掃一掃
關(guān)注中圖網(wǎng)
官方微博
人工智能基礎(chǔ):問題解決和自動(dòng)推理
開本：
其他
頁數(shù)：
215
本類五星書更多>
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計(jì)算機(jī)系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈(zèng)1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
中圖價(jià):¥41.3
加入購物車
人工智能基礎(chǔ):問題解決和自動(dòng)推理 版權(quán)信息
- ISBN：9787302662648
- 條形碼：9787302662648 ; 978-7-302-66264-8
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
人工智能基礎(chǔ):問題解決和自動(dòng)推理 本書特色
（1）知識(shí)覆蓋廣泛，包括盲搜、啟發(fā)式搜索和退火、對(duì)抗搜索、規(guī)劃、遺傳算法、人工生命、涌現(xiàn)特性和群體智能、自動(dòng)推理的要素、邏輯與推理（簡化版）、使用變量的邏輯和推理、表示知識(shí)的不同方式，自動(dòng)推理道路上的障礙、概率推理、模糊集、專家系統(tǒng)的優(yōu)點(diǎn)和缺點(diǎn)、超越核心人工智能等。
（2）重點(diǎn)突出、易于閱讀理解、理論深度適當(dāng)，解決人工智能基礎(chǔ)的問題解決和自動(dòng)推理的兩個(gè)關(guān)鍵性問題，呈現(xiàn)人工智能的基礎(chǔ)。
（3）以簡潔的格式編寫，具有優(yōu)化學(xué)習(xí)的范圍和格式，內(nèi)容新穎獨(dú)特，適合不同層次的學(xué)生和學(xué)者。從人工智能的內(nèi)涵講述每個(gè)算法自身的故事、歷史背景，以及曾經(jīng)激發(fā)其構(gòu)想的特定需求，培養(yǎng)讀者對(duì)學(xué)科的喜愛，使其學(xué)習(xí)更愉快，進(jìn)而深度思索人工智能內(nèi)涵。
人工智能基礎(chǔ):問題解決和自動(dòng)推理 內(nèi)容簡介
本書專注于當(dāng)今人工智能的核心技術(shù)和過程，包括章節(jié)總結(jié)、歷史概述、練習(xí)、計(jì)算機(jī)作業(yè)、思維實(shí)驗(yàn)，以及強(qiáng)化關(guān)鍵概念的控制題；借助可視化圖形來說明基本思想，通過易于遵循的示例來說明如何在實(shí)際實(shí)現(xiàn)中使用這些思想。本書可作為人工智能、計(jì)算機(jī)科學(xué)與技術(shù)、控制科學(xué)與工程、優(yōu)化理論等專業(yè)本科生、研究生的專業(yè)課教材，也可供計(jì)算機(jī)科學(xué)與技術(shù)、控制科學(xué)與工程、人工智能網(wǎng)絡(luò)優(yōu)化等領(lǐng)域的科技人員參考。
人工智能基礎(chǔ):問題解決和自動(dòng)推理 目錄
第1章核心人工智能： 問題解決和
自動(dòng)推理
1．1早期的里程碑 1．1．1數(shù)字運(yùn)算的極限 1．1．2AI的誕生 1．1．3早期策略： 搜索
算法 1．1．4早期的智慧： 計(jì)算機(jī)
需要知識(shí) 1．1．5編程語言 1．1．6教科書： 許多不同的
主題 1．1．721世紀(jì)的展望 1．2問題解決 1．2．1典型問題 1．2．2經(jīng)典搜索方法 1．2．3規(guī)劃 1．2．4遺傳算法 1．2．5群體智能算法 1．2．6涌現(xiàn)特性和人工
生命 1．3自動(dòng)推理 1．3．1斑馬問題 1．3．2計(jì)算機(jī)能解決斑馬
問題嗎 1．3．3家庭關(guān)系 1．3．4知識(shí)表示 1．3．5自動(dòng)推理 1．3．6不那么明確的
概念 1．3．7不完美的知識(shí) 1．3．8不確定性處理 1．3．9專家系統(tǒng) 1．4本書結(jié)構(gòu)與方法 第2章盲搜 2．1動(dòng)機(jī)和術(shù)語 2．1．1簡單謎題 2．1．2搜索樹 2．1．3搜索操作符 2．1．4人工智能中的
盲搜 2．1．5滑方塊 2．1．6傳教士和食人族 2．1．7程序員的視角 2．2深度優(yōu)先搜索和廣度優(yōu)先
搜索 2．2．1搜索樹舉例 2．2．2深度優(yōu)先搜索:
原理 2．2．3深度優(yōu)先搜索
算法 2．2．4數(shù)值舉例 2．2．5廣度優(yōu)先搜索：
原理 2．2．6廣度優(yōu)先搜索
算法
2．2．7數(shù)值舉例 2．3實(shí)際考慮 2．3．1通用搜索模型 2．3．2*終狀態(tài)的確切形式
可能是未知的 2．3．3*終狀態(tài)的未知形式：
舉例 2．3．4驗(yàn)證狀態(tài)是否為*終狀
態(tài)可能代價(jià)高昂 2．3．5目標(biāo)1——問題的解看
上去怎樣 2．3．6目標(biāo)2——什么途徑可
以得到問題的解 2．3．7停止條件 2．3．8檢查Lseen可能代價(jià)
高昂 2．3．9搜索有序列表 2．3．10哈希函數(shù) 2．4搜索性能方面 2．4．1代價(jià)計(jì)量 2．4．2分支因子 2．4．3搜索深度 2．4．4BFS的內(nèi)存開銷 2．4．5DFS的內(nèi)存開銷 2．4．6兩種算法的計(jì)算
代價(jià) 2．4．7兩者哪個(gè)成本
更低 2．4．8尋找比爾的家 2．4．9具有多個(gè)*終狀態(tài)的
場(chǎng)景 2．5迭代深化(和擴(kuò)展) 2．5．1ID算法 2．5．2為什么該技術(shù)
有效 2．5．3數(shù)值舉例 2．5．4哪些因素決定了搜索
成本 2．5．5迭代深化是否
浪費(fèi) 2．5．6ID與基本算法的
比較 2．5．7注意事項(xiàng) 2．5．8備選方案： 迭代
擴(kuò)展 2．6熟能生巧 2．7結(jié)語 第3章啟發(fā)式搜索和退火 3．1爬山算法和*佳優(yōu)先搜索 3．1．1評(píng)價(jià)函數(shù) 3．1．2數(shù)值舉例： 滑
方塊 3．1．3復(fù)雜的評(píng)價(jià)函數(shù) 3．1．4*大化或*小化 3．1．5爬山算法 3．1．6*佳優(yōu)先搜索 3．1．7實(shí)現(xiàn)*佳優(yōu)先搜索的
兩種方法 3．1．8兩種方法的比較 3．1．9人類的搜索方式 3．2評(píng)價(jià)函數(shù)的實(shí)踐方面 3．2．1狀態(tài)值的時(shí)間
惡化 3．2．2多個(gè)狀態(tài)可以有
相同的值 3．2．3前瞻性評(píng)價(jià)策略 3．2．4集束搜索 3．2．5N在集束搜索中的
作用 3．2．6數(shù)值舉例 3．2．7昂貴的評(píng)價(jià) 3．3A*和IDA* 3．3．1動(dòng)機(jī) 3．3．2代價(jià)函數(shù) 3．3．3A*算法 3．3．4數(shù)值舉例 3．3．5A*的兩個(gè)版本 3．3．6更復(fù)雜的代價(jià)
函數(shù) 3．3．7跳躍式技術(shù) 3．3．8IDA* 3．4模擬退火 3．4．1生長無缺陷晶體 3．4．2正式視圖 3．4．3AI視角 3．4．4簡化視角下的模擬
退火 3．4．5狀態(tài)值的影響 3．4．6溫度影響 3．4．7冷卻 3．4．8初始溫度 3．5背景知識(shí)的作用 3．5．1AI搜索解決的幻方
問題 3．5．2數(shù)學(xué)家解決幻方
問題 3．5．3課程： 背景知識(shí)的
好處 3．5．4數(shù)獨(dú)中的分支
因子 3．5．5斑馬謎題 3．6連續(xù)域 3．6．1連續(xù)域舉例 3．6．2離散化 3．6．3梯度上升與神經(jīng)
網(wǎng)絡(luò) 3．6．4群體智能算法 3．7熟能生巧 3．8結(jié)語 第4章對(duì)抗搜索 4．1典型問題 4．1．1簡單游戲舉例 4．1．2其他游戲 4．1．3更普遍的觀點(diǎn) 4．1．4與經(jīng)典搜索的
區(qū)別 4．2基準(zhǔn)極小極大算法 4．2．1*大化者和*小
化者 4．2．2游戲樹 4．2．3父母自孩子遺傳 4．2．4極小極大算法
原理 4．2．5數(shù)值舉例 4．2．6回傳值 4．3啟發(fā)式極小極大算法 4．3．1游戲樹過于龐大 4．3．2深度必須受到
限制 4．3．3對(duì)抗搜索中的評(píng)價(jià)
函數(shù) 4．3．4評(píng)價(jià)函數(shù)從何
而來 4．3．5啟發(fā)式極小極大
算法原理 4．3．6影響游戲玩得好壞
的因素 4．3．7靈活的評(píng)價(jià)深度 4．3．8計(jì)算代價(jià)可能很
昂貴 4．3．9成功案例 4．4AlphaBeta剪枝 4．4．1常規(guī)情況 4．4．2多余的評(píng)價(jià) 4．4．3另一個(gè)例子 4．4．4關(guān)于剪枝算法 4．4．5關(guān)于AlphaBeta
剪枝 4．4．6反向方法 4．5額外的游戲編程技巧 4．5．1啟發(fā)式的算法控制
搜索深度 4．5．2望向視野外 4．5．3開局庫 4．5．4殘局查找表 4．5．5人類模式識(shí)別
技能 4．5．6人類的“剪枝”
方式 4．5．7游戲中的模式
識(shí)別 4．6熟能生巧 4．7結(jié)語 第5章規(guī)劃 5．1玩具積木 5．1．1移動(dòng)積木 5．1．2描述符 5．1．3狀態(tài)描述示例 5．1．4注釋 5．2可用操作 5．2．1玩具場(chǎng)景的操作 5．2．2前提條件列表 5．2．3添加列表 5．2．4刪除列表 5．2．5定義move(x,y,z) 5．2．6通用操作的實(shí)
例化 5．2．7有多少個(gè)實(shí)例 5．2．8執(zhí)行操作 5．2．9示例 5．3使用STRIPS進(jìn)行規(guī)劃 5．3．1目標(biāo)集 5．3．2一般理念 5．3．3具體實(shí)例 5．3．4如何確定行動(dòng) 5．3．5倒數(shù)第二個(gè)狀態(tài)是
什么樣的 5．3．6STRIPS的偽
代碼 5．4數(shù)值舉例 5．4．1應(yīng)該考慮哪些
操作 5．4．2檢查列表 5．4．3注意事項(xiàng) 5．4．4描述前一個(gè)狀態(tài) 5．4．5迭代過程 5．5人工智能規(guī)劃的高級(jí)應(yīng)用 5．5．1旅行推銷員問題 5．5．2包裹投遞和數(shù)據(jù)包
路由 5．5．3救護(hù)車路由 5．5．4背包問題 5．5．5工作車間調(diào)度 5．5．6注意事項(xiàng) 5．5．7重要評(píng)論 5．6熟能生巧 5．7結(jié)語 第6章遺傳算法 6．1一般模式 6．1．1不完全復(fù)制，適者
生存 6．1．2GA應(yīng)用中的
個(gè)體 6．1．3基本循環(huán) 6．1．4人口 6．1．5適者生存 6．1．6有多少代 6．1．7停止標(biāo)準(zhǔn) 6．2不完全復(fù)制與生存 6．2．1交配 6．2．2重組 6．2．3變異 6．2．4實(shí)施生存博弈 6．2．5利用生存機(jī)制進(jìn)行
交配 6．2．6評(píng)論生存游戲 6．2．7屬于父母兩邊的
孩子 6．2．8GA的簡單任務(wù) 6．2．9探索與父母的
距離 6．2．10重組與變異 6．2．11算法為何有效 6．3其他GA操作符 6．3．1兩點(diǎn)交叉 6．3．2隨機(jī)位交換 6．3．3反轉(zhuǎn) 6．3．4程序員控制程序的
方法 6．4潛在問題 6．4．1退化種群 6．4．2無害退化與過早
退化 6．4．3識(shí)別退化狀態(tài) 6．4．4擺脫退化狀態(tài) 6．4．5設(shè)計(jì)不當(dāng)?shù)倪m應(yīng)度
函數(shù) 6．4．6不能反映遺傳算法目
標(biāo)的適應(yīng)度函數(shù) 6．5高級(jí)變體 6．5．1數(shù)字染色體 6．5．2樹結(jié)構(gòu)形式的染
色體 6．5．3多人群和多目標(biāo) 6．5．4拉馬克方法 6．6GA和背包問題 6．6．1背包規(guī)則(修
訂版) 6．6．2用二進(jìn)制字符串對(duì)
問題進(jìn)行編碼 6．6．3運(yùn)行程序 6．6．4GA是否能找到*佳
解決方案 6．6．5觀察： 隱含并
行性 6．6．6用數(shù)字字符串編碼
包內(nèi)容 6．6．7數(shù)字字符串中的
變異和重組 6．6．8小結(jié) 6．7GA和囚徒困境 6．7．1要保密還是選擇告發(fā)/
告密 6．7．2實(shí)際觀察 6．7．3重復(fù)事件的策略 6．7．4在染色體中編碼
策略 6．7．5早期回合 6．7．6錦標(biāo)賽方法 6．7．7實(shí)驗(yàn)表現(xiàn) 6．7．8小結(jié) 6．8熟能生巧 6．9結(jié)語 第7章人工生命 7．1涌現(xiàn)特性 7．1．1從原子到蛋白質(zhì) 7．1．2從分子到社會(huì) 7．1．3從字母到詩歌 7．1．4通往人工生命
之路 7．2L系統(tǒng) 7．2．1原始的L系統(tǒng)
規(guī)則 7．2．2另一個(gè)例子： 康托爾
集合 7．2．3啟示 7．3細(xì)胞自動(dòng)機(jī) 7．3．1簡單示例 7．3．2變化 7．3．3增加另一個(gè)維度 7．4康威的生命游戲 7．4．1棋盤及其單元格 7．4．2規(guī)則 7．4．3更有趣的例子 7．4．4典型行為 7．4．5小結(jié) 7．5熟能生巧 7．6結(jié)語 第8章涌現(xiàn)特性和群體智能 8．1蟻群優(yōu)化 8．1．1瑣碎的表述 8．1．2蟻群選擇 8．1．3信息素路徑 8．1．4選擇路徑 8．1．5揮發(fā)與添加 8．1．6程序員的視角 8．1．7選擇具體路徑的
概率 8．1．8路徑選擇機(jī)制 8．1．9添加信息素 8．1．10信息素?fù)]發(fā) 8．1．11非穩(wěn)態(tài)任務(wù) 8．2ACO算法解決推銷員
問題 8．2．1螞蟻與智能體 8．2．2ACO對(duì)TSP的
看法 8．2．3初始化 8．2．4建立概率決策 8．2．5數(shù)值舉例 8．2．6一只螞蟻會(huì)釋放多少
信息素 8．2．7各路線上的螞蟻
數(shù)量 8．2．8在每條邊上添加信
息素 8．2．9更新數(shù)值 8．2．10完整的概率
公式 8．2．11ACO處理推銷員問題
(TSP)的概述 8．2．12結(jié)束語 8．2．13主要限制 8．3粒子群優(yōu)化算法 8．3．1是粒子還是鳥 8．3．2尋找多元函數(shù)的*
大值 8．3．3專業(yè)術(shù)語 8．3．43個(gè)假設(shè) 8．3．5智能體的目標(biāo) 8．3．6更新速度和位置：
簡單公式 8．3．7速度更新的全尺寸
版本 8．3．8c1和c2的值應(yīng)該是
多少 8．3．9PSO 算法的總體
流程 8．3．10可能的并發(fā)
問題 8．3．11本地極端行為的危
險(xiǎn)性 8．3．12多個(gè)群體 8．4人工蜂群算法 8．4．1原始靈感 8．4．2這個(gè)比喻對(duì)人工智能
的貢獻(xiàn) 8．4．3任務(wù) 8．4．4**步 8．4．5如何選擇有前途的
目標(biāo) 8．4．6跟隨蜜蜂 8．4．7更新*佳位置 8．4．8支援蜜蜂 8．4．9參數(shù) 8．4．10算法 8．5熟能生巧 8．6結(jié)語 第9章自動(dòng)推理的要素 9．1事實(shí)與查詢 9．1．1事實(shí)列表 9．1．2回答用戶的查詢 9．1．3帶變量的查詢 9．1．4多個(gè)變量 9．1．5復(fù)合查詢 9．1．6練習(xí) 9．1．7將變量與具體值
綁定 9．1．8如何處理復(fù)合
查詢 9．1．9謂詞排序 9．1．10查詢回答和
搜索 9．1．11嵌套論證 9．2規(guī)則和基于知識(shí)的系統(tǒng) 9．2．1簡單規(guī)則 9．2．2較長的規(guī)則 9．2．3規(guī)則的形式觀 9．2．4封閉世界假設(shè) 9．2．5基于知識(shí)的系統(tǒng) 9．3使用規(guī)則進(jìn)行簡單推理 9．3．1回答查詢 9．3．2基礎(chǔ)知識(shí)之外 9．3．3由多條規(guī)則定義的
概念 9．3．4斷分正則表達(dá)式 9．3．5遞歸概念定義 9．3．6評(píng)估遞歸概念 9．3．7關(guān)于遞歸的評(píng)論 9．3．8小結(jié) 9．4熟能生巧 9．5結(jié)語 第10章邏輯與推理（簡化版） 10．1蘊(yùn)涵、推理、定理證明 10．1．1蘊(yùn)涵 10．1．2推理過程 10．1．3*簡形式的肯定
前項(xiàng)式 10．1．4示例 10．1．5其他推理
機(jī)制 10．1．6推理過程的可
靠性 10．1．7推理過程的完
備性 10．1．8定理證明 10．1．9半可判定性 10．2基于肯定前項(xiàng)式的
推理 10．2．1肯定前項(xiàng)式的
一般形式 10．2．2霍恩子句 10．2．3事件的真實(shí)性與
虛假性 10．2．4具體示例 10．2．5實(shí)際考慮 10．2．6霍恩子句知識(shí)庫中
的推理 10．3運(yùn)用歸結(jié)原則進(jìn)行
推理 10．3．1標(biāo)準(zhǔn)形式 10．3．2歸結(jié)原則 10．3．3理論的優(yōu)勢(shì) 10．3．4具體舉例1 10．3．5實(shí)際考慮 10．3．6計(jì)算成本 10．3．7反向鏈 10．3．8具體舉例2 10．3．9歸結(jié)作為
搜索 10．4運(yùn)用標(biāo)準(zhǔn)形式表達(dá)
知識(shí) 10．4．1標(biāo)準(zhǔn)形式(修
改版) 10．4．2轉(zhuǎn)換為標(biāo)準(zhǔn)
形式 10．4．3具體舉例 10．5熟能生巧 10．6結(jié)語 第11章使用變量的邏輯和推理 11．1規(guī)則和量詞 11．1．1對(duì)象和函數(shù) 11．1．2關(guān)系 11．1．3常量和變量 11．1．4參數(shù)順序 11．1．5原子和表
達(dá)式 11．1．6自動(dòng)推理中的邏輯
表達(dá)式 11．1．7全稱量詞 11．1．8存在量詞 11．1．9量詞的順序 11．1．10其他示例 11．2刪除量詞 11．2．1刪除一些存在
量詞 11．2．2存在量化
向量 11．2．3經(jīng)常被忽視的
案例 11．2．4斯科勒姆化 11．2．5刪除剩余的存在
量詞 11．2．6消失的
后果 11．3綁定、統(tǒng)一和推理 11．3．1綁定變量 11．3．2綁定列表 11．3．3嵌套關(guān)系的
綁定 11．3．4統(tǒng)一 11．3．5使用變量的肯定
前項(xiàng)式和歸結(jié)
原則 11．4實(shí)用推理程序 11．4．1具體示例 11．4．2多個(gè)解決
方案 11．4．3綁定數(shù)量 11．4．4從左邊開始 11．4．5加速推理
過程 11．4．6先行的策略 11．4．7回跳 11．5熟能生巧 11．6結(jié)語 第12章表示知識(shí)的不同方式 12．1框架和語義網(wǎng)絡(luò) 12．1．1框架的具體
例子 12．1．2繼承值 12．1．3規(guī)則的例外 12．1．4語義網(wǎng)絡(luò) 12．2基于框架的知識(shí)推理 12．2．1查找實(shí)例
的類 12．2．2找到一個(gè)變量
的值 12．2．3語義網(wǎng)絡(luò)中的
推理 12．2．4框架中推理的計(jì)算
成本 12．3框架和SN中的N元
關(guān)系 12．3．1二元關(guān)系與
框架 12．3．2基于二元關(guān)系的
框架推理 12．3．3將二元關(guān)系轉(zhuǎn)換為
規(guī)則 12．3．4促進(jìn)二元關(guān)系推理
的規(guī)則 12．3．5N元關(guān)系帶來的
困難 12．4熟能生巧 12．5結(jié)語 第13章自動(dòng)推理道路上的障礙 13．1隱性假設(shè) 13．1．1框架問題 13．1．2隱性假設(shè) 13．2非單調(diào)性 13．2．1推理的單
調(diào)性 13．2．2母雞會(huì)飛嗎 13．2．3它們不會(huì)
飛嗎 13．2．4一般情況 13．2．5異常情況 13．2．6選擇哪個(gè)
版本 13．2．7理論、假設(shè)和
擴(kuò)展 13．2．8多個(gè)擴(kuò)展 13．2．9多值邏輯 13．2．10框架和語義
網(wǎng)絡(luò) 13．3Mycin的不確定性
因素 13．3．1不確定性
處理 13．3．2Mycin的確定性
因素 13．3．3一組事實(shí)和規(guī)則
的真相 13．3．4否定的確
定性 13．3．5數(shù)值舉例1 13．3．6確定性因素和肯定
前項(xiàng)式 13．3．7數(shù)值舉例2 13．3．8結(jié)合證據(jù) 13．3．9直觀的解釋 13．3．10數(shù)值舉例3 13．3．11數(shù)值舉例4 13．3．12兩種以上的
選擇 13．3．13理論基礎(chǔ) 13．4熟能生巧 13．5結(jié)語 第14章概率推理 14．1概率論(修改版) 14．1．1概率信息
來源 14．1．2單位間隔 14．1．3聯(lián)合概率 14．1．4數(shù)值舉例 14．1．5條件概率 14．1．6更一般的
公式 14．1．7罕見事件： m
估計(jì) 14．1．8通過m來量化
信心 14．1．9數(shù)值舉例 14．2概率與推理 14．2．1家庭關(guān)系領(lǐng)域的
例子 14．2．2規(guī)則和條件
概率 14．2．3依賴事件和獨(dú)立
事件 14．2．4貝葉斯公式 14．2．5貝葉斯公式和概率
推理 14．2．6選擇*有可能的
假設(shè) 14．3信念網(wǎng)絡(luò) 14．3．1信念網(wǎng)絡(luò)
概述 14．3．2數(shù)值舉例 14．3．3具體情況的
概率 14．3．4結(jié)論的概率 14．3．5B是真的嗎 14．4處理更現(xiàn)實(shí)的領(lǐng)域 14．4．1更大的信念
網(wǎng)絡(luò) 14．4．2看不見的原因和
漏洞節(jié)點(diǎn) 14．4．3需要太多的
概率 14．4．4樸素貝葉斯 14．4．5樸素貝葉斯假設(shè)是
否有害 14．4．6否定概率
(提醒) 14．4．7P(X|A1∨A2∨…
∨An)的概率是
多少 14．4．8具體事件的
概率 14．4．9數(shù)值舉例 14．4．10這些概率從哪
里來 14．5DempsterShafer理論：
使用權(quán)重代替概率 14．5．1動(dòng)機(jī) 14．5．2權(quán)重而非
概率 14．5．3辨識(shí)框架 14．5．4單例和組合
實(shí)例 14．6從權(quán)重到信念和可信度 14．6．1基本信念
分配 14．6．2任何BBA的基本
特性 14．6．3相信某個(gè)
命題 14．6．4命題的可
信度 14．6．5不確定性由兩個(gè)
值量化 14．6．6數(shù)值舉例 14．7DST證據(jù)組合規(guī)則 14．7．1多個(gè)權(quán)重轉(zhuǎn)移的
源頭 14．7．2沖突的級(jí)別 14．7．3組合法則 14．7．4數(shù)值舉例 14．7．5不止兩個(gè)來源的
情況 14．7．6BBA通常是什么
樣的 14．8熟能生巧 14．9結(jié)語 第15章模糊集 15．1現(xiàn)實(shí)世界概念的模
糊性 15．1．1清晰概念和模糊
概念 15．1．2堆的悖論 15．1．3視覺示例 15．1．4另一個(gè)例子 15．2模糊集成員資格 15．2．1隸屬度 15．2．2黑色矩形 15．2．3有才華的
學(xué)生 15．2．4高個(gè)子 15．2．5溫暖的房間 15．2．6μA(x)函數(shù)的其他
常見形狀 15．2．7μA(x)的值
來源 15．3模糊性與其他范式的
比較 15．3．1一個(gè)清晰事件發(fā)生
的概率 15．3．2特征的范圍 15．3．3模糊值的
概率 15．3．4模糊概率 15．4模糊集合運(yùn)算 15．4．1模糊邏輯 15．4．2合取 15．4．3析取 15．4．4否定 15．4．5圖形說明 15．4．6數(shù)值舉例 15．4．7復(fù)雜表達(dá) 15．5計(jì)算語言變量 15．5．1語言變量的
例子 15．5．2語言變量的主
觀性 15．5．3上下文依賴 15．5．4計(jì)算模糊對(duì)象
數(shù)量 15．5．5數(shù)值舉例 15．5．6更高級(jí)的
例子 15．6模糊推理 15．6．1模糊規(guī)則 15．6．2更加真實(shí)的
規(guī)則 15．6．3用模糊規(guī)則
推理 15．6．4傳播隸屬度 15．6．5模糊控制 15．7熟能生巧 15．8結(jié)語 第16章專家系統(tǒng)的優(yōu)點(diǎn)和缺點(diǎn) 16．1早期探索： Mycin 16．1．1實(shí)現(xiàn) 16．1．2預(yù)期的應(yīng)用
范圍 16．1．3早期關(guān)注 16．1．4早期希望 16．2后續(xù)發(fā)展 16．2．1另一個(gè)醫(yī)學(xué)
系統(tǒng) 16．2．2發(fā)展前景 16．2．3數(shù)以百計(jì)的專家
系統(tǒng) 16．2．4過高期待的
風(fēng)險(xiǎn) 16．2．5懷疑主義 16．2．6現(xiàn)狀 16．3一些經(jīng)驗(yàn) 16．3．15分鐘到5小時(shí)
規(guī)則 16．3．2瓶頸： 知識(shí)庫 16．3．3通信模塊 16．3．4優(yōu)雅降級(jí) 16．4熟能生巧 16．5結(jié)語 第17章超越核心人工智能 17．1計(jì)算機(jī)視覺 17．1．1圖像及其
像素 17．1．2去除噪聲 17．1．3邊緣檢測(cè) 17．1．4連接邊緣 17．1．5紋理 17．1．6顏色 17．1．7分割 17．1．8場(chǎng)景解釋 17．1．9現(xiàn)代方法 17．2自然語言處理 17．2．1信號(hào)處理 17．2．2句法分析
(解析) 17．2．3語義分析 17．2．4歧義 17．2．5語言生成 17．2．6現(xiàn)代方法： 機(jī)器
學(xué)習(xí) 17．3機(jī)器學(xué)習(xí) 17．3．1知識(shí)獲取： 人工
智能的瓶頸 17．3．2從實(shí)例中
學(xué)習(xí) 17．3．3規(guī)則和決
策樹 17．3．4其他方法 17．3．5舊機(jī)器學(xué)習(xí)的普遍
理念 17．3．6如今的機(jī)器
學(xué)習(xí) 17．4智能體技術(shù) 17．4．1為什么選擇智
能體 17．4．2框架 17．5結(jié)語 第18章哲學(xué)思考 18．1圖靈測(cè)試 18．1．1圖靈的基本
方案 18．1．2其他應(yīng)用 18．1．3打破圖靈
測(cè)試 18．2中文房間和其他意見 18．2．1Searle的基本
設(shè)想 18．2．2這個(gè)人是否懂
中文 18．2．3哲學(xué)家的
觀點(diǎn) 18．2．4下棋程序帶來的
啟示 18．2．5圖靈對(duì)神學(xué)保留
意見的回應(yīng) 18．2．6弱人工智能與強(qiáng)
人工智能 18．3工程師角度 18．3．1實(shí)踐性 18．3．2人們是否應(yīng)該
擔(dān)憂 18．3．3增強(qiáng)人類
智慧 18．3．4現(xiàn)有人工智能的
局限性 18．4結(jié)語 參考文獻(xiàn)
自動(dòng)推理
1．1早期的里程碑 1．1．1數(shù)字運(yùn)算的極限 1．1．2AI的誕生 1．1．3早期策略： 搜索
算法 1．1．4早期的智慧： 計(jì)算機(jī)
需要知識(shí) 1．1．5編程語言 1．1．6教科書： 許多不同的
主題 1．1．721世紀(jì)的展望 1．2問題解決 1．2．1典型問題 1．2．2經(jīng)典搜索方法 1．2．3規(guī)劃 1．2．4遺傳算法 1．2．5群體智能算法 1．2．6涌現(xiàn)特性和人工
生命 1．3自動(dòng)推理 1．3．1斑馬問題 1．3．2計(jì)算機(jī)能解決斑馬
問題嗎 1．3．3家庭關(guān)系 1．3．4知識(shí)表示 1．3．5自動(dòng)推理 1．3．6不那么明確的
概念 1．3．7不完美的知識(shí) 1．3．8不確定性處理 1．3．9專家系統(tǒng) 1．4本書結(jié)構(gòu)與方法 第2章盲搜 2．1動(dòng)機(jī)和術(shù)語 2．1．1簡單謎題 2．1．2搜索樹 2．1．3搜索操作符 2．1．4人工智能中的
盲搜 2．1．5滑方塊 2．1．6傳教士和食人族 2．1．7程序員的視角 2．2深度優(yōu)先搜索和廣度優(yōu)先
搜索 2．2．1搜索樹舉例 2．2．2深度優(yōu)先搜索:
原理 2．2．3深度優(yōu)先搜索
算法 2．2．4數(shù)值舉例 2．2．5廣度優(yōu)先搜索：
原理 2．2．6廣度優(yōu)先搜索
算法
2．2．7數(shù)值舉例 2．3實(shí)際考慮 2．3．1通用搜索模型 2．3．2*終狀態(tài)的確切形式
可能是未知的 2．3．3*終狀態(tài)的未知形式：
舉例 2．3．4驗(yàn)證狀態(tài)是否為*終狀
態(tài)可能代價(jià)高昂 2．3．5目標(biāo)1——問題的解看
上去怎樣 2．3．6目標(biāo)2——什么途徑可
以得到問題的解 2．3．7停止條件 2．3．8檢查Lseen可能代價(jià)
高昂 2．3．9搜索有序列表 2．3．10哈希函數(shù) 2．4搜索性能方面 2．4．1代價(jià)計(jì)量 2．4．2分支因子 2．4．3搜索深度 2．4．4BFS的內(nèi)存開銷 2．4．5DFS的內(nèi)存開銷 2．4．6兩種算法的計(jì)算
代價(jià) 2．4．7兩者哪個(gè)成本
更低 2．4．8尋找比爾的家 2．4．9具有多個(gè)*終狀態(tài)的
場(chǎng)景 2．5迭代深化(和擴(kuò)展) 2．5．1ID算法 2．5．2為什么該技術(shù)
有效 2．5．3數(shù)值舉例 2．5．4哪些因素決定了搜索
成本 2．5．5迭代深化是否
浪費(fèi) 2．5．6ID與基本算法的
比較 2．5．7注意事項(xiàng) 2．5．8備選方案： 迭代
擴(kuò)展 2．6熟能生巧 2．7結(jié)語 第3章啟發(fā)式搜索和退火 3．1爬山算法和*佳優(yōu)先搜索 3．1．1評(píng)價(jià)函數(shù) 3．1．2數(shù)值舉例： 滑
方塊 3．1．3復(fù)雜的評(píng)價(jià)函數(shù) 3．1．4*大化或*小化 3．1．5爬山算法 3．1．6*佳優(yōu)先搜索 3．1．7實(shí)現(xiàn)*佳優(yōu)先搜索的
兩種方法 3．1．8兩種方法的比較 3．1．9人類的搜索方式 3．2評(píng)價(jià)函數(shù)的實(shí)踐方面 3．2．1狀態(tài)值的時(shí)間
惡化 3．2．2多個(gè)狀態(tài)可以有
相同的值 3．2．3前瞻性評(píng)價(jià)策略 3．2．4集束搜索 3．2．5N在集束搜索中的
作用 3．2．6數(shù)值舉例 3．2．7昂貴的評(píng)價(jià) 3．3A*和IDA* 3．3．1動(dòng)機(jī) 3．3．2代價(jià)函數(shù) 3．3．3A*算法 3．3．4數(shù)值舉例 3．3．5A*的兩個(gè)版本 3．3．6更復(fù)雜的代價(jià)
函數(shù) 3．3．7跳躍式技術(shù) 3．3．8IDA* 3．4模擬退火 3．4．1生長無缺陷晶體 3．4．2正式視圖 3．4．3AI視角 3．4．4簡化視角下的模擬
退火 3．4．5狀態(tài)值的影響 3．4．6溫度影響 3．4．7冷卻 3．4．8初始溫度 3．5背景知識(shí)的作用 3．5．1AI搜索解決的幻方
問題 3．5．2數(shù)學(xué)家解決幻方
問題 3．5．3課程： 背景知識(shí)的
好處 3．5．4數(shù)獨(dú)中的分支
因子 3．5．5斑馬謎題 3．6連續(xù)域 3．6．1連續(xù)域舉例 3．6．2離散化 3．6．3梯度上升與神經(jīng)
網(wǎng)絡(luò) 3．6．4群體智能算法 3．7熟能生巧 3．8結(jié)語 第4章對(duì)抗搜索 4．1典型問題 4．1．1簡單游戲舉例 4．1．2其他游戲 4．1．3更普遍的觀點(diǎn) 4．1．4與經(jīng)典搜索的
區(qū)別 4．2基準(zhǔn)極小極大算法 4．2．1*大化者和*小
化者 4．2．2游戲樹 4．2．3父母自孩子遺傳 4．2．4極小極大算法
原理 4．2．5數(shù)值舉例 4．2．6回傳值 4．3啟發(fā)式極小極大算法 4．3．1游戲樹過于龐大 4．3．2深度必須受到
限制 4．3．3對(duì)抗搜索中的評(píng)價(jià)
函數(shù) 4．3．4評(píng)價(jià)函數(shù)從何
而來 4．3．5啟發(fā)式極小極大
算法原理 4．3．6影響游戲玩得好壞
的因素 4．3．7靈活的評(píng)價(jià)深度 4．3．8計(jì)算代價(jià)可能很
昂貴 4．3．9成功案例 4．4AlphaBeta剪枝 4．4．1常規(guī)情況 4．4．2多余的評(píng)價(jià) 4．4．3另一個(gè)例子 4．4．4關(guān)于剪枝算法 4．4．5關(guān)于AlphaBeta
剪枝 4．4．6反向方法 4．5額外的游戲編程技巧 4．5．1啟發(fā)式的算法控制
搜索深度 4．5．2望向視野外 4．5．3開局庫 4．5．4殘局查找表 4．5．5人類模式識(shí)別
技能 4．5．6人類的“剪枝”
方式 4．5．7游戲中的模式
識(shí)別 4．6熟能生巧 4．7結(jié)語 第5章規(guī)劃 5．1玩具積木 5．1．1移動(dòng)積木 5．1．2描述符 5．1．3狀態(tài)描述示例 5．1．4注釋 5．2可用操作 5．2．1玩具場(chǎng)景的操作 5．2．2前提條件列表 5．2．3添加列表 5．2．4刪除列表 5．2．5定義move(x,y,z) 5．2．6通用操作的實(shí)
例化 5．2．7有多少個(gè)實(shí)例 5．2．8執(zhí)行操作 5．2．9示例 5．3使用STRIPS進(jìn)行規(guī)劃 5．3．1目標(biāo)集 5．3．2一般理念 5．3．3具體實(shí)例 5．3．4如何確定行動(dòng) 5．3．5倒數(shù)第二個(gè)狀態(tài)是
什么樣的 5．3．6STRIPS的偽
代碼 5．4數(shù)值舉例 5．4．1應(yīng)該考慮哪些
操作 5．4．2檢查列表 5．4．3注意事項(xiàng) 5．4．4描述前一個(gè)狀態(tài) 5．4．5迭代過程 5．5人工智能規(guī)劃的高級(jí)應(yīng)用 5．5．1旅行推銷員問題 5．5．2包裹投遞和數(shù)據(jù)包
路由 5．5．3救護(hù)車路由 5．5．4背包問題 5．5．5工作車間調(diào)度 5．5．6注意事項(xiàng) 5．5．7重要評(píng)論 5．6熟能生巧 5．7結(jié)語 第6章遺傳算法 6．1一般模式 6．1．1不完全復(fù)制，適者
生存 6．1．2GA應(yīng)用中的
個(gè)體 6．1．3基本循環(huán) 6．1．4人口 6．1．5適者生存 6．1．6有多少代 6．1．7停止標(biāo)準(zhǔn) 6．2不完全復(fù)制與生存 6．2．1交配 6．2．2重組 6．2．3變異 6．2．4實(shí)施生存博弈 6．2．5利用生存機(jī)制進(jìn)行
交配 6．2．6評(píng)論生存游戲 6．2．7屬于父母兩邊的
孩子 6．2．8GA的簡單任務(wù) 6．2．9探索與父母的
距離 6．2．10重組與變異 6．2．11算法為何有效 6．3其他GA操作符 6．3．1兩點(diǎn)交叉 6．3．2隨機(jī)位交換 6．3．3反轉(zhuǎn) 6．3．4程序員控制程序的
方法 6．4潛在問題 6．4．1退化種群 6．4．2無害退化與過早
退化 6．4．3識(shí)別退化狀態(tài) 6．4．4擺脫退化狀態(tài) 6．4．5設(shè)計(jì)不當(dāng)?shù)倪m應(yīng)度
函數(shù) 6．4．6不能反映遺傳算法目
標(biāo)的適應(yīng)度函數(shù) 6．5高級(jí)變體 6．5．1數(shù)字染色體 6．5．2樹結(jié)構(gòu)形式的染
色體 6．5．3多人群和多目標(biāo) 6．5．4拉馬克方法 6．6GA和背包問題 6．6．1背包規(guī)則(修
訂版) 6．6．2用二進(jìn)制字符串對(duì)
問題進(jìn)行編碼 6．6．3運(yùn)行程序 6．6．4GA是否能找到*佳
解決方案 6．6．5觀察： 隱含并
行性 6．6．6用數(shù)字字符串編碼
包內(nèi)容 6．6．7數(shù)字字符串中的
變異和重組 6．6．8小結(jié) 6．7GA和囚徒困境 6．7．1要保密還是選擇告發(fā)/
告密 6．7．2實(shí)際觀察 6．7．3重復(fù)事件的策略 6．7．4在染色體中編碼
策略 6．7．5早期回合 6．7．6錦標(biāo)賽方法 6．7．7實(shí)驗(yàn)表現(xiàn) 6．7．8小結(jié) 6．8熟能生巧 6．9結(jié)語 第7章人工生命 7．1涌現(xiàn)特性 7．1．1從原子到蛋白質(zhì) 7．1．2從分子到社會(huì) 7．1．3從字母到詩歌 7．1．4通往人工生命
之路 7．2L系統(tǒng) 7．2．1原始的L系統(tǒng)
規(guī)則 7．2．2另一個(gè)例子： 康托爾
集合 7．2．3啟示 7．3細(xì)胞自動(dòng)機(jī) 7．3．1簡單示例 7．3．2變化 7．3．3增加另一個(gè)維度 7．4康威的生命游戲 7．4．1棋盤及其單元格 7．4．2規(guī)則 7．4．3更有趣的例子 7．4．4典型行為 7．4．5小結(jié) 7．5熟能生巧 7．6結(jié)語 第8章涌現(xiàn)特性和群體智能 8．1蟻群優(yōu)化 8．1．1瑣碎的表述 8．1．2蟻群選擇 8．1．3信息素路徑 8．1．4選擇路徑 8．1．5揮發(fā)與添加 8．1．6程序員的視角 8．1．7選擇具體路徑的
概率 8．1．8路徑選擇機(jī)制 8．1．9添加信息素 8．1．10信息素?fù)]發(fā) 8．1．11非穩(wěn)態(tài)任務(wù) 8．2ACO算法解決推銷員
問題 8．2．1螞蟻與智能體 8．2．2ACO對(duì)TSP的
看法 8．2．3初始化 8．2．4建立概率決策 8．2．5數(shù)值舉例 8．2．6一只螞蟻會(huì)釋放多少
信息素 8．2．7各路線上的螞蟻
數(shù)量 8．2．8在每條邊上添加信
息素 8．2．9更新數(shù)值 8．2．10完整的概率
公式 8．2．11ACO處理推銷員問題
(TSP)的概述 8．2．12結(jié)束語 8．2．13主要限制 8．3粒子群優(yōu)化算法 8．3．1是粒子還是鳥 8．3．2尋找多元函數(shù)的*
大值 8．3．3專業(yè)術(shù)語 8．3．43個(gè)假設(shè) 8．3．5智能體的目標(biāo) 8．3．6更新速度和位置：
簡單公式 8．3．7速度更新的全尺寸
版本 8．3．8c1和c2的值應(yīng)該是
多少 8．3．9PSO 算法的總體
流程 8．3．10可能的并發(fā)
問題 8．3．11本地極端行為的危
險(xiǎn)性 8．3．12多個(gè)群體 8．4人工蜂群算法 8．4．1原始靈感 8．4．2這個(gè)比喻對(duì)人工智能
的貢獻(xiàn) 8．4．3任務(wù) 8．4．4**步 8．4．5如何選擇有前途的
目標(biāo) 8．4．6跟隨蜜蜂 8．4．7更新*佳位置 8．4．8支援蜜蜂 8．4．9參數(shù) 8．4．10算法 8．5熟能生巧 8．6結(jié)語 第9章自動(dòng)推理的要素 9．1事實(shí)與查詢 9．1．1事實(shí)列表 9．1．2回答用戶的查詢 9．1．3帶變量的查詢 9．1．4多個(gè)變量 9．1．5復(fù)合查詢 9．1．6練習(xí) 9．1．7將變量與具體值
綁定 9．1．8如何處理復(fù)合
查詢 9．1．9謂詞排序 9．1．10查詢回答和
搜索 9．1．11嵌套論證 9．2規(guī)則和基于知識(shí)的系統(tǒng) 9．2．1簡單規(guī)則 9．2．2較長的規(guī)則 9．2．3規(guī)則的形式觀 9．2．4封閉世界假設(shè) 9．2．5基于知識(shí)的系統(tǒng) 9．3使用規(guī)則進(jìn)行簡單推理 9．3．1回答查詢 9．3．2基礎(chǔ)知識(shí)之外 9．3．3由多條規(guī)則定義的
概念 9．3．4斷分正則表達(dá)式 9．3．5遞歸概念定義 9．3．6評(píng)估遞歸概念 9．3．7關(guān)于遞歸的評(píng)論 9．3．8小結(jié) 9．4熟能生巧 9．5結(jié)語 第10章邏輯與推理（簡化版） 10．1蘊(yùn)涵、推理、定理證明 10．1．1蘊(yùn)涵 10．1．2推理過程 10．1．3*簡形式的肯定
前項(xiàng)式 10．1．4示例 10．1．5其他推理
機(jī)制 10．1．6推理過程的可
靠性 10．1．7推理過程的完
備性 10．1．8定理證明 10．1．9半可判定性 10．2基于肯定前項(xiàng)式的
推理 10．2．1肯定前項(xiàng)式的
一般形式 10．2．2霍恩子句 10．2．3事件的真實(shí)性與
虛假性 10．2．4具體示例 10．2．5實(shí)際考慮 10．2．6霍恩子句知識(shí)庫中
的推理 10．3運(yùn)用歸結(jié)原則進(jìn)行
推理 10．3．1標(biāo)準(zhǔn)形式 10．3．2歸結(jié)原則 10．3．3理論的優(yōu)勢(shì) 10．3．4具體舉例1 10．3．5實(shí)際考慮 10．3．6計(jì)算成本 10．3．7反向鏈 10．3．8具體舉例2 10．3．9歸結(jié)作為
搜索 10．4運(yùn)用標(biāo)準(zhǔn)形式表達(dá)
知識(shí) 10．4．1標(biāo)準(zhǔn)形式(修
改版) 10．4．2轉(zhuǎn)換為標(biāo)準(zhǔn)
形式 10．4．3具體舉例 10．5熟能生巧 10．6結(jié)語 第11章使用變量的邏輯和推理 11．1規(guī)則和量詞 11．1．1對(duì)象和函數(shù) 11．1．2關(guān)系 11．1．3常量和變量 11．1．4參數(shù)順序 11．1．5原子和表
達(dá)式 11．1．6自動(dòng)推理中的邏輯
表達(dá)式 11．1．7全稱量詞 11．1．8存在量詞 11．1．9量詞的順序 11．1．10其他示例 11．2刪除量詞 11．2．1刪除一些存在
量詞 11．2．2存在量化
向量 11．2．3經(jīng)常被忽視的
案例 11．2．4斯科勒姆化 11．2．5刪除剩余的存在
量詞 11．2．6消失的
后果 11．3綁定、統(tǒng)一和推理 11．3．1綁定變量 11．3．2綁定列表 11．3．3嵌套關(guān)系的
綁定 11．3．4統(tǒng)一 11．3．5使用變量的肯定
前項(xiàng)式和歸結(jié)
原則 11．4實(shí)用推理程序 11．4．1具體示例 11．4．2多個(gè)解決
方案 11．4．3綁定數(shù)量 11．4．4從左邊開始 11．4．5加速推理
過程 11．4．6先行的策略 11．4．7回跳 11．5熟能生巧 11．6結(jié)語 第12章表示知識(shí)的不同方式 12．1框架和語義網(wǎng)絡(luò) 12．1．1框架的具體
例子 12．1．2繼承值 12．1．3規(guī)則的例外 12．1．4語義網(wǎng)絡(luò) 12．2基于框架的知識(shí)推理 12．2．1查找實(shí)例
的類 12．2．2找到一個(gè)變量
的值 12．2．3語義網(wǎng)絡(luò)中的
推理 12．2．4框架中推理的計(jì)算
成本 12．3框架和SN中的N元
關(guān)系 12．3．1二元關(guān)系與
框架 12．3．2基于二元關(guān)系的
框架推理 12．3．3將二元關(guān)系轉(zhuǎn)換為
規(guī)則 12．3．4促進(jìn)二元關(guān)系推理
的規(guī)則 12．3．5N元關(guān)系帶來的
困難 12．4熟能生巧 12．5結(jié)語 第13章自動(dòng)推理道路上的障礙 13．1隱性假設(shè) 13．1．1框架問題 13．1．2隱性假設(shè) 13．2非單調(diào)性 13．2．1推理的單
調(diào)性 13．2．2母雞會(huì)飛嗎 13．2．3它們不會(huì)
飛嗎 13．2．4一般情況 13．2．5異常情況 13．2．6選擇哪個(gè)
版本 13．2．7理論、假設(shè)和
擴(kuò)展 13．2．8多個(gè)擴(kuò)展 13．2．9多值邏輯 13．2．10框架和語義
網(wǎng)絡(luò) 13．3Mycin的不確定性
因素 13．3．1不確定性
處理 13．3．2Mycin的確定性
因素 13．3．3一組事實(shí)和規(guī)則
的真相 13．3．4否定的確
定性 13．3．5數(shù)值舉例1 13．3．6確定性因素和肯定
前項(xiàng)式 13．3．7數(shù)值舉例2 13．3．8結(jié)合證據(jù) 13．3．9直觀的解釋 13．3．10數(shù)值舉例3 13．3．11數(shù)值舉例4 13．3．12兩種以上的
選擇 13．3．13理論基礎(chǔ) 13．4熟能生巧 13．5結(jié)語 第14章概率推理 14．1概率論(修改版) 14．1．1概率信息
來源 14．1．2單位間隔 14．1．3聯(lián)合概率 14．1．4數(shù)值舉例 14．1．5條件概率 14．1．6更一般的
公式 14．1．7罕見事件： m
估計(jì) 14．1．8通過m來量化
信心 14．1．9數(shù)值舉例 14．2概率與推理 14．2．1家庭關(guān)系領(lǐng)域的
例子 14．2．2規(guī)則和條件
概率 14．2．3依賴事件和獨(dú)立
事件 14．2．4貝葉斯公式 14．2．5貝葉斯公式和概率
推理 14．2．6選擇*有可能的
假設(shè) 14．3信念網(wǎng)絡(luò) 14．3．1信念網(wǎng)絡(luò)
概述 14．3．2數(shù)值舉例 14．3．3具體情況的
概率 14．3．4結(jié)論的概率 14．3．5B是真的嗎 14．4處理更現(xiàn)實(shí)的領(lǐng)域 14．4．1更大的信念
網(wǎng)絡(luò) 14．4．2看不見的原因和
漏洞節(jié)點(diǎn) 14．4．3需要太多的
概率 14．4．4樸素貝葉斯 14．4．5樸素貝葉斯假設(shè)是
否有害 14．4．6否定概率
(提醒) 14．4．7P(X|A1∨A2∨…
∨An)的概率是
多少 14．4．8具體事件的
概率 14．4．9數(shù)值舉例 14．4．10這些概率從哪
里來 14．5DempsterShafer理論：
使用權(quán)重代替概率 14．5．1動(dòng)機(jī) 14．5．2權(quán)重而非
概率 14．5．3辨識(shí)框架 14．5．4單例和組合
實(shí)例 14．6從權(quán)重到信念和可信度 14．6．1基本信念
分配 14．6．2任何BBA的基本
特性 14．6．3相信某個(gè)
命題 14．6．4命題的可
信度 14．6．5不確定性由兩個(gè)
值量化 14．6．6數(shù)值舉例 14．7DST證據(jù)組合規(guī)則 14．7．1多個(gè)權(quán)重轉(zhuǎn)移的
源頭 14．7．2沖突的級(jí)別 14．7．3組合法則 14．7．4數(shù)值舉例 14．7．5不止兩個(gè)來源的
情況 14．7．6BBA通常是什么
樣的 14．8熟能生巧 14．9結(jié)語 第15章模糊集 15．1現(xiàn)實(shí)世界概念的模
糊性 15．1．1清晰概念和模糊
概念 15．1．2堆的悖論 15．1．3視覺示例 15．1．4另一個(gè)例子 15．2模糊集成員資格 15．2．1隸屬度 15．2．2黑色矩形 15．2．3有才華的
學(xué)生 15．2．4高個(gè)子 15．2．5溫暖的房間 15．2．6μA(x)函數(shù)的其他
常見形狀 15．2．7μA(x)的值
來源 15．3模糊性與其他范式的
比較 15．3．1一個(gè)清晰事件發(fā)生
的概率 15．3．2特征的范圍 15．3．3模糊值的
概率 15．3．4模糊概率 15．4模糊集合運(yùn)算 15．4．1模糊邏輯 15．4．2合取 15．4．3析取 15．4．4否定 15．4．5圖形說明 15．4．6數(shù)值舉例 15．4．7復(fù)雜表達(dá) 15．5計(jì)算語言變量 15．5．1語言變量的
例子 15．5．2語言變量的主
觀性 15．5．3上下文依賴 15．5．4計(jì)算模糊對(duì)象
數(shù)量 15．5．5數(shù)值舉例 15．5．6更高級(jí)的
例子 15．6模糊推理 15．6．1模糊規(guī)則 15．6．2更加真實(shí)的
規(guī)則 15．6．3用模糊規(guī)則
推理 15．6．4傳播隸屬度 15．6．5模糊控制 15．7熟能生巧 15．8結(jié)語 第16章專家系統(tǒng)的優(yōu)點(diǎn)和缺點(diǎn) 16．1早期探索： Mycin 16．1．1實(shí)現(xiàn) 16．1．2預(yù)期的應(yīng)用
范圍 16．1．3早期關(guān)注 16．1．4早期希望 16．2后續(xù)發(fā)展 16．2．1另一個(gè)醫(yī)學(xué)
系統(tǒng) 16．2．2發(fā)展前景 16．2．3數(shù)以百計(jì)的專家
系統(tǒng) 16．2．4過高期待的
風(fēng)險(xiǎn) 16．2．5懷疑主義 16．2．6現(xiàn)狀 16．3一些經(jīng)驗(yàn) 16．3．15分鐘到5小時(shí)
規(guī)則 16．3．2瓶頸： 知識(shí)庫 16．3．3通信模塊 16．3．4優(yōu)雅降級(jí) 16．4熟能生巧 16．5結(jié)語 第17章超越核心人工智能 17．1計(jì)算機(jī)視覺 17．1．1圖像及其
像素 17．1．2去除噪聲 17．1．3邊緣檢測(cè) 17．1．4連接邊緣 17．1．5紋理 17．1．6顏色 17．1．7分割 17．1．8場(chǎng)景解釋 17．1．9現(xiàn)代方法 17．2自然語言處理 17．2．1信號(hào)處理 17．2．2句法分析
(解析) 17．2．3語義分析 17．2．4歧義 17．2．5語言生成 17．2．6現(xiàn)代方法： 機(jī)器
學(xué)習(xí) 17．3機(jī)器學(xué)習(xí) 17．3．1知識(shí)獲取： 人工
智能的瓶頸 17．3．2從實(shí)例中
學(xué)習(xí) 17．3．3規(guī)則和決
策樹 17．3．4其他方法 17．3．5舊機(jī)器學(xué)習(xí)的普遍
理念 17．3．6如今的機(jī)器
學(xué)習(xí) 17．4智能體技術(shù) 17．4．1為什么選擇智
能體 17．4．2框架 17．5結(jié)語 第18章哲學(xué)思考 18．1圖靈測(cè)試 18．1．1圖靈的基本
方案 18．1．2其他應(yīng)用 18．1．3打破圖靈
測(cè)試 18．2中文房間和其他意見 18．2．1Searle的基本
設(shè)想 18．2．2這個(gè)人是否懂
中文 18．2．3哲學(xué)家的
觀點(diǎn) 18．2．4下棋程序帶來的
啟示 18．2．5圖靈對(duì)神學(xué)保留
意見的回應(yīng) 18．2．6弱人工智能與強(qiáng)
人工智能 18．3工程師角度 18．3．1實(shí)踐性 18．3．2人們是否應(yīng)該
擔(dān)憂 18．3．3增強(qiáng)人類
智慧 18．3．4現(xiàn)有人工智能的
局限性 18．4結(jié)語 參考文獻(xiàn)
展開全部
人工智能基礎(chǔ):問題解決和自動(dòng)推理 作者簡介
（美）米羅斯拉夫·庫巴特（MIROSLAV KUBAT），邁阿密大學(xué)電氣與計(jì)算機(jī)工程名譽(yù)副教授。教授人工智能及相關(guān)課程超過25年。發(fā)表了 100 多篇同行評(píng)審論文，是商業(yè)上成功的教科書《機(jī)器學(xué)習(xí)導(dǎo)論》的作者。
羅俊海，電子科技大學(xué)副教授、碩士生導(dǎo)師。長期從事智能數(shù)據(jù)處理、目標(biāo)檢測(cè)和網(wǎng)絡(luò)安全的教學(xué)和科研工作。主持過國家自然科學(xué)基金項(xiàng)目、四川省科技廳基金項(xiàng)目、總裝預(yù)研基金項(xiàng)目和中央高；究蒲袠I(yè)務(wù)項(xiàng)目等15項(xiàng)。參與制訂標(biāo)準(zhǔn)6項(xiàng)，發(fā)表文章60余篇，其中SCI檢索50余篇。申請(qǐng)和授權(quán)發(fā)明專利共30余項(xiàng)，獲得四川省科技進(jìn)步獎(jiǎng)二等2項(xiàng)，三等1項(xiàng)。出版《多源數(shù)據(jù)融合和傳感器管理》《物聯(lián)網(wǎng)系統(tǒng)開發(fā)及應(yīng)用實(shí)戰(zhàn)》《使用HTML和CSS開發(fā)WEB網(wǎng)站》《實(shí)用MATLAB深度學(xué)習(xí)基于項(xiàng)目的方法》（譯著）《Python深度強(qiáng)化學(xué)習(xí)—使用PyTorch, TensorFlow 和OpenAI Gym》等8部教材和專著。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
有舍有得是人生
- >
小考拉的故事-套裝共3冊(cè)
- >
名家?guī)阕x魯迅:故事新編
- >
龍榆生：詞曲概論/大家小書
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
經(jīng)典常談
- >
山海經(jīng)
本類暢銷
