《计算机科学与技术系列·高等院校规划教材：人工智慧导论》系统地阐述了人工智慧的基本理论、基本技术、研究方法和套用领域等内容，比较全面地反映了近：20年来人工智慧研究领域的进展，并根据人工智慧的发展动向对一些传统内容作了取捨，详细介绍了机器学习方面的内容。全书分为8章，内容涉及人工智慧的基本概念、知识工程、确定性推理和不确定性推理、搜寻策略、机器学习、人工神经网路，以及模式识别、自然语言处理和智慧型体等方面。每章后面都附有习题，以供读者练习。
《人工智慧导论》可作为计算机专业本科生和其他相关学科本科生、研究生的教材，也可作为有关科技人员的参考用书。

前言

第1章　绪论

1.1　什幺是人工智慧

1.1.1　关于智慧型

1.1.2　人工智慧的研究目标

1.2　人工智慧发展简史

1.3　人工智慧研究方法

1.3.1　人工智慧研究的特点

1.3.2　人工智慧研究的途径

1.3.3　人工智慧研究的资源

1.4　人工智慧研究及套用领域

1.4.1　问题求解与博弈

1.4.2　专家系统

1.4.3　自动定理证明

1.4.4　机器学习

1.4.5　人工神经网路

1.4.6　模式识别

1.4.7　计算机视觉

1.4.8　自然语言处理

1.4.9　智慧型体

1.4.10　智慧型控制

1.4.11　机器人学

1.4.12　人工生命

1.5　本章小结

1.6　习题

第2章　知识工程

2.1　概述

2.2　知识表示方法

2.2.1　经典逻辑表示法

2.2.2　产生式表示法

2.2.3　层次结构表示法

2.2.4　网路结构表示法

2.2.5　其他表示法

2.3　知识获取与管理

2.3.1　知识获取的任务

2.3.2　知识获取的方式

2.3.3　知识管理

2.3.4　本体论

2.4　基于知识的系统

2.4.1　什幺是知识系统

2.4.2　专家系统

2.4.3　知识系统举例

2.5　本章小结

2.6　习题

第3章　确定性推理

3.1　概述

3.1.1　推理方式与分类

3.1.2　推理控制策略

3.1.3　知识匹配

3.2　自然演绎推理

3.3　归结演绎推理

3.3.1　海伯伦理论

3.3.2　鲁宾逊归结原理

3.3.3　归结反演

3.3.4　归结策略

3.3.5　套用归结原理求解问题

3.4　与或形演绎推理

3.4.1　与或形正向演绎推理

3.4.2　与或形逆向演绎推理

3.4.3　与或形双向演绎推理

3.5　本章小结

3.6　习题

第4章　不确定性推理

4.1　概述

4.2　基本机率方法

4.3　主观贝叶斯方法

4.3.1　不确定性的表示

4.3.2　不确定性的传递算法

4.3.3　结论不确定性的合成算法

4.4 可信度方法

4.4.1 基本可信度模型

4.4.2 带阈值限度的可信度模型

4.4.3 加权的可信度模型

4.4.4 前件带不确定性的可信度模型

4.5 模糊推理

4.5.1 模糊理论

4.5.2 简单模糊推理

4.5.3 模糊三段论推理

4.5.4 多维模糊推理

4.5.5 多重模糊推理

4.5.6 带有可信度因子的模糊推理

4.6 证据理论

4.6.1 D—S理论

4.6.2 基于证据理论的不确定性推理

4.7 粗糙集理论

4.7.1 粗糙集理论的基本概念

4.7.2 粗糙集在知识发现中的套用

4.8 本章小结

4.9 习题

第5章 搜寻策略

5.1 概述

5.1.1 什幺是搜寻

5.1.2 状态空间表示法

5.1.3 与或树表示法

5.2 状态空间搜寻

5.2.1 状态空间的一般搜寻过程

5.2.2 广度优先搜寻

5.2.3 深度优先搜寻

5.2.4 有界深度优先搜寻

5.2.5 启发式搜寻

5.2.6 A*算法

5.3 与或树搜寻

5.3.1 与或树的一般搜寻过程

5.3.2 与或树的广度优先搜寻

5.3.3 与或树的深度优先搜寻

5.3.4 与或树的有序搜寻

5.3.5 博弈树的启发式搜寻

5.3.6 剪枝技术

5.4 本章小结

5.5 习题

第6章 机器学习

6.1 概述

6.1.1 什幺是机器学习

6.1.2 机器学习方法的分类

6.1.3 机器学习的基本问题

6.1.4 评估学习结果

6.2 决策树学习

6.2.1 决策树表示法

6.2.2 ID3算法

6.2.3 决策树学习的常见问题

6.2.4 用决策树学习客户分类

6.3 贝叶斯学习

6.3.1 贝叶斯法则

6.3.2 朴素贝叶斯方法

6.3.3 贝叶斯网路

6.3.4 EM算法

6.3.5 用贝叶斯方法过滤垃圾邮件

6.4 统计学习

6.4.1 统计学习理论

6.4.2 支持向量机

6.4.3 核函式

6.4.4 基于支持向量机的车牌识别

6.5 遗传算法

6.5.1 进化计算

6.5.2 遗传算法原理

6.5.3 问题编码策略

6.5.4 遗传运算元

6.5.5 遗传算法的理论分析

6.5.6 用遗传算法解决TSP问题

6.6 聚类

6.6.1 聚类问题

6.6.2 分层聚类方法

6.6.3 划分聚类方法

6.6.4 基于密度的聚类方法

6.6.5 基于格线的聚类方法

6.6.6 股票信息的聚类分析

6.7 特徵选择与提取

6.7.1 特徵选择

6.7.2 常用的特徵函式

6.7.3 主成分分析

6.8 其他学习方法

6.8.1 强化学习

6.8.2 隐马尔可夫模型

6.9 本章小结

6.10 习题

第7章 人工神经网路

7.1 概述

7.1.1 人脑神经系统

7.1.2 人工神经网路的研究内容与特点

7.1.3 人工神经网路的基本形态

7.2 感知器

7.2.1 简单感知器

7.2.2 多层感知器

7.3 前馈神经网路

7.3.1 反向传播算法

7.3.2 反向传播算法中的问题

7.3.3 径向基函式网路

7.4 反馈神经网路

7.4.1 Hopfield网路

7.4.2 离散型Hopfield网路

7.4.3 连续型Hopfield网路

7.4.4 Hopfield网路中的问题

7.4.5 用Hopfield网路解决TSP问题

7.5 随机神经网路

7.5.1 模拟退火算法

7.5.2 波尔兹曼机

7.6 自组织神经网路

7.6.1 竞争学习

7.6.2 自组织特徵映射网路

7.7 本章小结

7.8 习题

第8章 人工智慧的其他领域

8.1 模式识别

8.1.1 模式识别的基本问题

8.1.2 统计模式识别

8.1.3 句法模式识别

8.1.4 模糊模式识别

8.1.5 神经网路模式识别

8.1.6 模式识别的套用

8.2 自然语言处理

8.2.1 自然语言处理的基本问题

8.2.2 语法分析

8.2.3 语义分析

8.2.4 大规模文本处理

8.2.5 自然语言处理的套用

8.3 智慧型体

8.3.1 智慧型体模型

8.3.2 多智慧型体系统的模型

8.3.3 多智慧型体系统的协作、协商与协调

8.3.4 多智慧型体系统的学习与规划

8.3.5 智慧型体间的通信

8.3.6 智慧型体的套用

8.4 本章小结

8.5 习题

参考文献