人工智能（簡體書）

《人工智能》較全面地介紹了人工智能領域的各種課題，其中包括使用神經網絡和遺傳算法的感知和適應性、附有本體論的智能agent、自動推理、自然語言分析，以及機器學習的隨機途徑。論述的許多技術和策略可用于應對現今計算機科學面臨的眾多挑戰。此外，《人工智能》進一步從哲學、心理學和神經生理學等角度討論了人工智能研究工作。
《人工智能》可作為大學本科生和研究生的教材，還可供從事人工智能研究和應用的專業人員參考。

劉鳳岐，國防科技大學原計算機系教授，長期從事計算機應用和人工智能的教學和研究工作。自上世紀80年代中期至上世紀末一直帶領學生承擔國家“863”計劃中關于“人工智能程序設計與環境”、“專家系統開發工具”等的研究課題，獲省、部級科技進步獎六項。發表論文20余篇，并編著了《邏輯程序設計原理和方法》。1990年獲國家“中青年有突出貢獻專家”稱號，享受政府特殊津貼。

出版者的話
序言
前言
第1章 導論
1.1 人工智能的定義與基礎
1.1.1 何謂人工智能？
1.1.2 ai基礎簡史
1.1.3 ai與唯理主義和經驗主義傳統
1.1.4 形式邏輯的發展
1.1.5 圖靈測試
1.1.6 智能的生物與社會模型agent理論
1.2 ai應用領域概述
1.2.1 博弈
1.2.2 自動推理與定理證明
1.2.3 專家系統
1.2.4 自然語言理解
1.2.5 模擬人的性能
1.2.6 規劃與機器人
1.2.7 ai語言和環境
1.2.8 機器學習
1.2.9 神經網絡與遺傳算法
1.2.1 0ai與哲學
1.3 人工智能概要
練習

第2章 表示與搜索導引
2.1 表示系統
2.2 搜索

第3章 謂詞演算
3.1 命題演算
3.1.1 語法
3.1.2 語義
3.2 謂詞演算
3.2.1 語法
3.2.2 語義
3.3 謂詞演算的推斷規則
3.3.1 推斷規則
3.3.2 一致化
3.4 應用：基于邏輯的家庭財務咨詢系統
練習

第4章 狀態空間搜索
4.1 狀態空間搜索的結構
4.1.1 圖論
4.1.2 有限狀態機
4.1.3 問題的狀態空間表示
4.2 狀態空間搜索策略
4.2.1 數據驅動和目標驅動的搜索
4.2.2 廣度優先和深度優先搜索
4.2.3 逐步加深的深度優先搜索
4.3 與/或圖和邏輯推理
4.4 應用：家庭財務咨詢系統
練習

第5章 啟發式搜索
5.1 爬山法和動態規劃
5.1.1 爬山法
5.1.2 動態規劃
5.2 最好優先搜索算法
5.2.1 實現最好優先搜索
5.2.2 實現啟發估價函數
5.2.3 啟發式搜索與專家系統
5.3 可采納性、單調性及信息度
5.3.1 可采納性
5.3.2 單調性
5.3.3 a*算法的比較
5.4 搜索博弈圖
5.4.1 極小極大程序
5.4.2 固定深度的minimax
5.4.3 αβ剪枝
5.5 計算復雜度問題
練習

第6章 狀態空間搜索的控制算法
6.1 基于遞歸的搜索
6.1.1 遞歸搜索
6.1.2 遞歸搜索示例：模式驅動的推理
6.2 產生式系統
6.2.1 定義及簡史
6.2.2 產生式系統示例
6.2.3 搜索的控制
6.2.4 產生式系統的優點
6.3 問題求解的黑板體系
練習

第7章 知識表示
7.1 ai表示研究簡史
7.1.1 含義的聯想主義理論
7.1.2 語義網絡的早期工作
7.1.3 網絡關系的標準化
7.1.4 腳本
7.1.5 框架
7.2 概念圖
7.2.1 概念圖導引
7.2.2 類型、個體和名稱
7.2.3 類型的層次結構
7.2.4 概念圖的操作
7.2.5 命題節點
7.2.6 概念圖與邏輯
7.3 替代顯式表示
7.3.1 brooks的包容體系
7.3.2 多種表示、本體論與知識服務
7.4 基于agent的分布式問題求解
7.4.1 面向agent的問題求解：一種定義
7.4.2 agent范型的示例及其存在問題
練習

第8章 知識系統
8.1 專家系統技術概述
8.1.1 設計基于規則的專家系統
8.1.2 問題領域的選擇與知識工程過程
8.1.3 概念模型及其在知識獲取中的作用
8.2 基于規則的專家系統
8.2.1 產生式系統與目標驅動的問題求解
8.2.2 目標驅動的推理的解釋與透明性
8.2.3 產生式系統與數據驅動的推理
8.2.4 專家系統的啟發性與控制
8.3 基于模型、基于事例和混合系統
8.3.1 基于模型的推理導引
8.3.2 基于模型的推理：nasa的例子
8.3.3 基于事例的推理導引
8.3.4 混合設計
8.4 規劃
8.4.1 strips
8.4.2 目的反應式規劃
8.4.3 規劃：nasa的例子
練習

第9章 不確定推理
9.1 基于邏輯的反繹推理
9.1.1 非單調推理邏輯
9.1.2 真值維護系統
9.1.3 基于最小模型的邏輯
9.1.4 集合覆蓋與基于邏輯的反繹
9.2 反繹：替代邏輯
9.2.1 肯定因數代數
9.2.2 模糊推理
9.2.3 dempster和shafer的證據論
9.3 不確定性的隨機途徑
9.3.1 有向圖模型：貝葉斯信念網絡
9.3.2 有向圖模型：d分隔
9.3.3 有向圖模型：推理算法
9.3.4 有向圖模型：動態貝葉斯網絡
9.3.5 markov模型：離散markov過程
9.3.6 markov模型：改型
練習

第10章 基于符號的機器學習
10.1 基于符號的學習框架
10.2 版本空間搜索
10.2.1 一般化操作與概念空間
10.2.2 候選排除算法
10.2.3 lex：歸納搜索啟發式
10.2.4 候選排除算法的評價
10.3 id3決策樹歸納算法
10.3.1 自頂向下歸納決策樹
10.3.2 信息論的測試選擇
10.3.3 評價id3
10.3.4 決策樹的數據問題
10.4 歸納偏向與學習能力
10.4.1 歸納偏向
10.4.2 學習能力理論
10.5 知識與學習
10.5.1 基于解釋的學習
10.5.2 類比推理
10.6 無監督的學習
10.6.1 發現與無監督的學習
10.6.2 概念聚類
10.6.3 cobweb與分類知識的結構
10.7 增強式學習
10.7.1 增強式學習的成分
10.7.2 示例：井字棋博弈
10.7.3 增強式學習的推理算法
練習

第11章 神經網絡
11.1 神經網絡基礎
11.2 感知器學習
11.2.1 感知器訓練算法
11.2.2 感知器學習用于分類
11.2.3 梯度下降法與δ規則
11.3 反向傳播學習
11.3.1 反向傳播算法
11.3.2 例1：nettalk
11.3.3 例2：異或函數
11.4 競爭學習
11.4.1 分類的wta學習算法
11.4.2 kohonen的學習原型網絡
11.4.3 重復傳播網絡
11.5 hebb的疊合學習
11.5.1 無監督hebb學習示例
11.5.2 有監督hebb學習
11.5.3 結合存儲與線性結合器
11.6 吸引狀態網絡
11.6.1 雙向結合存儲
11.6.2 bam處理示例
11.6.3 自結合存儲與hopfield網絡
練習

第12章 學習的遺傳與浮現模型
12.1 遺傳算法
12.1.1 遺傳算法示例
12.1.2 遺傳算法的評價
12.2 分類器系統與遺傳程序設計
12.2.1 分類器系統
12.2.2 遺傳程序設計
12.3 人工生命和基于社會的學習
12.3.1 “生命博弈”
12.3.2 進化規劃
12.3.3 浮現的專題研究
練習

第13章 自動推理
13.1 通用問題求解器
13.2 歸結定理證明器
13.2.1 謂詞演算表達式化為短句集合
13.2.2 歸結證明程序
13.2.3 歸結策略和簡化技術
13.2.4 由歸結反駁抽取答案
13.3 prolog與自動推理
練習

第14章 自然語言理解
14.1 理解語言的符號途徑
14.2 語法
14.2.1 上下文無關文法的規范與分析
14.3 躍遷網分析器與語義
14.3.1 躍遷網分析器
14.3.2 chomsky層次與上下文有關文法
14.3.3 語義：atn分析器
14.3.4 用atn組合語法和語義知識
14.4 語言理解的隨機工具
14.4.1 語法分析的概率途徑
14.4.2 概率上下文無關分析器
14.5 自然語言的應用
14.5.1 故事理解與回答問題
14.5.2 數據庫前端
14.5.3 對web的信息抽取和摘要系統
練習

第15章 結束語：評述與展望
15.1 對ai幾種途徑的評述
15.1.1 智能與物理符號系統假設
15.1.2 連接主義計算
15.1.3 agent、浮現與智能
15.1.4 概率模型和隨機技術
15.2 現代認知科學
15.2.1 心理學的約束
15.2.2 認識論問題
15.3 ai：當前的挑戰與未來方向

附錄a 隨機方法導論
附錄b 隨機方法的應用
參考文獻