本书简明扼要地阐述了人工智能的基本原理,勾画了人工智能理论和技术体系的基本框架,内容涵盖了人工智能各个分支领域的基本知识和主要内容,并体现了人工智能的*进展。本书内容基础、简明、新颖,为读者进一步学习和研发提供了入门知识,并指引了方向。本书结构风格独特、新颖,条理清楚,语言精练,图文并茂,理例结合,深入浅出,易读易懂,易教易学。本书适合于大学各专业作为人工智能通识课教材使用,亦可作为人工智能的普及读物供广大读者自学或参考。

配套资源下载 第1章 人工智能的概念、内容和方法 1.1 什么是人工智能 1.1.1 人工智能的概念 1.1.2 图灵测试和中文屋子 1.1.3 脑智能和群智能 1.1.4 符号智能和计算智能 1.1.5 统计智能和交互智能 1.2 为什么要研究人工智能 1.2.1 研究人工智能的意义 1.2.2 人工智能的研究目标和策略 1.3 人工智能的相关学科 1.4 人工智能的研究内容 1.4.1 搜索与求解 1.4.2 知识与推理 1.4.3 学习与发现 1.4.4 发明与创造 1.4.5 感知与响应 1.4.6 理解与交流 1.4.7 记忆与联想 1.4.8 竞争与协作 1.4.9 系统与建造 1.4.1 0应用与工程 1.5 人工智能的研究途径与方法 1.5.1 心理模拟,符号推演 1.5.2 生理模拟,神经计算 1.5.3 行为模拟,控制进化 1.5.4 群体模拟,仿生计算 1.5.5 博采广鉴,自然计算 1.5.6 着眼数据,统计建模 1.6 人工智能的分支领域与研究方向 习题1 第2章 人工智能的应用与发展概况 2.1 人工智能的应用 2.1.1 难题求解 2.1.2 自动规划、调度与配置 2.1.3 机器博弈 2.1.4 机器翻译与机器写作 2.1.5 机器定理证明 2.1.6 自动程序设计 2.1.7 智能控制 2.1.8 智能管理 2.1.9 智能决策 2.1.10 智能通信 2.1.11 智能预测 2.1.12 智能仿真 2.1.13 智能设计与制造 2.1.14 智能车辆与智能交通 2.1.15 智能诊断与** 2.1.16 智能生物信息处理 2.1.17 智能教育 2.1.18 智能人机接口 2.1.19 模式识别 2.1.20 智能机器人 2.1.21 数据挖掘与知识发现 2.1.22 计算机辅助创新 2.1.23 计算机文艺创作 2.2 人工智能学科发展概况 2.2.1 孕��与诞生 2.2.2 符号主义先声夺人 2.2.3 连接主义不畏坎坷 2.2.4 计算智能异军突起 2.2.5 统计智能默默奉献 2.2.6 智能主体一统江湖,Agent & Robot 2.2.7 知识工程东山再起,机器学习领衔高歌 2.2.8 现状与趋势 习题2 第3章 图搜索与问题求解 3.1 概述 3.2 状态图与状态图搜索 3.2.1 状态图 3.2.2 状态图搜索 3.2.3 穷举式搜索 3.2.4 启发式搜索 3.3 状态图搜索问题求解 3.3.1 问题的状态图表示 3.3.2 状态图搜索问题求解程序举例 延伸学习导引 习题3 第4章 知识表示与机器推理(一) 4.1 概述 4.1.1 知识及其表示 4.1.2 机器推理 4.2 一阶谓词及其推理 4.2.1 谓词、函数、量词 4.2.2 谓词公式 4.2.3 自然语言命题的谓词形式表示 4.2.4 基于谓词公式的形式演绎推理 4.3 产生式规则及其推理 4.3.1 产生式规则 4.3.2 基于产生式规则的推理 4.4 语义网络 4.4.1 语义网络的概念 4.4.2 语义网络的表达能力 4.4.3 基于语义网络的推理 4.5 知识图谱 延伸学习导引 习题4 第5章 知识表示与机器推理(二) 5.1 不确定性和不确切性信息处理 5.2 不确定性知识的表示及推理 5.2.1 不确定性知识的表示 5.2.2 不确定性推理 5.3 不确切性知识的表示及推理* 5.3.1 软语言值及其数学模型 5.3.2 不确切性知识的表示 5.3.3 基于软语言规则的推理 延伸学习导引 习题5 第6章 机器学习与知识发现(一) 6.1 概述 6.2 基本原理与分类 6.2.1 机器学习的概念 6.2.2 机器学习的原理 6.2.3 机器学习的分类 6.3 符号学习 6.3.1 记忆学习 6.3.2 示例学习 6.3.3 演绎学习 6.3.4 类比学习 6.3.5 决策树学习* 6.4 强化学习 6.4.1 简单原理 6.4.2 Q学习算法* 6.4.3 强化学习的发展概况 延伸学习导引 习题6 第7章 机器学习与知识发现(二) 7.1 统计学习 7.1.1 概述 7.1.2 回归问题的线性函数模型学习,梯度下降法 7.1.3 分类问题的线性判别函数模型学习 7.2 神经网络学习 7.2.1 从生物神经元到人工神经元 7.2.2 神经网络及其学习 7.2.3 神经网络模型及其分类 7.2.4 BP网络及其学习举例* 7.3 深度学习 7.3.1 什么是深度学习 7.3.2 深度学习的优势 7.3.3 深度学习的发展和扩展 7.4 数据挖掘与知识发现 7.4.1 数据挖掘的一般过程 7.4.2 数据挖掘的对象 7.4.3 数据挖掘的任务 7.4.4 数据挖掘的方法 延伸学习导引 习题7 第8章 机器感知与语言交流 8.1 引言 8.2 模式识别 8.2.1 基本原理与方法 8.2.2 距离分类法 8.2.3 几何分类法 8.2.4 概率分类法 8.3 自然语言处理 8.3.1 自然语言处理的途径、方法和学派 8.3.2 基于规则的自然语言理解 8.3.3 统计语言模型 延伸学习导引 习题8 第9章 人工智能应用系统 9.1 概述 9.2 专家(知识)系统 9.2.1 什么是专家系统 9.2.2 专家系统的结构 9.2.3 专家系统与基于知识的系统及知识工程 9.2.4 专家系统的建造 9.2.5 专家系统的发展 9.3 Agent系统 9.3.1 什么是Agent 9.3.2 Agent的结构 9.3.3 Agent实例——Web Agent 9.3.4 多Agent系统 9.3.5 Agent技术的发展与应用 9.4 智能机器人 9.4.1 智能机器人的基本原理 9.4.2 机器人技术进展 延伸学习导引 习题9 第10章 智能计算机与智能化网络 10.1 智能计算机 10.1.1 智能硬件平台和智能操作系统 10.1.2 人工智能芯片 10.1.3 神经网络计算机,类脑芯片 10.1.4 智能计算机发展展望 10.2 智能化网络 10.2.1 智能网 10.2.2 智能Web 10.2.3 网络的智能化管理与控制 10.2.4 网上信息的智能化检索 10.2.5 **系统 延伸学习导引 习题10 第11章 人工智能编程语言与开发平台 11.1 概述 11.1.1 函数型语言 11.1.2 逻辑型语言 11.1.3 面向对象型语言 11.1.4 计算型语言 11.1.5 混合型语言 11.2 知识工程经典语言PROLOG* 11.2.1 PROLOG语句 11.2.2 PROLOG程序 11.2.3 PROLOG程序的运行机理 11.3 机器学习流行语言Python* 11.3.1 Python语言的特点和优势 11.3.2 Python程序举例 11.4 深度学习框架与平台* 延伸学习导引 习题11 中英文名词对照及索引 参考文献