掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能引論 版權信息
- ISBN：9787111770558
- 條形碼：9787111770558 ; 978-7-111-77055-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能引論 本書特色
本書遵循教指委相關指導文件和高等院校學生學習規律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結合。
人工智能引論 內容簡介
人工智能為解決復雜問題提供了有效的方案，相關應用涉及領域眾多。通過閱讀本書，讀者可以學習人工智能的基本原理，了解人工智能在不同行業的應用案例以及人工智能倫理與安全，為進一步研究與應用人工智能技術奠定基礎。 全書共12章，內容包括緒論、知識表示與推理、確定性推理、不確定性推理、無信息的盲目搜索、基于經驗的啟發式搜索、機器學習、人工神經網絡與深度學習、多智能體系統、人機混合增強智能、人工智能應用、人工智能倫理與安全。本書配套資源包括電子教案、課后思考題與習題的簡要解答和實驗指導書。 本書可作為普通高等院校相關專業本科生或研究生學習人工智能基礎課程的教材或參考書，也可供希望了解人工智能技術的研究人員和工程技術人員學習參考。 本書配有電子課件等教學資源，歡迎選用本書作教材的教師登錄www.cmpedu.com注冊后下載，或發郵件至jinacmp@163.com索取。
人工智能引論人工智能引論 前言
前言
“人工智能”作為專業名詞誕生于1956年，這一時間也被公認為人工智能學科誕生的開端。人工智能的研究涉及內容廣泛，而且一直在不斷發展。自誕生以來，人工智能的研究及其應用歷經了幾次起落，時至今日，人工智能的應用遍及多個領域，并逐漸進入日常生活。
本書作為人工智能的入門性教材，在編寫過程中遵循理論與應用、技術與倫理兼顧的基本理念，主要介紹*基本的人工智能理論方法，同時介紹一些*新的人工智能應用案例，以及人工智能倫理與安全。本書的主要特色如下：（1）結構清晰，敘述簡明。本書圍繞人工智能研究的三個主要流派—符號主義、連接主義和行為主義介紹人工智能理論方法，內容描述盡量簡潔明了，文字流暢，有較強的可讀性。學習本書內容可以為進一步學習特定的人工智能方法起到引領作用，為掌握更廣更深的理論方法奠定基礎。
?。?）理論與實例結合。本書各章均設計了與理論方法密切相關的例題，以幫助讀者加深理解。針對課后思考題與習題，提供了詳細的習題解答供讀者參考。針對人工智能應用，本書單列一章介紹人工智能方法在不同領域面向不同問題的應用案例，并做了相關分析，為讀者理解理論與實際是如何相互聯系的提供參考素材。
人工智能引論 目錄
目錄
前言
第1章?緒論 1
1.1?人工智能概述 1
1.1.1?智能的定義 1
1.1.2?人工智能的定義 2
1.1.3?弱人工智能與強人工智能 5
1.1.4?適用于人工智能求解的問題 6
1.2?人工智能研究的基本內容 7
1.3?人工智能研究的主要方法 8
1.3.1?符號主義學派 9
1.3.2?連接主義學派 9
1.3.3?行為主義學派 10
本章小結 11
思考題與習題 11
第2章?知識表示與推理 13
2.1?知識與知識表示 13
2.1.1?知識的概念 14
2.1.2?知識表示的概念 15
2.2?產生式及產生式系統 16
2.2.1?產生式 16
2.2.2?產生式系統 17
2.2.3?產生式表示法的特點 18
2.3?語義網絡 18
2.3.1?語義基元和常用語義關系 18
2.3.2?語義網絡表示 19
2.3.3?語義網絡表示法的特點 21
2.4?框架 21
2.4.1?框架結構 21
2.4.2?框架網絡 23
2.4.3?框架表示法的特點 23
2.5?知識圖譜 24
2.5.1?三元組表示 24
2.5.2?向量化表示 25
2.5.3?知識圖譜的特點 28
2.6?基于邏輯的知識表示 28
2.6.1?命題公式 28
2.6.2?謂詞公式 29
2.6.3?一階謂詞邏輯知識表示方法 30
2.6.4?一階謂詞邏輯知識表示方法的特點 30
2.7?推理的基本概念 31
2.7.1?推理的定義 31
2.7.2?推理的分類 31
本章小結 34
思考題與習題 34
第3章?確定性推理 35
3.1?一階謂詞邏輯語法和語義? 35
3.1.1?一階謂詞邏輯語法 35
3.1.2?世界及解釋 36
3.1.3?模型及相關概念 37
3.2?一階謂詞邏輯演算規則 37
3.2.1?等價式 38
3.2.2?推理規則 39
3.3?演繹推理 39
3.4?合式公式到子句集的轉化 40
3.4.1?標準型 40
3.4.2?子句集 42
3.5?謂詞演算中的歸結 43
3.5.1?命題公式的歸結 43
3.5.2?置換與合一 43
3.5.3?謂詞邏輯公式的歸結 45
3.6?歸結原理與歸結反演系統 46
3.6.1?歸結原理 46
3.6.2?歸結反演系統 46
3.7?Herbrand定理 50
3.7.1?Herbrand論域與Herbrand解釋 50
3.7.2?語義樹 52
3.7.3?Herbrand定理與歸結法的完備性 53
本章小結 55
思考題與習題 56
第4章?不確定性推理 57
4.1?不確定性的表示與量化 57
4.1.1?不確定性的表示 57
4.1.2?不確定性的量化 58
4.2?概率推理 61
4.2.1?概率理論基礎 61
4.2.2?貝葉斯網絡 63
4.2.3?基于貝葉斯網絡的概率推理 64
4.2.4?證據理論（D-S Theory） 66
4.3?模糊推理 70
4.3.1?模糊理論基礎 70
4.3.2?模糊假言推理 73
本章小結 74
思考題與習題 75
第5章?無信息的盲目搜索 76
5.1?問題表示與求解 76
5.1.1?問題的狀態空間表示 76
5.1.2?基于搜索的問題求解 78
5.1.3?搜索算法的評價指標 81
5.2?狀態空間的搜索 82
5.2.1?回溯搜索的實現 82
5.2.2?深度優先搜索 83
5.2.3?寬度優先搜索 85
5.3?高級搜索 86
5.3.1?局部搜索算法 87
5.3.2?模擬退火搜索 89
5.3.3?遺傳算法搜索 93
本章小結 98
思考題與習題 99
第6章?基于經驗的啟發式搜索 100
6.1?啟發式搜索的基本思想 100
6.1.1?啟發信息與評價函數 100
6.1.2?啟發式搜索策略 101
6.2?狀態空間的啟發式搜索 102
6.2.1?*好優先搜索算法 102
6.2.2?分支限界法 104
6.2.3?*佳圖搜索算法A* 106
6.3?與或圖的啟發式搜索 110
6.3.1?問題歸約表示 110
6.3.2?與或圖及解圖 111
6.3.3?AO*算法 112
6.4?博弈樹的搜索 116
6.4.1?博弈樹 117
6.4.2?極小-極大搜索過程 118
6.4.3?α-β搜索過程 120
本章小結 122
思考題與習題 123
第7章?機器學習 124
7.1?概述 124
7.1.1?機器學習的定義 125
7.1.2?機器學習的基本結構 125
7.1.3 機器學習的基本策略 126
7.2?歸納學習 127
7.2.1?歸納學習的模式和規則 127
7.2.2?歸納學習方法 129
7.2.3?ID3決策樹歸納算法 131
7.3?分析學習 133
7.3.1?類比推理和類比學習 133
7.3.2?基于解釋的學習 135
7.4?無監督學習 137
7.4.1?聚類算法 137
7.4.2?主成分分析 139
7.5?強化學習 140
7.5.1?強化學習的一般模式 140
7.5.2?被動強化學習 141
7.5.3?主動強化學習 143
本章小結 145
思考題與習題 145
第8章?人工神經網絡與深度學習 147
8.1?人工神經網絡概述 147
8.1.1?生物神經元的結構 147
8.1.2?神經元數學模型 148
8.1.3?人工神經網絡的結構 153
8.2?感知機學習 154
8.2.1?感知機的結構和原理 154
8.2.2?感知機學習算法 155
8.2.3?Delta規則 157
8.3?反傳學習 158
8.3.1?有隱含層的神經網絡 158
8.3.2?誤差反向傳播算法 159
8.4?Hebbian一致性學習 164
8.4.1?無監督Hebbian學習 164
8.4.2?有監督Hebbian學習 167
8.5?深度神經網絡 168
8.5.1?自編碼器 168
8.5.2?卷積神經網絡 171
8.5.3?循環神經網絡 177
8.5.4?生成對抗網絡 183
8.5.5?注意力機制 187
本章小結 191
思考題與習題 191
第9章 ?多智能體系統 192
9.1?概述 192
9.1.1?智能體的概念與體系結構 192
9.1.2?多智能體系統的概念與體系結構 196
9.1.3?智能體之間的通信 199
9.2?多智能體
前言
第1章?緒論 1
1.1?人工智能概述 1
1.1.1?智能的定義 1
1.1.2?人工智能的定義 2
1.1.3?弱人工智能與強人工智能 5
1.1.4?適用于人工智能求解的問題 6
1.2?人工智能研究的基本內容 7
1.3?人工智能研究的主要方法 8
1.3.1?符號主義學派 9
1.3.2?連接主義學派 9
1.3.3?行為主義學派 10
本章小結 11
思考題與習題 11
第2章?知識表示與推理 13
2.1?知識與知識表示 13
2.1.1?知識的概念 14
2.1.2?知識表示的概念 15
2.2?產生式及產生式系統 16
2.2.1?產生式 16
2.2.2?產生式系統 17
2.2.3?產生式表示法的特點 18
2.3?語義網絡 18
2.3.1?語義基元和常用語義關系 18
2.3.2?語義網絡表示 19
2.3.3?語義網絡表示法的特點 21
2.4?框架 21
2.4.1?框架結構 21
2.4.2?框架網絡 23
2.4.3?框架表示法的特點 23
2.5?知識圖譜 24
2.5.1?三元組表示 24
2.5.2?向量化表示 25
2.5.3?知識圖譜的特點 28
2.6?基于邏輯的知識表示 28
2.6.1?命題公式 28
2.6.2?謂詞公式 29
2.6.3?一階謂詞邏輯知識表示方法 30
2.6.4?一階謂詞邏輯知識表示方法的特點 30
2.7?推理的基本概念 31
2.7.1?推理的定義 31
2.7.2?推理的分類 31
本章小結 34
思考題與習題 34
第3章?確定性推理 35
3.1?一階謂詞邏輯語法和語義? 35
3.1.1?一階謂詞邏輯語法 35
3.1.2?世界及解釋 36
3.1.3?模型及相關概念 37
3.2?一階謂詞邏輯演算規則 37
3.2.1?等價式 38
3.2.2?推理規則 39
3.3?演繹推理 39
3.4?合式公式到子句集的轉化 40
3.4.1?標準型 40
3.4.2?子句集 42
3.5?謂詞演算中的歸結 43
3.5.1?命題公式的歸結 43
3.5.2?置換與合一 43
3.5.3?謂詞邏輯公式的歸結 45
3.6?歸結原理與歸結反演系統 46
3.6.1?歸結原理 46
3.6.2?歸結反演系統 46
3.7?Herbrand定理 50
3.7.1?Herbrand論域與Herbrand解釋 50
3.7.2?語義樹 52
3.7.3?Herbrand定理與歸結法的完備性 53
本章小結 55
思考題與習題 56
第4章?不確定性推理 57
4.1?不確定性的表示與量化 57
4.1.1?不確定性的表示 57
4.1.2?不確定性的量化 58
4.2?概率推理 61
4.2.1?概率理論基礎 61
4.2.2?貝葉斯網絡 63
4.2.3?基于貝葉斯網絡的概率推理 64
4.2.4?證據理論（D-S Theory） 66
4.3?模糊推理 70
4.3.1?模糊理論基礎 70
4.3.2?模糊假言推理 73
本章小結 74
思考題與習題 75
第5章?無信息的盲目搜索 76
5.1?問題表示與求解 76
5.1.1?問題的狀態空間表示 76
5.1.2?基于搜索的問題求解 78
5.1.3?搜索算法的評價指標 81
5.2?狀態空間的搜索 82
5.2.1?回溯搜索的實現 82
5.2.2?深度優先搜索 83
5.2.3?寬度優先搜索 85
5.3?高級搜索 86
5.3.1?局部搜索算法 87
5.3.2?模擬退火搜索 89
5.3.3?遺傳算法搜索 93
本章小結 98
思考題與習題 99
第6章?基于經驗的啟發式搜索 100
6.1?啟發式搜索的基本思想 100
6.1.1?啟發信息與評價函數 100
6.1.2?啟發式搜索策略 101
6.2?狀態空間的啟發式搜索 102
6.2.1?*好優先搜索算法 102
6.2.2?分支限界法 104
6.2.3?*佳圖搜索算法A* 106
6.3?與或圖的啟發式搜索 110
6.3.1?問題歸約表示 110
6.3.2?與或圖及解圖 111
6.3.3?AO*算法 112
6.4?博弈樹的搜索 116
6.4.1?博弈樹 117
6.4.2?極小-極大搜索過程 118
6.4.3?α-β搜索過程 120
本章小結 122
思考題與習題 123
第7章?機器學習 124
7.1?概述 124
7.1.1?機器學習的定義 125
7.1.2?機器學習的基本結構 125
7.1.3 機器學習的基本策略 126
7.2?歸納學習 127
7.2.1?歸納學習的模式和規則 127
7.2.2?歸納學習方法 129
7.2.3?ID3決策樹歸納算法 131
7.3?分析學習 133
7.3.1?類比推理和類比學習 133
7.3.2?基于解釋的學習 135
7.4?無監督學習 137
7.4.1?聚類算法 137
7.4.2?主成分分析 139
7.5?強化學習 140
7.5.1?強化學習的一般模式 140
7.5.2?被動強化學習 141
7.5.3?主動強化學習 143
本章小結 145
思考題與習題 145
第8章?人工神經網絡與深度學習 147
8.1?人工神經網絡概述 147
8.1.1?生物神經元的結構 147
8.1.2?神經元數學模型 148
8.1.3?人工神經網絡的結構 153
8.2?感知機學習 154
8.2.1?感知機的結構和原理 154
8.2.2?感知機學習算法 155
8.2.3?Delta規則 157
8.3?反傳學習 158
8.3.1?有隱含層的神經網絡 158
8.3.2?誤差反向傳播算法 159
8.4?Hebbian一致性學習 164
8.4.1?無監督Hebbian學習 164
8.4.2?有監督Hebbian學習 167
8.5?深度神經網絡 168
8.5.1?自編碼器 168
8.5.2?卷積神經網絡 171
8.5.3?循環神經網絡 177
8.5.4?生成對抗網絡 183
8.5.5?注意力機制 187
本章小結 191
思考題與習題 191
第9章 ?多智能體系統 192
9.1?概述 192
9.1.1?智能體的概念與體系結構 192
9.1.2?多智能體系統的概念與體系結構 196
9.1.3?智能體之間的通信 199
9.2?多智能體
展開全部
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
羅庸西南聯大授課錄
- >
羅曼·羅蘭讀書隨筆-精裝
- >
巴金－再思錄
- >
山海經
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
自卑與超越
- >
回憶愛瑪儂
本類暢銷
