人工智能【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

人工智能PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 人工智能的定义1

1.2 人工智能的发展历史2

1.2.1 孕育阶段2

1.2.2 形成阶段3

1.2.3 发展阶段4

1.3 人工智能的三大学派5

1.3.1 符号主义5

1.3.2 连接主义6

1.3.3 行为主义6

1.4 人工智能研究内容与应用领域7

1.4.1 问题求解7

1.4.2 专家系统7

1.4.3 机器学习8

1.4.4 神经网络8

1.4.5 模式识别9

1.4.6 数据挖掘和知识发现9

1.4.7 计算机视觉9

1.4.8 智能控制10

1.4.9 计算智能10

1.4.10 其他10

1.5 人工智能的发展趋势10

1.5.1 多学科交叉研究10

1.5.2 智能应用和智能产业11

1.6 习题11

第2章 知识表示12

2.1 概述12

2.1.1 知识及知识的分类12

2.1.2 知识表示13

2.2 谓词逻辑表示法14

2.2.1 基本概念14

2.2.2 谓词逻辑表示法15

2.2.3 谓词逻辑表示法的经典应用16

2.2.4 谓词逻辑表示法的特点18

2.3 产生式表示法18

2.3.1 概述18

2.3.2 产生式系统19

2.3.3 产生式表示法应用举例20

2.3.4 产生式系统的推理方式21

2.3.5 产生式系统的特点22

2.4 语义网络表示法23

2.4.1 语义网络基本概念23

2.4.2 语义网络中常用的语义联系24

2.4.3 语义网络表示知识的方法26

2.4.4 语义网络的推理过程30

2.4.5 语义网络表示的特点31

2.5 框架表示法31

2.5.1 框架基本结构31

2.5.2 基于框架的推理33

2.5.3 框架表示法的特点34

2.6 习题34

第3章 搜索策略36

3.1 搜索的基本概念36

3.1.1 搜索的含义36

3.1.2 状态空间法37

3.1.3 问题归约法40

3.2 状态空间搜索43

3.2.1 盲目搜索43

3.2.2 状态空间的启发式搜索48

3.3 博弈树的启发式搜索54

3.3.1 概述54

3.3.2 极大极小过程55

3.3.3 α-β剪枝57

3.4 习题58

第4章 确定性推理60

4.1 推理的基本概念60

4.1.1 什么是推理60

4.1.2 推理方法及其分类61

4.1.3 推理的控制策略及其分类63

4.1.4 正向推理63

4.1.5 逆向推理65

4.1.6 混合推理67

4.2 推理的逻辑基础67

4.2.1 谓词公式的解释67

4.2.2 谓词公式的永真性与可满足性69

4.2.3 谓词公式的等价性与永真蕴含性69

4.2.4 谓词公式的范式71

4.2.5 置换与合一71

4.3 自然演绎推理73

4.4 归结演绎推理74

4.4.1 子句集及其简化74

4.4.2 鲁滨逊归结原理78

4.4.3 归结演绎推理的归结策略85

4.4.4 用归结反演求取问题的解89

4.5 基于规则的演绎推理90

4.5.1 规则正向演绎推理90

4.5.2 规则逆向演绎推理94

4.6 习题97

第5章 不确定性推理99

5.1 概述99

5.1.1 为什么要采用不确定性推理99

5.1.2 不确定性推理要解决的问题100

5.1.3 不确定性推理类型101

5.2 概率基础102

5.3 主观贝叶斯方法103

5.3.1 不确定性的表示103

5.3.2 组合证据不确定性的计算104

5.3.3 不确定性的传递算法104

5.3.4 结论不确定性的合成105

5.4 可信度方法107

5.4.1 不确定性的表示107

5.4.2 组合证据不确定性的计算108

5.4.3 不确定性的传递算法108

5.4.4 结论不确定性的合成109

5.5 证据理论110

5.5.1 理论基础110

5.5.2 不确定性表示111

5.5.3 组合证据不确定性的计算112

5.5.4 不确定性的更新112

5.6 模糊推理115

5.6.1 模糊知识的表示115

5.6.2 模糊概念的匹配116

5.6.3 模糊推理117

5.7 习题120

第6章 机器学习123

6.1 概述123

6.1.1 机器学习的基本概念123

6.1.2 机器学习的发展历史124

6.1.3 学习系统的基本模型125

6.1.4 学习策略125

6.2 记忆学习126

6.3 归纳学习126

6.3.1 示例学习126

6.3.2 观察与发现学习130

6.4 决策树学习130

6.5 类比学习133

6.5.1 类比学习的基本过程134

6.5.2 属性类比学习134

6.5.3 转换类比学习135

6.5.4 派生类比学习136

6.5.5 联想类比学习136

6.6 解释学习137

6.7 神经学习139

6.7.1 感知器学习139

6.7.2 反向传播网络学习141

6.7.3 Hopfield网络学习145

6.8 贝叶斯学习147

6.8.1 贝叶斯定理147

6.8.2 朴素贝叶斯分类算法147

6.9 在线机器学习150

6.9.1 截断梯度法151

6.9.2 前向后向切分算法152

6.9.3 正则对偶平均算法154

6.9.4 FTRL154

6.10 习题156

第7章 数据挖掘158

7.1 数据挖掘概述158

7.1.1 数据挖掘概念与发展158

7.1.2 数据挖掘的任务159

7.1.3 数据挖掘的应用159

7.1.4 数据挖掘过程与方法160

7.2 分类160

7.2.1 决策树分类法160

7.2.2 基于规则的分类器161

7.2.3 朴素贝叶斯分类器161

7.2.4 基于距离的分类算法162

7.3 聚类162

7.3.1 概念162

7.3.2 聚类分析的基本方法162

7.4 关联规则168

7.4.1 基本概念168

7.4.2 关联规则挖掘算法169

7.4.3 关联规则生成172

7.5 习题173

第8章 大数据175

8.1 大数据概述175

8.1.1 大数据概念175

8.1.2 特征176

8.1.3 发展历程177

8.1.4 应用177

8.2 数据获取179

8.2.1 网络爬虫179

8.2.2 RSS184

8.3 数据挖掘185

8.3.1 概述185

8.3.2 数据挖掘工具186

8.3.3 现状与未来188

8.4 数据分析188

8.4.1 概述188

8.4.2 数据分析流程189

8.4.3 数据分析方法191

8.4.4 数据分析工具192

8.5 Hadoop194

8.5.1 简介194

8.5.2 分布式离线计算框架MapReduce196

8.5.3 Hadoop分布式文件系统198

8.5.4 HBase大数据库201

8.6 数据可视化204

8.7 习题205

第9章 深度学习206

9.1 深度学习应用背景与概述207

9.1.1 应用背景207

9.1.2 概述207

9.1.3 人脑视觉机理208

9.2 特征的概念209

9.2.1 特征表示的粒度209

9.2.2 初级（浅层）特征表示210

9.2.3 结构性特征表示211

9.2.4 特征数量212

9.3 深度学习基本思想212

9.4 浅层学习和深度学习212

9.4.1 浅层学习212

9.4.2 深度学习213

9.5 深度学习常用模型和方法213

9.5.1 自动编码器214

9.5.2 稀疏编码215

9.5.3 深度信念网络215

9.5.4 卷积神经网络216

9.6 深度学习展望218

9.7 习题219

参考文献220