目 录__eol__第1章 人工智能概述 1__eol__1.1 人工智能的基本概念 1__eol__1.1.1 智能的概念 1__eol__1.1.2 人工智能的概念 3__eol__1.1.3 人工智能的研究目标 3__eol__1.2 人工智能的产生与发展 4__eol__1.2.1 孕育期（1956年之前） 4__eol__1.2.2 形成期（1956年到20世纪60年代末） 5__eol__1.2.3 知识应用期（20世纪70年代初到80年代初） 5__eol__1.2.4 从学派分立走向综合（20世纪80年代中到21世纪初） 7__eol__1.2.5 机器学习和深度学习引领发展（21世纪初至今） 7__eol__1.3 人工智能研究的基本内容 7__eol__1.3.1 智能的脑与认知机理研究 7__eol__1.3.2 智能模拟的理论、方法和技术研究 8__eol__1.4 人工智能研究中的不同学派 9__eol__1.4.1 符号主义 9__eol__1.4.2 连接主义 10__eol__1.4.3 行为主义 10__eol__1.5 人工智能的研究和应用领域 11__eol__1.5.1 机器思维 11__eol__1.5.2 机器学习 12__eol__1.5.3 机器感知 14__eol__1.5.4 机器行为 15__eol__1.5.5 计算智能 16__eol__1.5.6 分布智能 17__eol__1.5.7 智能系统 18__eol__1.5.8 人工心理和人工情感 18__eol__1.5.9 人工智能的典型应用 19__eol__习题1 21__eol__第2章 确定性知识系统 23__eol__2.1 确定性知识系统概述 23__eol__2.1.1 确定性知识表示概述 23__eol__2.1.2 确定性知识推理概述 25__eol__2.2 确定性知识表示方法 27__eol__2.2.1 谓词逻辑表示法 27__eol__2.2.2 产生式表示法 34__eol__2.2.3 语义网络表示法 36__eol__2.2.4 框架表示法 42__eol__2.3 确定性知识推理方法 46__eol__2.3.1 产生式推理 46__eol__2.3.2 自然演绎推理 51__eol__2.3.3 归结演绎推理 54__eol__2.4 确定性知识系统简例 63__eol__2.4.1 产生式系统简例 63__eol__2.4.2 归结演绎系统简例 65__eol__习题2 66__eol__第3章 不确定性知识系统 70__eol__3.1 不确定性推理概述 70__eol__3.1.1 不确定性推理的含义 70__eol__3.1.2 不确定性推理的基本问题 71__eol__3.1.3 不确定性推理的类型 72__eol__3.2 可信度推理 73__eol__3.2.1 可信度的概念 73__eol__3.2.2 可信度推理模型 73__eol__3.2.3 可信度推理的例子 77__eol__3.3 主观Bayes推理 78__eol__3.3.1 主观Bayes方法的概率论基础 78__eol__3.3.2 主观Bayes方法的推理模型 79__eol__3.3.3 主观Bayes推理的例子 83__eol__3.3.4 主观Bayes推理的特性 85__eol__3.4 证据理论 85__eol__3.4.1 证据理论的形式化描述 86__eol__3.4.2 证据理论的推理模型 90__eol__3.4.3 推理实例 91__eol__3.4.4 证据理论推理的特性 93__eol__3.5 模糊推理 93__eol__3.5.1 模糊集及其运算 93__eol__3.5.2 模糊关系及其运算 96__eol__3.5.3 模糊知识表示 98__eol__3.5.4 模糊概念的匹配 99__eol__3.5.5 模糊推理的方法 100__eol__3.6 概率推理 104__eol__3.6.1 贝叶斯网络的概念及理论 105__eol__3.6.2 贝叶斯网络推理的概念和类型 108__eol__3.6.3 贝叶斯网络的精确推理 109__eol__3.6.4 贝叶斯网络的近似推理 110__eol__习题3 111__eol__第4章 智能搜索技术 115__eol__4.1 搜索概述 115__eol__4.1.1 搜索的含义 115__eol__4.1.2 状态空间问题求解方法 116__eol__4.1.3 问题归约求解方法 119__eol__4.1.4 进化搜索法概述 122__eol__4.2 状态空间的启发式搜索 125__eol__4.2.1 启发性信息和估价函数 125__eol__4.2.2 A算法 126__eol__4.2.3 A*算法 128__eol__4.2.4 A*算法应用举例 132__eol__4.3 与/或树的启发式搜索 133__eol__4.3.1 解树的代价与希望树 133__eol__4.3.2 与/或树的启发式搜索过程 135__eol__4.4 博弈树的启发式搜索 136__eol__4.4.1 概述 136__eol__4.4.2 极大/极小过程 137__eol__4.4.3 α-β剪枝 138__eol__4.5 遗传算法 139__eol__4.5.1 遗传算法中的基本概念 139__eol__4.5.2 遗传算法的基本过程 139__eol__4.5.3 遗传编码 140__eol__4.5.4 适应度函数 142__eol__4.5.5 基本遗传操作 143__eol__4.5.6 遗传算法应用简例 148__eol__习题4 151__eol__第5章 机器学习 153__eol__5.1 机器学习概述 153__eol__5.1.1 学习的概念 153__eol__5.1.2 机器学习的概念 154__eol__5.1.3 机器学习系统的基本模型 156__eol__5.2 记忆学习 157__eol__5.3 示例学习 158__eol__5.3.1 示例学习的类型 159__eol__5.3.2 示例学习的模型 159__eol__5.3.3 示例学习的归纳方法 161__eol__5.4 决策树学习 162__eol__5.4.1 决策树的概念 162__eol__5.4.2 ID3算法 163__eol__5.5 统计学习 169__eol__5.5.1 小样本统计学习理论 169__eol__5.5.2 支持向量机 171__eol__5.6 集成学习 176__eol__5.6.1 集成学习概述 176__eol__5.6.2 AdaBoost算法 178__eol__5.6.3 Bagging算法 184__eol__5.7 粗糙集知识发现 185__eol__5.7.1 粗糙集概述 185__eol__5.7.2 粗糙集的基本理论 186__eol__5.7.3 决策表的约简 188__eol__习题5 192__eol__第6章 人工神经网络与连接学习 194__eol__6.1 概述 194__eol__6.1.1 人工神经网络概述 194__eol__6.1.2 连接学习概述 195__eol__6.2 人工神经网络的生物机理 195__eol__6.2.1 人脑神经元的结构及功能 196__eol__6.2.2 学习的神经机理 198__eol__6.3 人工神经元及人工神经网络的结构 200__eol__6.3.1 人工神经元的结构及模型 200__eol__6.3.2 人工神经网络的互连结构 202__eol__6.4 人工神经网络的浅层模型 203__eol__6.4.1 感知器模型 203__eol__6.4.2 BP网络模型 206__eol__6.4.3 Hopfield网络模型 207__eol__6.5 深层神经网络模型 208__eol__6.5.1 深度卷积神经网络 208__eol__6.5.2 深度波尔茨曼机与深度信念网络 210__eol__6.6 浅层连接学习 211__eol__6.6.1 连接学习规则 211__eol__6.6.2 感知器学习 213__eol__6.6.3 BP网络学习 215__eol__6.6.4 Hopfield网络学习 221__eol__6.7 深度学习 224__eol__6.7.1 深度学习概述 224__eol__6.7.2 深度卷积神经网络学习 226__eol__6.7.3 卷积神经网络学习的经典模型LeNet5 234__eol__习题6 237__eol__第7章 分布智能 239__eol__7.1 分布智能概述 239__eol__7.1.1 分布智能的概念 239__eol__7.1.2 分布式问题求解 240__eol__7.1.3 多Agent系统 241__eol__7.2 Agent的结构 243__eol__7.2.1 Agent的机理 243__eol__7.2.2 反应Agent的结构