●《智能科學技術著作叢書》序
前言
第1章 結論 1
1.1 人工智能的淵源 1
1.2 人工智能的認知問題 3
1.3 思維的層次模型 4
1.4 符號智能 6
1.5 人工智能的研究方法 7
1.5.1 認知學派 8
1.5.2 邏輯學派 8
1.5.3 行為學派 9
1.6 自動推理 9
1.7 機器學習 11
1.8 分布式人工智能 13
1.9 智能繫統 15
習題 19
第2章 人工智能邏輯 20
2.1 概述 20
2.2 邏輯程序設計 22
2.2.1 邏輯程序定義 23
2.2.2 Prolog數據結構和遞歸 24
2.2.3 SLD歸結 25
2.2.4 非邏輯成分 27
2.3 封閉世界假設 29
2.4 非單調邏輯 31
2.5 默認邏輯 33
2.6 邏輯 39
2.7 非單調邏輯NML 42
2.8 自認知邏輯 44
2.8.1 Moore繫統品 44
2.8.2 OL邏輯 45
2.8.3 標準型定理 46
2.8.4 ◇-記號以及穩定擴張的一種判定過程 47
2.9 真值維護繫統 50
2.10 情景演算 55
2.10.1 刻畫情景演算的多類邏輯 56
2.10.2 LR中的基本動作理論 57
2.10.3 ConGolog 57
2.11 框架問題 58
2.11.1 積木世界 59
2.11.2 框架公理 59
2.11.3 框架問題解決方案的準則 61
2.11.4 框架問題的非單調解決方案 63
2.12 動態描述邏輯DDL 67
2.12.1 描述邏輯 67
2.12.2 動態描述邏輯的語法 69
2.12.3 動態描述邏輯的語義 71
習題 74
第3章 約束推理 76
3.1 概述 76
3.2 回溯法 81
3.3 約束傳播 82
3.4 約束傳播在樹搜索中的作用 84
3.5 智能回溯與真值維護 85
3.6 變量例示次序與賦值次序 86
3.7 局部修正搜索法 86
3.8 基於圖的回跳法 87
3.9 基於影響的回跳法 88
3.10 約束關繫運算的處理
3.10.1 恆等關共享策略 92
3.10.2 區間傳播 93
3.10.3 不等式圖 94
3.10.4 不等式推理 95
3.11 約束推理繫統 96
3.12 ILOG Solver 99
習題 105
第4章 定性推理 106
4.1 概述 106
4.2 定性推理的基本方法 107
4.3 定性模型推理 108
4.4 定性進程推理 109
4.5 定性仿真推理 113
4.5.1 應性狀態轉換 114
4.5.2 QSIM算法 114
4.6 代數方法
4.7 幾何空間定性推理 117
4.7.1 壁間邏輯 118
4.7.2 空間和時間關繫描述 120
4.7.3 空間和時間邏輯的應用 121
4.7.4 Randell算法 122
習題 123
第5章 基於案例的推理 124
5.1 概述 124
5.2 類比的形式定義 125
5.3 相似性關繫 126
5.4 基於案例推理的工作過程 130
5.5 案例的表示 133
5.6 案例的索引 136
5.7 案例的檢索 137
5.8 案例的復用 139
5.9 案例的保存 141
5.10 基於例示的學習 141
5.10.1 基於例示學習的任務 142
5.10.2 IB1算法 143
5.10.3 降低存儲要求 145
5.11 案例工程 147
5.12 中心漁場預報專家繫統 149
5.12.1 問題分析與案例表示 150
5.12.2 相似性度量 151
5.12.3 索引與檢索 152
5.12.4 基於框架的修正 153
5.12.5 實驗結果 155
習題 156
第6章 貝葉斯網絡 158
6.1 概述 158
6.1.1 貝葉斯網絡的發展歷史 158
6.1.2 貝葉斯方法的基本觀點 159
6.1.3 貝葉斯網絡在數據挖掘中的應用 159
6.2 貝葉斯概率基礎 162
6.2.1 概率論基礎 162
6.2.2 貝葉斯概率 164
6.3 貝葉斯問題的求解 167
6.3.1 幾種常用的先驗分布選取方法 168
6.3.2 計算學習機制 170
6.3.3 貝葉斯問題的求解步驟 172
6.4 簡單貝葉斯學習模型 174
6.4.1 簡單貝葉斯學習模型的介紹 174
6.4.2 簡單貝葉斯模型的提升 176
6.4.3 提升簡單貝葉斯分類的計算復雜性 179
6.5 貝葉斯網絡的建造 179
6.5.1 貝葉斯網絡的結構及建立方法 179
6.5.2 學習貝葉斯網絡的概率分布 180
6.5.3 學習貝葉斯網絡的網絡結構 182
6.6 貝葉斯潛在語義模型 186
6.7 半監督文本挖掘算法 190
6.7.1 網頁聚類 190
6.7.2 對含有潛在類別主題詞文檔的類別標注 191
6.7.3 基於簡單貝葉斯模型學習標注和未標注樣本 192
習題 196
第7章 歸納學習 197
7.1 概述 197
7.2 歸納學習的邏輯基礎 198
7.2.1 歸納學習的一般模式 198
7.2.2 概念獲取的條件 200
7.2.3 問題背景知識 201
7.2.4 選擇型和構造型泛化規則 202
7.3 偏置變換 205
7.4 變型空間方法 206
7.4.1 消素算法 208
7.4.2 兩種改進算法 210
7.5 AQ歸納學習算法 212
7.6 CLS學習算法 213
7.7 ID3學習算法 214
7.7.1 信息論簡介 214
7.7.2 屬性選擇 214
7.7.3 ID3算法步驟 215
7.7.4 ID3算法應用舉例 216
7.7.5 C4.5算法 218
7.8 單變量決策樹的並行處理 219
7.8.1 並行決策樹算法 219
7.8.2 串行算法的並行化 222
7.9 歸納學習的計算理論 223
7.9.1 Gold學習理論 224
7.9.2 模型推理繫統 225
7.9.3 Valiant學習理論 226
習題 228
第8章 統計學習 230
8.1 統計方法 230
8.2 統計學習問題 231
8.2.1 經驗風險 231
8.2.2 VC維 231
8.3 學習過程的一致性 232
8.3.1 學習過程一致性的經典定義 232
8.3.2 學習理論的重要定理 232
8.3.3 VC熵 233
8.4 結構風險最小歸納原理 234
8.5 支持向量機 236
8.5.1 線性可分 237
8.5.2 線性不可分 239
8.6 核函數 240
8.6.1 多項式核函數 240
8.6.2 徑向基函數 241
8.6.3 多層感知機 241
8.6.4 動態核函數 241
8.7 鄰近支持向量機 243
8.8 特別支持向量機 246
習題 249
第9章 解釋學習 250
9.1 概述 250
9.2 解釋學習模型 251
9.3 解釋泛化學習方法 252
9.3.1 基本原理 252
9.3.2 解釋與泛化交替進行的解釋泛化方法 255
9.4 全局取代解釋泛化方法 256
9.5 解釋特化學習方法 260
9.6 解釋泛化的邏輯程序 262
9.6.1 工作原理 263
9.6解釋器 264
9.6.3 實驗例子 264
9.7 基於知識塊的SOAR繫統 266
9.8 可操作性 268
9.8.1 PRODIGY的效用問題 270
9.8.2 SOAR繫統的可操作性 271
9.8.3 MR5-EBG的可操作性 272
9.8.4 META-LEX的處理方法 272
9.9 不接近領域知識下的解釋學習 273
9.9.1 不接近領域知識 273
9.9.2 逆歸結方法 273
9.9.3 基於深層知識的方法 275
習題 276
第10章 強化學習 277
10.1 概述 277
10.2 強化學習模型 278
10.3 動態規劃 281
10.4 蒙特卡羅方法 283
10.5 時序差分學習 284
10.6 Q學習 287
10.7 強化學習中的函數估計 289
10.8 強化學習的應用 291
習題 293
第11章 無監督學習 294
11.1 概述 294
11.2 相似性度量 295
1l.2.1 相似繫數 295
11.2.2 屬性的相似度量 297
11.3 劃分方法 298
11.3.1 k均值算法 298
11.3.2 k中心點算法 299
11.3.3 大型數據庫的劃分方法 299
11.4 層次聚類方法 301
11.4.1 BIRCH算法 302
11.4.2 CURE算法 302
11.4.3 ROCK算法 303
11.5 基於密度的聚類 304
11.6 基於網格方法 307
11.7 基於模型的方法 309
11.8 模糊聚類 311
11.8.1 傳遞閉包法 311
11.8.2 動態直接聚類法 311
11.8.3 優選樹法 312
11.9 蟻群聚類方法 314
11.9.1 基本模型 314
11.9.2 LF算法 315
11.9.3 基於群體智能的聚類算法CSI 315
11.9.4 混合聚類算法CSIM 318
11.10 聚類方法的評價 319
習題 321
第12章 關聯規則 322
12.1 概述 322
12.2 基本概念 322
12.3 二值型關聯規則挖掘 325
12.3.1 AIS算法 325
12.3.2 SETM算法 326
12.3.3 Apriori算法 327
12.3.4 Apriori算法的改進 330
12.4 頻繁模式樹挖掘算法 331
12.5 垂直挖掘算法 334
12.6 挖掘關聯規則的數組方法 337
12.7 頻繁閉項集的挖掘算法 339
12.8 優選頻繁項集的挖掘算法 341
12.9 增量式關聯規則挖掘 345
12.10 模糊關聯規則的挖掘 348
12.11 任意多表間關聯規則的並行挖掘 351
12.11.1 問題的形式描述 351
12.11.2 單表內大項集的並行計算 352
12.11.3 任意多表間大項集的生成 354
12.11.4 跨表間關聯規則的提取 354
……

人工智能是研究解釋和模擬人類智能、智能行為及其規律的一門學科，建立智能信息處理理論，研制智能機器和智能繫統，延伸和擴展人類智能。本書共16章。第1~6章討論人工智能的認知問題和自動推理，論述邏輯基礎、約束推理、定性推理、基於案例的推理、概率推理；第7~14章重點討論機器學習和知識發現，包括歸納學習、支持向量機、解釋學習、強化學習、無監督學習、關聯規則、進化計算、知識發現；第15章闡述主體計算；第16章討論互聯網智能。與本書第二版相比，增加了兩章新內容。其他章節也作了較大的修改和補充。本書內容新穎，反映了人工智能領域的近期新研究進展，總結了作者多年的科研成果。全書力求從理論、算法、繫統、應用等方面討論人工智能的方法和關鍵技術。本書可作為高等院校信息領域相關專業的高年級本科生和研究生的教材，也可供相關科技人員學習參考。