人工智能及其应用

第一篇 高级推理技术
第1章 传统的推理技术
1.1 命题逻辑与谓词逻辑概论
1.1.1 命题逻辑
1.1.2 谓词逻辑
1.2 基于传统逻辑的推理机制
1.2.1 推理基础
1.2.2 基于传统逻辑的推理
小结
习题
第2章 专家系统MYCIN的不确定性推理方法
2.1 不确定性推理
2.1.1 不确定性推理概述
2.1.2 不确定性推理中的基本问题
2.2 MYCIN的可信度概念
2.3 MYCIN的不精确推理模型
2.3.1 知识不确定性的表示
2.3.2 证据不确定性的表示
2.3.3 组合证据不确定性的算法
2.3.4 不确定性的传递算法：
2.3.5 结论不确定性的合成算法
2.4 带加权因子的可信度推理
小结
习题
第3章 主观bayes方法
3.1 概率论的简单回顾
3.2 主观Bayes方法的基本理论
3.2.1 知识不确定性的表示
3.2.2 主观BayeS方法的基本算法
3.3 主观BayeS方法的推理模型
3.3.1 组合证据不确定性的计算
3.3.2 证据不确定性的传递
3.3.3 结论不确定性的合成
小结
习题
第4章 模糊推理
4.1 模糊数学的基本知识
4.1.1 模糊集合
4.1.2 模糊关系及其运算
4.2 模糊假言推理
4.2.1 模糊知识的表示
4.2.2 前提的模糊匹配
4.2.3 简单模糊推理
小结
习题
第5章 证据理论
5.1 基本理论
5.1.1 命题的表示
5.1.2 概率分配函数
5.1.3 信任函数
5.1.4 似然函数
5.1.5 概率分配函数的正交和
5.2 证据理论的推理模型
5.2.1 一个特殊的概率分配函数
5.2.2 类概率函数
5.2.3 规则的表示方法
5.2.4 多前提组合的CER计算
5.2.5 不确定性的传递算法
小结
习题
第6章 非单调推理
6.1 缺省理论
6.1.1 缺省规则的形式
6.1.2 缺省规则的分类
6.2 界限理论
6.3 正确性维持系统
小结
习题
第二篇 机器学习
第7章 机器学习概论
7.1 机器学习模型与形式化
7.1.1 机器学习模型
7.1.2 机器学习模型的形式化
7.2 学习系统的结构和训练样例
7.2.1 设计目标函数
7.2.2 目标函数的表示形式
7.2.3 设计函数逼近算法
7.2.4 训练经验的选择
7.2.5 最终设计
7.3 学习系统的观点和问题
小结
习题
第8章 概念学习
8.1 什么是概念学习
8.2 概念学习的搜索空间
8.3 假设空间的偏序关系
8.4 寻找极大特殊假设的FIND-S算法.
8.5 变型空间和候选消除算法
8.5.1 变型空间的定义
8.5.2 列表后消除算法
8.5.3 候选消除算法
8.5.4 变型空间和候选消除算法的几点说明
小结
习题
第9章 决策树学习
9.1 决策树表示法及其含义
9.2 决策树学习的适用问题
9.3 决策树学习的IDl3算法
9.4 最佳属性的选择
9.4.1 用熵度量系统的混乱程度
9.4.2 信息增益最佳分类属性
9.4.3 决策树计算举例
9.5 决策树学习的问题
小结
习题
第10章 学习规则集合
10.1 学习命题逻辑规则
10.2 学习一阶逻辑规则
10.2.1 假设的产生
10.2.2 归纳推理
10.2.3 FoIL算法
小结
习题
第三篇 计算智能
第11章 人工神经网络
11.1 脑神经系统与生物神经元的结构与特征
11.2 人工神经元的结构与模型
11.2.1 人工神经元
11.2.2 常用的人工神经元模型
11.3 人工神经网络的互连结构
11.3.1 单层或两层网络结构
11.3.2 多层网络结构
11.4 感知器及其训练法则
11.4.1 感知器的定义与空间划分
……
第四篇 自然语言理解与感知
第14章 概述
第15章 语法分析和语义分析
第16章 基于语料库的自然语言理解
第17章 计算机视觉
第18章 语音处理
第五篇 分布式人工智能
第19章 概述
第20章 Agent技术
第六篇 人工智能的应用
第21章 汉语自然语言处理
第22章 光学字符识别技术
第23章 移动Agent技术
第七篇 人工智能的现在与未来
第24章 对人工智能的思考
参考文献