高级人工智能

《智能科学技术著作丛书》序前言第1章　绪论　1.1人工智能的渊源　1.2人工智能的认知问题　1.3思维的层次模型　1.4符号智能　1.5人工智能的研究方法　1.6自动推理　1.7机器学习　1.8分布式人工智能　1.9智能系统　习题第2章　人工智能逻辑　2.1概述　2.2逻辑程序设计　2.3封闭世界假设　2.4非单调逻辑　2.5默认逻辑　2.6限制逻辑　2.7非单调逻辑nml　2.8自认知逻辑　2.9真值维护系统　2.10情景演算　2.11框架问题　2.12动态描述逻辑ddl　习题第3章　约束推理　3.1概述　3.2回溯法　3.3约束传播　3.4约束传播在树搜索中的作用　3.5智能回溯与真值维护　3.6变量例示次序与赋值次序　3.7局部修正搜索法　3.8基于图的回跳法　3.9基于影响的回跳法　3.10约束关系运算的处理　3.11约束推理系统cops　3.12ilogsolver　习题第4章　定性推理　4.1概述　4.2定性推理的基本方法　4.3定性模型推理　4.4定性进程推理　4.5定性仿真推理　4.6代数方法　4.7几何空间定性推理　习题第5章　基于案例的推理　5.1概述　5.2类比的形式定义　5.3相似性关系　5.4基于案例推理的工作过程　5.5案例的表示　5.6案例的索引　5.7案例的检索　5.8案例的利用　5.9案例的保存　5.10基于例示的学习　5.11案例工程　5.12中心渔场预报专家系统　习题第6章　贝叶斯网络　6.1概述　6.2贝叶斯概率基础　6.3贝叶斯问题的求解　6.4简单贝叶斯学习模型　6.5贝叶斯网络的建造　6.6贝叶斯潜在语义模型　6.7半监督文本挖掘算法　习题第7章　归纳学习　7.1概述　7.2归纳学习的逻辑基础　7.3偏置变换　7.4变型空间方法　7.5aq归纳学习算法　7.6cls学习算法　7.7id3学习算法　7.8单变量决策树的交行处理　7.9归纳学习的计算理论　习题第8章　统计学习　8.1统计方法　8.2统计学习问题　8.3学习过程的一致性　8.4结构风险最小归纳原理　8.5支持向量机　8.6核函数　8.7邻近支持向量机　8.8极端支持向量机　习题第9章　解释学习　9.1概述　9.2解释学习模型　9.3解释泛化学习方法　9.4全局取代解释泛化方法　9.5解释特化学习方法　9.6解释泛化的逻辑程序　9.7基于知识块的soar系统　9.8可操作性　9.9不完全领域知识下的解释学习　习题第10章　强化学习　10.1概述　10.2强化学习模型　10.3动态规划　10.4蒙特卡罗方法　10.5时序差分学习　10.6q学习　10.7强化学习中的函数估计　10.8强化学习的应用　习题第11章　无监督学习　11.1概述　11.2相似性度量　11.3划分方法　11.4层次聚类方法　11.5基于密度的聚类　11.6基于网络方法　11.7基于模型的方法　11.8模糊聚类　11.9蚁群聚类方法　11.10聚类方法的评价　习题第12章　关联规则　12.1概述　12.2基本概念　12.3二值型关联规则挖掘　12.4频繁模式树挖掘算法　12.5垂直挖掘算法　12.6挖掘关联规则的数组方法　12.7频繁闭项集的挖掘算法　12.8最大频繁项集的挖掘算法　12.9增量式关联规则挖掘　12.10模糊关联规则的挖掘　12.11任意多表间关联规则的并行挖掘　12.12基于分布式系统的关联规则挖掘算法　习题第13章　进化计算　13.1概述　13.2进化系统理论的形式模型　13.3达尔文进化算法　13.4基本遗传算法　13.5遗传算法的数学理论　13.6遗传算法的编码方法　13.7适应度函数　13.8遗传操作　13.9变长度染色体遗传算法　13.10小生境遗传算法　13.11混合遗传算法　13.12并行遗传算法　13.13分类器系统　习题第14章　知识发现　14.1概述　14.2知识发现的任务　14.3知识发现的工具　14.4msminer的体系结构　14.5分布式知识发现　习题第15章　主体计算　15.1概述　15.2分布式问题求解　15.3主体理论　15.4主体结构　15.5主体通信语言acl　15.6协调和协作　15.7移动主体　15.8多主体环境　习题第16章　互联网智能　16.1概述　16.2语义web　16.3本体知识管理　16.4web挖掘　16.5搜索引擎　16.6web技术的演化　16.7集体智能　16.8展望　习题参考文献