日本免费精品视频,男人的天堂在线免费视频,成人久久久精品乱码一区二区三区,高清成人爽a毛片免费网站

《智能科學技術著作叢書》序

前言

第1章 緒論

1.1 人工智能的淵源

1.2 人工智能的認知問題

1.3 思維的層次模型

1.4 符號智能

1.5 人工智能的研究方法

1.5.1 認知學派

1.5.2 邏輯學派

1.5.3 行為學派

1.6 自動推理

1.7 機器學習

1.8 分布式人工智能

1.9 智能系統

習題

第2章 人工智能邏輯

2.1 概述

2.2 邏輯程序設計

2.2.1 邏輯程序定義

2.2.2 Prolog數據結構和遞歸

2.2.3 SLD歸結

2.2.4 非邏輯成分:CUT

2.3 封閉世界假設

2.4 非單調邏輯

2.5 默認邏輯

2.6 限制邏輯

2.7 非單調邏輯NML

2.8 自認知邏輯

2.8.1 Moore系統￡_B

2.8.2 O￡邏輯

2.8.3 標準型定理

2.8.4 ◇-記號以及穩定擴張的一種判定過程

2.9 真值維護系統

2.10 情景演算

2.10.1 刻畫情景演算的多類邏輯

2.10.2 LR中的基本動作理論

2.10.3 ConGolog

2.11 框架問題

2.11.1 積木世界

2.11.2 框架公理

2.11.3 框架問題解決方案的準則

2.11.4 框架問題的非單調解決方案

2.12 動態描述邏輯DDL

2.12.1 描述邏輯

2.12.2 動態描述邏輯的語法

2.12.3 動態描述邏輯的語義

習題

第3章 約束推理

3.1 概述

3.2 回溯法

3.3 約束傳播

3.4 約束傳播在樹搜索中的作用

3.5 智能回溯與真值維護

3.6 變量例示次序與賦值次序

3.7 局部修正搜索法

3.8 基于圖的回跳法

3.9 基于影響的回跳法

3.10 約束關系運算的處理

3.10.1 恒等關系的單元共享策略

3.10.2 區間傳播

3.10.3 不等式圖

3.10.4 不等式推理

3.11 約束推理系統

3.12 ILOG Solver

習題

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 定性進程推理

4.5 定性仿真推理

4.5.1 定性狀態轉換

4.5.2 QSIM算法

4.6 代數方法

4.7 幾何空間定性推理

4.7.1 空間邏輯

4.7.2 空間和時間關系描述

4.7.3 空間和時間邏輯的應用

4.7.4 Randell算法

習題

第5章 基于案例的推理

5.1 概述

5.2 類比的形式定義

5.3 相似性關系

5.4 基于案例推理的工作過程

5.5 案例的表示

5.6 案例的索引

5.7 案例的檢索

5.8 案例的復用

5.9 案例的保存

5.10 基于例示的學習

5.10.1 基于例示學習的任務

5.10.2 IB1算法

5.10.3 降低存儲要求

5.11 案例工程

5.12 中心漁場預報專家系統

5.12.1 問題分析與案例表示

5.12.2 相似性度量

5.12.3 索引與檢索

5.12.4 基于框架的修正

5.12.5 實驗結果

習題

第6章 貝葉斯網絡

6.1 概述

6.1.1 貝葉斯網絡的發展歷史

6.1.2 貝葉斯方法的基本觀點

6.1.3 貝葉斯網絡在數據挖掘中的應用

6.2 貝葉斯概率基礎

6.2.1 概率論基礎

6.2.2 貝葉斯概率

6.3 貝葉斯問題的求解

6.3.1 幾種常用的先驗分布選取方法

6.3.2 計算學習機制

6.3.3 貝葉斯問題的求解步驟

6.4 簡單貝葉斯學習模型

6.4.1 簡單貝葉斯學習模型的介紹

6.4.2 簡單貝葉斯模型的提升

6.4.3 提升簡單貝葉斯分類的計算復雜性

6.5 貝葉斯網絡的建造

6.5.1 貝葉斯網絡的結構及建立方法

6.5.2 學習貝葉斯網絡的概率分布

6.5.3 學習貝葉斯網絡的網絡結構

6.6 貝葉斯潛在語義模型

6.7 半監督文本挖掘算法

6.7.1 網頁聚類

6.7.2 對含有潛在類別主題詞文檔的類別標注

6.7.3 基于簡單貝葉斯模型學習標注和未標注樣本

習題

第7章 歸納學習

7.1 概述

7.2 歸納學習的邏輯基礎

7.2.1 歸納學習的一般模式

7.2.2 概念獲取的條件

7.2.3 問題背景知識

7.2.4 選擇型和構造型泛化規則

7.3 偏置變換

7.4 變型空間方法

7.4.1 消除候選元素算法

7.4.2 兩種改進算法

7.5 AQ歸納學習算法

7.6 CLS學習算法

7.7 ID3學習算法

7.7.1 信息論簡介

7.7.2 屬性選擇

7.7.3 ID3算法步驟

7.7.4 ID3算法應用舉例

7.7.5 C4.5算法

7.8 單變量決策樹的并行處理

7.8.1 并行決策樹算法

7.8.2 串行算法的并行化

7.9 歸納學習的計算理論

7.9.1 Gold學習理論

7.9.2 模型推理系統

7.9.3 Valiant學習理論

習題

第8章 統計學習

8.1 統計方法

8.2 統計學習問題

8.2.1 經驗風險

8.2.2 VC維

8.3 學習過程的一致性

8.3.1 學習過程一致性的經典定義

8.3.2 學習理論的重要定理

8.3.3 VC熵

8.4 結構風險最小歸納原理

8.5 支持向量機

8.5.1 線性可分

8.5.2 線性不可分

8.6 核函數

8.6.1 多項式核函數

8.6.2 徑向基函數

8.6.3 多層感知機

8.6.4 動態核函數

8.7 鄰近支持向量機

8.8 極端支持向量機

習題

第9章 解釋學習

9.1 概述

9.2 解釋學習模型

9.3 解釋泛化學習方法

9.3.1 基本原理

9.3.2 解釋與泛化交替進行的解釋泛化方法

9.4 全局取代解釋泛化方法

9.5 解釋特化學習方法

9.6 解釋泛化的邏輯程序

9.6.1 工作原理

9.6.2 元解釋器

9.6.3 實驗例子

9.7 基于知識塊的SOAR系統

9.8 可操作性

9.8.1 PRODIGY的效用問題

9.8.2 SOAR系統的可操作性

9.8.3 MRS-EBG的可操作性

9.8.4 META-LEX的處理方法

9.9 不領域知識下的解釋學習

9.9.1 不領域知識

9.9.2 逆歸結方法

9.9.3 基于深層知識的方法

習題

第10章 強化學習

10.1 概述

10.2 強化學習模型

10.3 動態規劃

10.4 蒙特卡羅方法

10.5 時序差分學習

10.6 Q學習

10.7 強化學習中的函數估計

10.8 強化學習的應用

習題

第11章 無監督學習

11.1 概述

11.2 相似性度量

11.2.1 相似系數

11.2.2 屬性的相似度量

11.3 劃分方法

11.3.1 k均值算法

11.3.2 k中心點算法

11.3.3 大型數據庫的劃分方法

11.4 層次聚類方法

11.4.1 BIRCH算法

11.4.2 CURE算法

11.4.3 ROCK算法

11.5 基于密度的聚類

11.6 基于網格方法

11.7 基于模型的方法

11.8 模糊聚類

11.8.1 傳遞閉包法

11.8.2 動態直接聚類法

11.8.3 較大樹法

11.9 蟻群聚類方法

11.9.1 基本模型

11.9.2 LF算法

11.9.3 基于群體智能的聚類算法CSI

11.9.4 混合聚類算法CSIM

11.10 聚類方法的評價

習題

第12章 關聯規則

12.1 概述

12.2 基本概念

12.3 二值型關聯規則挖掘

12.3.1 AIS算法

12.3.2 SETM算法

12.3.3 Apriori算法

12.3.4 Apriori算法的改進

12.4 頻繁模式樹挖掘算法

12.5 垂直挖掘算法

12.6 挖掘關聯規則的數組方法

12.7 頻繁閉項集的挖掘算法

12.8 較大頻繁項集的挖掘算法

12.9 增量式關聯規則挖掘

12.10 模糊關聯規則的挖掘

12.11 任意多表間關聯規則的并行挖掘

12.11.1 問題的形式描述

12.11.2 單表內大項集的并行計算

12.11.3 任意多表間大項集的生成

12.11.4 跨表間關聯規則的提取

12.12 基于分布式系統的關聯規則挖掘算法

12.12.1 候選集的生成

12.12.2 候選數據集的本地剪枝

12.12.3 候選數據集的全局剪枝

12.12.4 合計數輪流檢測

12.12.5 分布式挖掘關聯規則的算法

習題

第13章 進化計算

13.1 概述

13.2 進化系統理論的形式模型

13.3 達爾文進化算法

13.4 基本遺傳算法

13.4.1 基本遺傳算法的構成要素

13.4.2 基本遺傳算法的一般框架

13.5 遺傳算法的數學理論

13.5.1 模式定理

13.5.2 積木塊假設

13.5.3 隱并行性

13.6 遺傳算法的編碼方法

13.6.1 二進制編碼方法

13.6.2 格雷碼編碼方法

13.6.3 浮點數編碼方法

13.6.4 符號編碼方法

13.6.5 多參數級聯編碼方法

13.6.6 多參數雜交編碼方法

13.7 適應度函數

13.8 遺傳操作

13.8.1 選擇算子

13.8.2 雜交算子

13.8.3 變異算子

13.8.4 反轉操作

13.9 變長度染色體遺傳算法

13.10 小生境遺傳算法

13.11 混合遺傳算法

13.12 并行遺傳算法

13.13 分類器系統

習題

第14章 知識發現

14.1 概述

14.2 知識發現的任務

14.3 知識發現的工具

14.4 MSMiner的體系結構

14.4.1 數據挖掘模型

14.4.2 系統功能

14.4.3 體系結構

14.5 分布式知識發現

14.5.1 概述

14.5.2 基于網格的分布式知識發現

14.5.3 基于云平臺的分布式知識發現

習題

第15章 主體計算

15.1 概述

15.2 分布式問題求解

15.2.1 分布式人工智能的興起

15.2.2 分布式問題求解系統的分類

15.2.3 分布式問題求解系統的求解過程

15.3 主體理論

15.3.1 理性主體

15.3.2 BDI主體模型

15.4 主體結構

15.4.1 主體基本結構

15.4.2 慎思主體

15.4.3 反應主體

15.4.4 混合結構主體

15.4.5 InteRRaP主體

15.4.6 MAPE主體

15.5 主體通信語言ACL

15.5.1 主體間通信概述

15.5.2 FIPAACL消息

15.5.3 交互協議

15.5.4 ACL語義學的形式化基礎

15.6 協調和協作

15.6.1 引言

15.6.2 合同網

15.6.3 部分全局規劃

15.6.4 基于約束傳播的規劃

15.6.5 基于生態學的協作

15.6.6 基于對策論的協商

15.6.7 基于意圖的協商

15.7 移動主體

15.8 多主體環境

習題

第16章 互聯網智能

16.1 概述

16.2 語義Web

16.2.1 語義Web的層次模型

16.2.2 本體的基本概念

16.2.3 本體描述語言OWL

16.3 本體知識管理

16.3.1 Protégé

16.3.2 KAON

16.3.3 KMSphere

16.4 Web挖掘

16.4.1 Web內容挖掘

16.4.2 Web結構挖掘

16.4.3 Web使用挖掘

16.5 搜索引擎

16.6 Web技術的演化

16.6.1 Web1.0

16.6.2 Web2.0

16.6.3 Web3.0

16.6.4 Web4.0

16.7 集體智能

16.7.1 引言

16.7.2 集體智能系統

16.7.3 全球腦

16.7.4 人工生命

16.8 展望

習題

參考文獻