式 38

3.4证明演算 41

3.5归结 42

3.5.1归结策略 45

3.5.2等值 45

3.6自动定理证明 46

3.7数学例子 47

3.8应用 50

3.9小结 52

3.10练习 52

第4章 逻辑的局限性 55

4.1搜索空间问题 55

4.2可判定性和不完备性 57

4.3会飞的企鹅 58

4.4模型的不确定性 60

4.5练习 61

第5章 Prolog逻辑程序设计 63

5.1 Prolog系统及实现 64

5.2简单例子 64

5.3执行控制和过程要素 67

5.4列表 68

5.5自我修改程序 70

5.6规划示例 71

5.7约束逻辑编程 73

5.8总结 74

5.9练习 75

第6章 搜索、博弈与问题求解 79

6.1引言 79

6.2无信息搜索 84

6.2.1宽度优先搜索 84

6.2.2深度优先搜索 85

6.2.3迭代深入 87

6.2.4对比 88

6.2.5循环校验 89

6.3启发式搜索 90

6.3.1贪婪搜索 92

6.3.2 A*搜索 93

6.3.3 A*搜索算法的路径规划 95

6.3.4 IDA*搜索 96

6.3.5搜索算法的经验对比 97

6.3.6总结 98

6.4对弈 99

6.4.1最小最大搜索 99

6.4.2 Alpha-Beta剪枝 100

6.4.3非决定性游戏 102

6.5启发式评估函数 102

6.6搜索前沿现状 104

6.6.1象棋 104

6.6.2围棋 105

6.7练习 106

第7章 不确定性推理 109

7.1概率计算 111

7.2最大熵的原理 118

7.2.1概率推理规则 118

7.2.2无明确约束的最大熵 122

7.2.3条件概率与实质蕴含 123

7.2.4 MaxEnt系统 124

7.2.5 tweety示例 125

7.3 LEXMED，一个阑尾炎诊断专家系统 126

7.3.1正规方式的阑尾炎诊断 126

7.3.2混合概率知识库 127

7.3.3 LEXMED的应用 129

7.3.4 LEXMED的功能 130

7.3.5使用代价矩阵进行风险管理 133

7.3.6性能 134

7.3.7应用领域和经验 136

7.4贝叶斯网络推理 137

7.4.1独立变量 137

7.4.2将知识的图解作为贝叶斯网络 138

7.4.3条件独立 139

7.4.4实际应用 139

7.4.5贝叶斯网络软件 141

7.4.6贝叶斯网络的发展 142

7.4.7贝叶斯网络的语义 145

7.5总结 146

7.6练习 148

第8章 机器学习与数据挖掘 151

8.1数据分析 156

8.2感知器，一个线性分类器 158

8.2.1学习规则 160

8.2.2优化与展望 163

8.3最近邻算法 163

8.3.1两类、多类、近似 166

8.3.2距离与分类相关 167

8.3.3计算时间 168

8.3.4总结与展望 169

8.3.5基于案例的推理 170

8.4决策树学习 171

8.4.1一个简单的例子 171

8.4.2将熵作为信息量的度量 173

8.4.3信息增益 175

8.4.4 C4.5算法的应用 177

8.4.5对阑尾炎诊断的学习 179

8.4.6连续属性 181

8.4.7剪枝 182

8.4.8 缺失值 183

8.4.9总结 183

8.5交叉验证和过拟合 184

8.6贝叶斯网络的学习 185

8.7朴素贝叶斯分类器 187

8.8单类学习 191

8.9聚类 193

8.9.1距离度量 194

8.9.2 K均值与EM算法 195

8.9.3层次聚类 196

8.9.4如何确定簇的数量 197

8.10实践中的数据挖掘 200

8.11总结 203

8.12练习 205

第9章 神经网络 209

9.1从生物学到仿真 210

9.2 Hopfield网络 213

9.2.1一个模式识别应用实例 214

9.2.2分析 216

9.2.3总结与展望 218

9.3神经联想记忆 219

9.3.1关联矩阵存储器 220

9.3.2二进制Hebb定律 221

9.3.3拼写纠正程序 223

9.4具有最小错误的线性网络 224

9.4.1最小二乘法 225

9.4.2阑尾炎数据的应用 227

9.4.3 delta规则 227

9.4.4与感知器的比较 229

9.5反向传播算法 230

9.5.1 NETtalk：让网络学着去说话 232

9.5.2关于定理证明的启发式学习 234

9.5.3问题与改进 234

9.6支持向量机 235

9.7深度学习 237

9.7.1效法自然 237

9.7.2叠加去噪自动编码器 238

9.7.3其他方法 239

9.7.4系统和实现 240

9.7.5深度学习的应用 240

9.8创造性 241

9.9神经网络的应用 243

9.10总结与展望 243

9.11练习 244

第10章 强化学习 247

10.1什么是强化学习 247

10.2学习任务 249

10.3不使用已有信息的组合搜索 251

10.4值迭代与动态规划 252

10.5一种学习型步行机器人及其仿真 255

10.6 Q学习 257

10.7探索与开发 261

10.8逼近、推广与收敛性 261

10.9应用 262

10.10 AlphaGo围棋的突破 263

10.11维数灾难 265

10.12总结与展望 266

10.13练习 267

第11章 练习解答 269

11.1导论 269

11.2命题逻辑 270

11.3一阶谓词逻辑 272

11.4逻辑的局限性 274

11.5 Prolog逻辑程序设计 274

11.6搜索、博弈和问题求解 276

11.7不确定性推理 278

11.8机器学习与数据挖掘 285

11.9神经网络 291

11.10强化学习 293

查看更多关于的内容