人工智能pdf/txt下载_在线阅读全文

编辑推荐

人工智能的发展历史反复经历了高峰和低谷的转换。由于人类智能之复杂及计算机软硬件之局限，决定了人工智能的发展道路崎岖不平。近几年来，通过人工智能研究者们的不断争论、探索和创新，并随着相关领域、特别是计算机技术的飞速发展，人工智能又进入发展期，一些新技术、新观念被集成到这个领域。本书即是作者在此背景下撰写而成的。本书可作为人工智能的入门教材，适合所有对人工智能这门学科感兴趣的读者参考。

内容简介

本书从一个新颖的角度对人工智能各方面的问题进行了探讨。由浅入深地介绍了整个人工智能系统和agent的发展历程。首先，描述了仅能对周围环境中可感知特征做出反应的原始agent，以及它们所涉及的机器视觉、机器学习和机器进化等问题；然后，逐步介绍了agent可以从无法立即感知的任务环境中获取信息的技术。本书不仅是对人工智能技术的介绍，而且能为人工智能的研究提供参考和建议。本书作为人工智能的入门教材，适合所有对人工智能这门学科感兴趣的读者参考，尤其适合大专院校的计算机专业及相关专业的学生用做教材或教学参考书。

作者简介

NILS J.NILSSON（N.J.尼尔森）长期从事人工智能（AI）研究，是逻辑学派的奠基人之一，对AI的发展做出了重大的贡献。他以前的著作可认为是这个领域的经典著作，NILSSON博士是斯坦福大学终身的工程学KUMAGAI教授。他曾任《ARTIFICIAL INTELLIGENCE》、《MACHINE LEARN-ING

目　　录

译者序
前言
第1章绪论 1
1.1 什么是人工智能 1
1.2 人工智能的研究方法 4
1.3 人工智能简史 5
1.4 本书规划 7
1.5 补充读物和讨论 9
第一部分响应机器
第2章刺激响应agent 13
2.1 感知和动作 13
2.1.1 感知 15
2.1.2 动作 15
2.1.3 布尔代数 16

译者序 前言 第1章 绪论	1 1.1 什么是人工智能	1 1.2 人工智能的研究方法	4 1.3 人工智能简史	5 1.4 本书规划	7 1.5 补充读物和讨论	9 第一部分 响应机器 第2章 刺激响应agent	13 2.1 感知和动作	13 2.1.1 感知	15 2.1.2 动作	15 2.1.3 布尔代数	16 2.1.4 布尔函数的类别和形式	16 2.2 动作函数的表达和执行	17 2.2.1 产生式系统	17 2.2.2 网络	18 2.2.3 包含体系结构	20 2.3 补充读物和讨论	21 第3章 神经网络	23 3.1 引言	23 3.2 训练单个TLU	23 3.2.1 TLU几何学	23 3.2.2 扩充向量	24 3.2.3 梯度下降方法	24 3.2.4 Widrow-Hoff程序	25 3.2.5 一般化Delta程序	26 3.2.6 纠错程序	27 3.3 神经网络	28 3.3.1 动机	28 3.3.2 表示符号	28 3.3.3 反向传播方法	29 3.3.4 计算最后一层的权值变化	30 3.3.5 计算中间层的权值变化	30 3.4 一般化、准确度和过度拟合	32 3.5 补充读物和讨论	34 第4章 机器进化	37 4.1 进化计算	37 4.2 遗传编程	37 4.2.1 遗传编程的程序表示	37 4.2.2 遗传编程过程	39 4.2.3 进化一个沿墙运动的机器人	40 4.3 补充读物和讨论	43 第5章 状态机	45 5.1 用特征向量来表示环境	45 5.2 Elman网络	46 5.3 图标表示	47 5.4 黑板系统	49 5.5 补充读物和讨论	50 第6章 机器人视觉	53 6.1 引言	53 6.2 操纵一辆汽车	54 6.3 机器人视觉的两个阶段	55 6.4 图象处理	56 6.4.1 平均法	56 6.4.2 边缘增强	58 6.4.3 边缘增强与平均法的结合	59 6.4.4 区域查找	61 6.4.5 运用亮度以外的其他图象的属性	62 6.5 场景分析	63 6.5.1 解释图象中的线条和曲线	63 6.5.2 基于模型的视觉	65 6.6 立体视觉和深度信息	66 6.7 补充读物和讨论	67 第二部分 状态空间搜索 第7章 能计划的agent	71 7.1 存储与计算	71 7.2 状态空间图	72 7.3 显式状态空间搜索	74 7.4 基于特征的状态空间	74 7.5 图记号	75 7.6 补充读物和讨论	76 第8章 盲目搜索	78 8.1 用公式表示状态空间	78 8.2 隐式状态空间图的组成	78 8.3 广度优先搜索	79 8.4 深度优先或回溯搜索	80 8.5 迭代加深	81 8.6 补充读物和讨论	82 第9章 启发式搜索	84 9.1 使用评估函数	84 9.2 一个通用的图搜索算法	85 9.2.1 算法A*	86 9.2.2 A*的可接纳性	88 9.2.3 一致性（或单调）条件	91 9.2.4 迭代加深的A*	92 9.2.5 递归最优搜索	93 9.3 启发式函数和搜索效率	94 9.4 补充读物和讨论	97 第10章 计划、动作和学习	99 10.1 感知/计划/动作循环	99 10.2 逼近搜索	100 10.2.1 孤岛驱动搜索	100 10.2.2 层次搜索	101 10.2.3 有限范围搜索	102 10.2.4 循环	103 10.2.5 建立反应过程	104 10.3 学习启发式函数	105 10.3.1 显式图	105 10.3.2 隐式图	106 10.4 奖赏代替目标	107 10.5 补充读物和讨论	108 第11章 其他搜索公式及其应用	111 11.1 赋值问题	111 11.2 构造性方法	112 11.3 启发式修补	114 11.4 函数优化	115 第12章 敌对搜索	118 12.1 双agent博弈	118 12.2 最小最大化过程	119 12.3 a -b 过程	122 12.4 a -b 过程的搜索效率	125 12.5 其他重要问题	125 12.6 概率博弈	126 12.7 学习评估函数	127 12.8 补充读物和讨论	128 第三部分 知识的表示和推理 第13章 命题演算	131 13.1 对特征值加以约束	131 13.2 语言	132 13.3 推理规则	133 13.4 验证定义	133 13.5 语义	134 13.5.1 解释	134 13.5.2 命题真值表	134 13.5.3 可满足性与模型	135 13.5.4 永真性	136 13.5.5 等价	136 13.5.6 涵蕴	136 13.6 合理性和完备性	137 13.7 命题可满足性问题 	137 13.8 另一些重要的问题	138 13.8.1 语言差异	138 13.8.2 元定理	138 13.8.3 结合律	139 13.8.4 分配律	139 第14章 命题演算中的归结	140 14.1 一种新的推理规则：归结	140 14.1.1 作为合式公式的子句	140 14.1.2 子句上的归结	140 14.1.3 归结的合理性	141 14.2 转换任意的合式公式为子句的合取式	141 14.3 归结反驳	142 14.4 归结反驳搜索策略	142 14.4.1 排序策略	143 14.4.2 精确策略	143 14.5 Horn 子句	144 第15章 谓词演算	146 15.1 动机	146 15.2 谓词演算语言和它的句法	146 15.3 语义	147 15.3.1 世界	147 15.3.2 解释	147 15.3.3 模型及其相关的概念	148 15.3.4 知识	149 15.4 量化	150 15.5 量词语义学	150 15.5.1 全称量词	150 15.5.2 存在量词	151 15.5.3 有用的等价式	151 15.5.4 推理规则	151 15.6 谓词演算作为一种表示知识的语言	151 15.6.1 概念化	151 15.6.2 举例	152 15.7 补充读物和讨论	153 第16章 谓词演算中的归结	155 16.1 合一	155 16.2 谓词演算归结	157 16.3 完备性和合理性	158 16.4 把任意的合式公式转化为子句形式	158 16.5 用归结证明定理	160 16.6 回答提取	161 16.7 等式谓词	161 16.8 补充读物和讨论	163 第17章 基于知识的系统	166 17.1 面对现实世界	166 17.2 用Horn子句进行推理	166 17.3 动态知识库的维持	170 17.4 基于规则的专家系统	173 17.5 规则学习	176 17.5.1 学习命题演算规则	177 17.5.2 学习一阶逻辑规则	180 17.5.3 基于解释的一般化	183 17.6 补充读物和讨论	184 第18章 表示常识知识	187 18.1 常识世界	187 18.1.1 什么是常识知识	187 18.1.2 表示常识知识的困难	188 18.1.3 常识知识的重要性	189 18.1.4 研究领域	189 18.2 时间	190 18.3 用网络表示知识	191 18.3.1 分类的知识	191 18.3.2 语义网络	192 18.3.3 语义网络的非单调推理	193 18.3.4 框架	194 18.4 补充读物和讨论	194 第19章 用不确定信息进行推理	197 19.1 概率论简介	197 19.1.1 基本思想	197 19.1.2 条件概率	199 19.2 概率推理	201 19.2.1 一个一般的方法	201 19.2.2 条件独立	202 19.3 贝叶斯网	203 19.4 贝叶斯网的推理模式	204 19.5 不确定证据	205 19.6 D 分离	205 19.7 在polytree中的概率推理	206 19.7.1 证据在上方	207 19.7.2 证据在下方	208 19.7.3 证据在上下两方	209 19.7.4 一个数值例子	210 19.8 补充读物和讨论	211 第20章 用贝叶斯网学习和动作	214 20.1 学习贝叶斯网	214 20.1.1 已知网络结构	214 20.1.2 学习网络结构	216 20.2 概率推理与动作	219 20.2.1 一般设置	219 20.2.2 一个扩展的例子	220 20.2.3 一般化举例	222 20.3 补充读物和讨论	223 第四部分 基于逻辑的规划方法 第21章 状态演算	227 21.1 状态和动作推理	227 21.2 存在的一些困难	229 21.2.1 框架公理	229 21.2.2 条件	230 21.2.3 分枝	230 21.3 生成计划	231 21.4 补充读物和讨论	231 第22章 规划	234 22.1 STRIPS规划系统	234 22.1.1 描述状态和目标	234 22.1.2 向前搜索方法	235 22.1.3 递归STRIPS	236 22.1.4 带有运行时条件的计划	238 22.1.5 Sussman异常	238 22.1.6 向后搜索方法	239 22.2 计划空间和部分有序规划	242 22.3 层次规划	246 22.3.1 ABSTRIPS	246 22.3.2 层次规划和部分有序规划的组合	248 22.4 学习计划	248 22.5 补充读物和讨论	250 第五部分 通信与集成 第23章 多agent	255 23.1 交互agent	255 23.2 其他agent模型	255 23.2.1 模型种类	255 23.2.2 模拟策略	256 23.2.3 模拟数据库	257 23.2.4 有意思维方式	257 23.3 知识模式逻辑	258 23.3.1 模式算子	258 23.3.2 知识公理	259 23.3.3 关于其他agent知识的推理	260 23.3.4 预测其他agent的动作	261 23.4 补充读物和讨论	261 第24章 agent之间的通信	263 24.1 交谈	263 24.1.1 计划交谈	264 24.1.2 实现交谈	264 24.2 理解语言字符串	265 24.2.1 短语结构语法	265 24.2.2 语义分析	267 24.2.3 扩展语法	271 24.3 有效通信	272 24.3.1 上下文的使用	272 24.3.2 使用知识解决歧义性	273 24.4 自然语言处理	274 24.5 补充读物和讨论	275 第25章 agent体系结构	277 25.1 三级体系结构	277 25.2 目标仲裁	278 25.3 三层塔式结构	279 25.4 自举	280 25.5 补充读物和讨论	280 参考文献	282

显示全部信息

人工智能下载

人工智能

发布书评

相关图书推荐