本書主要闡述人工智能的基本原理、方法和應(yīng)用技術(shù)。全書共14章，除第1章討論人工智能基本概念、第14章討論人工智能的爭論與展望外，其余12章主要按照"基本智能 計算智能 典型應(yīng)用三個模塊編著：第1模塊為人工智能經(jīng)典的理論與方法，分別為知識表示、搜索策略、知識推理和機器學習，主要包括第2章的知識表示、第3章的自動推理、第4章的搜索策略、第5章的不確定性推理以及第6章的機器學習；第2模塊為計算智能，包括第7章的神經(jīng)計算、第8章的進化計算、第9的模糊計算以及第10章的群智能；第3模塊為人工智能的典型應(yīng)用領(lǐng)域，包括第11章專家系統(tǒng)、第12章生成式人工智能以及第13章大模型。本書力求科學化、模塊化、實用化，內(nèi)容由淺入深、循序漸進、條理清晰，讓讀者在有限的時間內(nèi)，掌握人工智能的基本原理、基本方法和應(yīng)用技術(shù)。本書可作為高等學校理工科相關(guān)專業(yè)"人工智能"人工智能基礎(chǔ)或"人工智能導論等課程教材，也可供從事人工智能研究與應(yīng)用的科技工作者學習參考。
丁世飛，男，畢業(yè)于中國科學院計算技術(shù)研究所，中國礦業(yè)大學教授，博士生導師。從事人工智能、機器學習、模式識別、數(shù)據(jù)挖掘、大數(shù)據(jù)智能分析、生物信息識別、粗糙集與軟計算等方面理論與應(yīng)用研究。主持國家重點基礎(chǔ)研究計劃（973計劃）課題1項、國家自然科學基金面上項目2項、江蘇省自然科學基金項目1項、中國博士后科學基金1項、國家重點實驗室開放基金3項；參加國家863高技術(shù)項目1項、國家自然科學基金重點項目1項、國家自然科學基金面上項目3項等。近年來，出版專著4部，申請或授權(quán)發(fā)明專利10項，在國內(nèi)外重要學術(shù)期刊上發(fā)表研究論文200余篇，其中被SCI檢索100余篇，其中被計算機學科ESI檢索20余篇。
第1章 緒論1
1.1 人工智能的概念2
1.1.1 智能的定義2
1.1.2 人工智能的定義3
1.2 人工智能的產(chǎn)生和發(fā)展6
1.2.1 孕育期（20世紀50年代中期以前）6
1.2.2 形成及第一個興旺期（20世紀50年代中期至60年代中期）7
1.2.3 蕭條波折期（20世紀60年代中期至70年代中期）8
1.2.4 第二個興旺期（20世紀70年代中期至80年代中期）9
1.2.5 穩(wěn)步增長期（20世紀80年代中期至今）11
1.2.6 中國的人工智能發(fā)展12
1.3 人工智能的主要學派13
1.3.1 符號主義學派13
1.3.2 連接主義學派14
1.3.3 行為主義學派15
1.4 人工智能的主要研究內(nèi)容16
1.5 人工智能的主要應(yīng)用領(lǐng)域19
本章小結(jié)26
習題126
第2章 知識表示27
2.1 知識表示概述28
2.1.1 知識的概念28
2.1.2 知識表示的概念29
2.2 謂詞邏輯表示法30
2.2.1 命題邏輯30
2.2.2 謂詞邏輯31
2.2.3 謂詞公式32
2.2.4 謂詞邏輯表示34
2.2.5 謂詞邏輯表示法的特點37
2.3 產(chǎn)生式表示法37
2.3.1 產(chǎn)生式表示的基本方法37
2.3.2 產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu)39
2.3.3 產(chǎn)生式系統(tǒng)的分類40
2.3.4 產(chǎn)生式表示法的特點41
2.4 語義網(wǎng)絡(luò)表示法43
2.4.1 語義網(wǎng)絡(luò)的基本概念43
2.4.2 語義網(wǎng)絡(luò)的基本語義關(guān)系44
2.4.3 語義網(wǎng)絡(luò)表示知識的方法46
2.4.4 語義網(wǎng)絡(luò)的推理過程50
2.4.5 語義網(wǎng)絡(luò)表示法的特點51
2.5 框架表示法51
2.5.1 框架結(jié)構(gòu)51
2.5.2 框架表示53
2.5.3 框架表示的推理過程55
2.5.4 框架表示法的特點55
2.6 腳本表示法56
2.6.1 腳本的定義56
2.6.2 腳本的組成57
2.6.3 腳本表示法的特點59
2.7 面向?qū)ο蟊硎痉?0
2.7.1 面向?qū)ο蟮幕靖拍?0
2.7.2 面向?qū)ο蟊硎局R61
本章小結(jié)62
習題263
第3章 自動推理65
3.1 推理概述66
3.1.1 推理的概念66
3.1.2 推理的分類66
3.1.3 推理的控制策略68
3.2 推理的邏輯基礎(chǔ)70
3.2.1 謂詞公式的永真性和可滿足性71
3.2.2 置換與合一73
3.3 自然演繹推理76
3.3.1 自然演繹推理的基本概念76
3.3.2 三段論推理76
3.3.3 兩類錯誤77
3.4 歸結(jié)演繹推理78
3.4.1 子句集78
3.4.2 魯賓孫歸結(jié)原理81
3.4.3 用歸結(jié)原理求取問題的答案87
3.4.4 歸結(jié)演繹推理的歸結(jié)策略88
本章小結(jié)92
習題393
第4章 搜索策略96
4.1 搜索概述97
4.2 一般圖搜索98
4.2.1 圖搜索的基本概念98
4.2.2 狀態(tài)空間搜索99
4.2.3 一般圖搜索過程103
4.3 盲目搜索105
4.3.1 寬度優(yōu)先搜索105
4.3.2 深度優(yōu)先搜索107
4.3.3 有界深度搜索和迭代加深搜索109
4.3.4 搜索最優(yōu)策略的比較111
4.4 啟發(fā)式搜索112
4.4.1 啟發(fā)性信息和評估函數(shù)112
4.4.2 啟發(fā)式搜索A算法112
4.4.3 實現(xiàn)啟發(fā)式搜索的關(guān)鍵因素114
4.4.4 A*算法116
4.4.5 迭代加深A(yù)*算法119
4.5 爬山法和回溯搜索120
4.5.1 爬山法120
4.5.2 回溯策略121
4.6 問題規(guī)約122
4.7 與/或圖搜索124
4.7.1 與/或圖的表示124
4.7.2 與/或圖的啟發(fā)式搜索126
4.8 博弈131
4.8.1 極大極小過程133
4.8.2 -過程135
本章小結(jié)136
習題4137
第5章 不確定性推理139
5.1 不確定性推理概述140
5.1.1 不確定性推理的概念140
5.1.2 知識不確定性的來源140
5.1.3 不確定性推理要解決的基本問題141
5.1.4 不確定性推理方法的分類143
5.2 逆概率方法144
5.2.1 概率論基礎(chǔ)144
5.2.2 經(jīng)典概率方法145
5.2.3 逆概率方法145
5.3 主觀貝葉斯方法147
5.3.1 規(guī)則不確定性的表示147
5.3.2 證據(jù)不確定性的表示149
5.3.3 組合證據(jù)不確定性的計算150
5.3.4 不確定性推理方法150
5.3.5 結(jié)論不確定性的合成152
5.3.6 主觀貝葉斯方法的特點155
5.4 可信度方法155
5.4.1 可信度的概念156
5.4.2 規(guī)則不確定性的表示158
5.4.3 證據(jù)不確定性的表示158
5.4.4 組合證據(jù)不確定性的計算158
5.4.5 不確定性的推理159
5.4.6 結(jié)論不確定性的合成159
5.4.7 可信度方法的擴展161
5.4.8 可信度方法的特點167
5.5 證據(jù)理論168
5.5.1 證據(jù)理論的形式描述168
5.5.2 證據(jù)理論的推理模型172
5.5.3 規(guī)則不確定性的表示174
5.5.4 證據(jù)不確定性的表示174
5.5.5 組合證據(jù)的不確定性計算174
5.5.6 推理的不確定性174
5.5.7 結(jié)論不確定性的合成175
5.5.8 證據(jù)理論的特點177
5.6 模糊推理178
5.6.1 模糊數(shù)學的基本知識178
5.6.2 模糊規(guī)則的表示180
5.6.3 模糊證據(jù)的匹配181
5.6.4 簡單模糊推理182
本章小結(jié)183
習題5184
第6章 機器學習187
6.1 機器學習概述188
6.1.1 學習與機器學習188
6.1.2 學習系統(tǒng)188
6.1.3 機器學習的發(fā)展簡史190
6.1.4 機器學習的分類191
6.1.5 機器學習的應(yīng)用和研究目標193
6.2 歸納學習194
6.2.1 歸納學習的基本概念194
6.2.2 變型空間學習195
6.2.3 歸納偏置197
6.3 決策樹學習198
6.3.1 決策樹的組成及分類199
6.3.2 決策樹的構(gòu)造算法200
6.3.3 基本的決策樹算法201
6.3.4 決策樹的偏置204
6.4 基于實例的學習204
6.4.1 k-最近鄰算法204
6.4.2 距離加權(quán)最近鄰法205
6.4.3 基于范例的學習206
6.5 強化學習210
6.5.1 強化學習模型211
6.5.2 馬爾可夫決策過程211
6.5.3 Q學習212
6.6 支持向量機214
6.6.1 支持向量機概述215
6.6.2 支持向量機的構(gòu)造216
6.6.3 核函數(shù)220
6.6.4 支持向量機的應(yīng)用222
本章小結(jié)223
習題6224
第7章 神經(jīng)計算226
7.1 神經(jīng)計算概述227
7.2 感知器229
7.2.1 感知器的結(jié)構(gòu)229
7.2.2 感知器的學習算法230
7.3 反向傳播網(wǎng)絡(luò)232
7.3.1 反向傳播網(wǎng)絡(luò)的結(jié)構(gòu)232
7.3.2 反向傳播網(wǎng)絡(luò)的學習算法233
7.4 自組織映射神經(jīng)網(wǎng)絡(luò)236
7.4.1 SOM網(wǎng)絡(luò)結(jié)構(gòu)236
7.4.2 SOM網(wǎng)絡(luò)的學習算法237
7.5 Hopfield網(wǎng)絡(luò)238
7.6 脈沖耦合神經(jīng)網(wǎng)絡(luò)240
7.7 深度神經(jīng)網(wǎng)絡(luò)242
7.7.1 多層感知器242
7.7.2 卷積神經(jīng)網(wǎng)絡(luò)243
7.7.3 循環(huán)神經(jīng)網(wǎng)絡(luò)245
7.7.4 注意力機制246
本章小結(jié)248
習題7249
第8章 進化計算250
8.1 進化計算概述251
8.2 遺傳算法252
8.2.1 遺傳算法的基本原理252
8.2.2 遺傳算法的應(yīng)用示例253
8.2.3 模式定理256
8.2.4 遺傳算法的改進258
8.3 進化規(guī)劃259
8.3.1 標準進化規(guī)劃及其改進260
8.3.2 進化規(guī)劃的基本技術(shù)261
8.4 進化策略262
8.4.1 進化策略及其改進263
8.4.2 進化策略的基本技術(shù)264
8.5 遺傳算法、進化規(guī)劃、進化策略的異同265
本章小結(jié)266
習題8266
第9章 模糊計算268
9.1 模糊集合的概念269
9.1.1 模糊集合的定義269
9.1.2 模糊集合的表示方法269
9.2 模糊集合的代數(shù)運算274
9.3 正態(tài)模糊集和凸模糊集276
9.4 模糊關(guān)系277
9.5 模糊判決278
9.6 模糊數(shù)學在模式識別中的應(yīng)用279
9.7 模糊綜合評判281
9.7.1 模糊綜合評判概述281
9.7.2 模糊綜合評判的模型282
9.7.3 模糊綜合評判的步驟283
9.7.4 模糊綜合評判的優(yōu)缺點285
9.7.4 模糊綜合評判的應(yīng)用案例分析285
本章小結(jié)288
習題9289
第10章 群智能290
10.1 群智能概述291
10.1.1 群智能優(yōu)化算法定義291
10.1.2 群智能優(yōu)化算法原理291
10.1.3 群智能優(yōu)化算法特點292
10.2 蟻群優(yōu)化算法292
10.2.1 蟻群優(yōu)化算法概述292
10.2.2 蟻群優(yōu)化算法的數(shù)學模型293
10.2.3 蟻群優(yōu)化算法的改進294
10.2.4 蟻群優(yōu)化算法的應(yīng)用示例296
10.3 粒子群優(yōu)化算法297
10.3.1 粒子群優(yōu)化算法基本思想297
10.3.2 粒子群優(yōu)化算法基本框架297
10.3.3 粒子群優(yōu)化算法參數(shù)分析與改進298
10.3.4 粒子群優(yōu)化算法的應(yīng)用示例299
10.4 其他群智能優(yōu)化算法301
10.4.1 人工魚群算法301
10.4.2 細菌覓食算法303
10.4.3 混合蛙跳算法306
10.4.4 果蠅優(yōu)化算法308
本章小結(jié)309
習題10309
第11章 專家系統(tǒng)310
11.1 專家系統(tǒng)概述311
11.1.1 專家系統(tǒng)的特性311
11.1.2 專家系統(tǒng)的結(jié)構(gòu)和類型311
11.2 基于規(guī)則的專家系統(tǒng)314
11.3 基于框架的專家系統(tǒng)316
11.4 基于模型的專家系統(tǒng)318
11.5 專家系統(tǒng)的開發(fā)320
11.5.1 專家系統(tǒng)的開發(fā)過程320
11.5.2 專家系統(tǒng)的知識獲取321
11.5.3 專家系統(tǒng)的開發(fā)工具和環(huán)境322
11.6 專家系統(tǒng)設(shè)計舉例324
11.6.1 專家知識概述324
11.6.2 知識的使用328
11.6.3 決策的解釋330
11.6.4 MYCIN系統(tǒng)331
11.7 新型專家系統(tǒng)332
11.7.1 新型專家系統(tǒng)的共同特征332
11.7.2 分布式專家系統(tǒng)332
11.7.3 協(xié)同式專家系統(tǒng)333
本章小結(jié)334
習題11334
第12章 生成式人工智能335
12.1 生成式人工智能概述336
12.2 生成對
書單推薦
