- 清华大学出版社
- 9787302556039
- 378645
- 2020年10月
作者简介
内容简介
本书全面系统地阐述了人工智能的基本原理，勾画了人工智能理论和技术体系的基本框架，内容涵盖了人工智能各个分支领域的基本知识和主要内容，并体现了人工智能的进展。本书内容全面、基础、新颖、实用，为读者进一步学习和研发奠定了基础，指引了方向。全书共分为六篇，每篇为一个知识单元。本书结构风格独特，条理清楚，语言精练，图文并茂，理例结合，深入浅出，易读易懂，易教易学。本书适合于人工智能、数据科学、计算机、自动化、软件工程、网络工程、电子信息等专业使用，亦可供其他专业的师生和相关工程技术人员自学或参考。
目录
篇 概述与工具
章 人工智能概述
1.1 什么是人工智能
1.1.1 人工智能的概念
1.1.2 图灵测试和中文屋子
1.1.3 脑智能和群智能
1.1.4 符号智能和计算智能
1.1.5 统计智能和交互智能
1.2 为什么要研究人工智能
1.2.1 研究人工智能的意义
1.2.2 人工智能的研究目标和策略
1.3 人工智能的相关学科
1.4 人工智能的研究内容
1.4.1 搜索与求解
1.4.2 知识与推理
1.4.3 学习与发现
1.4.4 发明与创造
1.4.5 感知与响应
1.4.6 理解与交流
1.4.7 记忆与联想
1.4.8 竞争与协作
1.4.9 系统与建造
1.4.10 应用与工程
1.5 人工智能的研究途径与方法
1.5.1 心理模拟，符号推演
1.5.2 生理模拟，神经计算
1.5.3 行为模拟，控制进化
1.5.4 群体模拟，仿生计算
1.5.5 博采广鉴，自然计算
1.5.6 着眼数据，统计建模
1.6 人工智能的应用
1.6.1 难题求解
1.6.2 自动规划、调度与配置
1.6.3 机器博弈
1.6.4 机器翻译与机器写作
1.6.5 机器定理证明
1.6.6 自动程序设计
1.6.7 智能控制
1.6.8 智能管理
1.6.9 智能决策
1.6.10 智能通信
1.6.11 智能预测
1.6.12 智能仿真
1.6.13 智能设计与制造
1.6.14 智能车辆与智能交通
1.6.15 智能诊断与治疗
1.6.16 智能生物信息处理
1.6.17 智能教育
1.6.18 智能人机接口
1.6.19 模式识别
1.6.20 智能机器人
1.6.21 数据挖掘与知识发现
1.6.22 计算机辅助创新
1.6.23 计算机文艺创作
1.7 人工智能的分支领域与研究方向
1.8 人工智能学科发展概况
1.8.1 孕育与诞生
1.8.2 符号主义先声夺人
1.8.3 连接主义不畏坎坷
1.8.4 计算智能异军突起
1.8.5 统计智能默默奉献
1.8.6 智能主体一统江湖，Agent & Robot
1.8.7 知识工程东山再起，机器学习领衔高歌
1.8.8 现状与趋势
习题1
第2章 人工智能程序设计语言
2.1 概述
2.1.1 函数型语言
2.1.2 逻辑型语言
2.1.3 面向对象语言
2.1.4 计算型语言
2.1.5 混合型语言
2.2 知识工程经典语言PROLOG
2.2.1 PROLOG的语句
2.2.2 PROLOG的程序
2.2.3 PROLOG程序的运行机理
2.3 机器学习流行语言Python
2.3.1 Python语言的特点和优势
2.3.2 Python程序举例
习题2
第2篇 搜索与求解
第3章 图搜索与问题求解
3.1 状态图与状态图搜索
3.1.1 状态图
3.1.2 状态图搜索
3.1.3 穷举式搜索
3.1.4 启发式搜索
3.1.5 加权状态图搜索
3.1.6 A算法和A算法
3.1.7 状态图搜索策略小结
3.2 状态图搜索问题求解
3.2.1 问题的状态图表示
3.2.2 状态图问题求解程序举例
3.3 与或图与与或图搜索
3.3.1 与或图
3.3.2 与或图搜索
3.3.3 启发式与或树搜索
3.4 与或图搜索问题求解
3.4.1 问题的与或图表示
3.4.2 与或图问题求解程序举例
3.5 博弈树搜索
3.5.1 博弈树的概念
3.5.2 极小极大分析法
3.5.3 αβ剪枝技术
习题3
第4章 基于遗传算法的优化搜索
4.1 基本概念
4.2 基本遗传算法
4.3 遗传算法应用举例
4.4 遗传算法的特点与优势
习题4
第3篇 知识与推理
第5章 基于一阶谓词的机器推理
5.1 一阶谓词逻辑
5.1.1 谓词，函数，量词
5.1.2 谓词公式
5.1.3 永真式与推理规则
5.1.4 自然语言命题的谓词形式表示
5.1.5 基于谓词公式的形式演绎推理
5.2 归结演绎推理
5.2.1 子句与子句集
5.2.2 命题逻辑中的归结原理
5.2.3 替换与合一
5.2.4 谓词逻辑中的归结原理
5.3 应用归结原理求取问题答案
5.4 归结策略
5.4.1 问题的提出
5.4.2 常用的归结策略
5.4.3 归结策略的类型
5.5 归结反演程序举例
5.6 Horn子句逻辑与逻辑程序设计语言
5.6.1 子句的蕴涵表示形式
5.6.2 Horn子句逻辑与计算机程序语言
延伸学习导引
习题5
第6章 基于产生式规则的机器推理
6.1 产生式规则
6.1.1 产生式规则与推理网络
6.1.2 基于产生式规则的推理模式
6.2 产生式系统
6.2.1 系统结构
6.2.2 运行过程
6.2.3 控制策略与常用算法
6.2.4 程序实现
6.3 产生式系统与图搜索问题求解
习题6
第7章 几种结构化知识表示及其推理
7.1 元组
7.2 框架
7.2.1 框架的概念
7.2.2 框架的表达能力
7.2.3 基于框架的推理
7.2.4 框架的程序语言实现
7.3 语义网络
7.3.1 语义网络的概念
7.3.2 语义网络的表达能力
7.3.3 基于语义网络的推理
7.3.4 语义网络的程序语言实现
7.4 知识图谱
7.5 类与对象
习题7
第8章 不确定和不确切性知识的表示与推理
8.1 概述
8.2 不确定性知识的表示及推理
8.2.1 不确定性知识的表示
8.2.2 不确定性推理
8.3 几种经典的不确定性推理模型
8.3.1 确定性理论
8.3.2 主观贝叶斯方法
8.3.3 证据理论
8.4 基于贝叶斯网络的概率推理
8.4.1 什么是贝叶斯网络
8.4.2 用贝叶斯网络表示不确定性知识
8.4.3 基于贝叶斯网络的概率推理
8.5 不确切性知识的表示及推理
8.5.1 软语言值及其数学模型
8.5.2 不确切性知识的表示
8.5.3 基于软语言规则的推理
8.5.4 基于模糊集合与模糊关系的模糊推理
8.5.5 对模糊推理的简单评述
延伸学习导引
习题8
第4篇 学习与发现
第9章 机器学习： 符号学习与交互学习
9.1 机器学习概述
9.1.1 机器学习的概念
9.1.2 机器学习的原理
9.1.3 机器学习的分类
9.2 几种典型的(符号)学习方法
9.2.1 记忆学习
9.2.2 示例学习
9.2.3 演绎学习
9.2.4 类比学习
9.2.5 解释(分析)学习
9.2.6 发现学习
9.3 决策树学习
9.3.1 什么是决策树
9.3.2 如何学习决策树
9.3.3 决策树学习的ID3算法
9.3.4 决策树学习的发展
9.4 强化学习
9.4.1 简单原理
9.4.2 值函数、Q函数和Q学习算法
9.4.3 强化学习的发展概况
习题9
0章 统计学习
10.1 概述
10.2 几种基本判别模型的学习
10.2.1 回归问题的线性函数模型学习，梯度下降法
10.2.2 分类问题的线性判别函数模型学习
10.2.3 分类问题的Logistic回归模型学习，梯度上升法
10.3 监督学习中的几个进一步的问题
10.3.1 监督学习的主要工作及步骤
10.3.2 准则函数的演变
10.3.3 过拟合、欠拟合、正则化
10.3.4 模型与学习方法的分类
10.4 支持向量机简介
10.4.1 大间隔超平面
10.4.2 线性可分支持向量机
10.4.3 线性支持向量机和非线性支持向量机
延伸学习导引
习题10
1章 神经网络学习
11．1从生物神经元到人工神经元
11．2神经网络及其学习
11．2．1神经网络的拓扑结构与功能
11.2.2 神经网络的学习机理与方法
11.2.3 神经网络模型及其分类
11.3 感知器及其学习举例
11.4 BP网络及其学习举例
11.5 深度学习
11.5.1 什么是深度学习
11.5.2 深度学习的优势
11.5.3 深度学习的发展和扩展
11.5.4 深度学习框架与平台
延伸学习导引
习题11
2章 数据挖掘与知识发现
12.1 引言
12.2 概述
12.2.1 数据挖掘的一般过程
12.2.2 数据挖掘的对象
12.2.3 数据挖掘的任务
12.2.4 数据挖掘的方法
12.2.5 数据挖掘工具与平台
12.3 关联规则发现
12.3.1 什么是关联规则
12.3.2 关联规则的发现机理和方法
12.3.3 发现关联规则的Apriori算法
12.3.4 关联规则的类型和挖掘算法
12.4 k均值聚类算法
12.5 大数据挖掘与分布式学习
12.5.1 分布式并行计算模型和框架
12.5.2 Spache Hadoop(MapReduce)简介
12.5.3 基于MapReduce的分布式机器学习
习题12
第5篇 感知与响应，理解与交流
3章 模式识别
13.1 概述
13.1.1 模式、模式类与模式识别
13.1.2 模式的表示
13.1.3 模式识别系统工作原理
13.1.4 模式识别方法分类
13.2 统计模式识别
13.2.1 距离分类法
13.2.2 几何分类法
13.2.3 概率分类法
13.3 朴素贝叶斯分类算法
13.4 概率密度函数估计
13.4.1 概述
13.4.2 大似然估计
延伸学习导引
习题13
4章 数语互换
14.1 数语转换——从感知到表达
14.2 语数转换——从决策到行动
14.3 带数语互换接口的推理系统
延伸学习导引
习题14
5章 自然语言处理
15.1 自然语言处理的途径、方法和学派
15.2 基于规则的自然语言理解
15.2.1 简单句理解
15.2.2 复合句理解
15.2.3 转换文法和转换网络
15.3 统计语言模型
延伸学习导引
习题15
第6篇 系统与建造
6章 专家(知识)系统
16.1 基本概念
16.1.1 什么是专家系统
16.1.2 专家系统的特点
16.1.3 专家系统的类型
16.1.4 专家系统与基于知识的系统
16.1.5 专家系统与知识工程
16.2 系统结构
16.2.1 概念结构
16.2.2 实际结构
16.2.3 黑板模型
16.2.4 网络与分布式结构
16.3 实例分析
16.4 系统设计与实现
16.4.1 一般步骤与方法
16.4.2 快速原型法和增量式开发
16.4.3 知识获取
16.4.4 知识表示与知识描述语言设计
16.4.5 知识库与知识库管理系统设计
16.4.6 推理机与解释机制设计
16.4.7 系统结构设计
16.4.8 人机界面设计
16.5 开发工具与环境
16.5.1 开发工具
16.5.2 开发环境
16.6 专家系统的发展
16.6.1 深层知识专家系统
16.6.2 自学习专家系统
16.6.3 神经网络专家系统
16.6.4 大型协同分布式专家系统
习题16
7章 Agent系统
17.1 什么是Agent
17.1.1 Agent的概念
17.1.2 Agent的类型
17.2 Agent的结构
17.3 Agent实例——Web Agent
17.4 多Agent系统
17.4.1 多Agent系统的特征和研究内容
17.4.2 多Agent系统的体系结构
17.4.3 多Agent的合作与学习
17.5 Agent的实现
17.6 Agent技术的发展与应用
习题17
8章 智能机器人
18.1 智能机器人的概念
18.2 机器人感知
18.3 机器人规划
18.4 机器人控制
18.5 机器人系统的软件结构
18.6 机器人程序设计与语言
18.6.1 机器人程序设计
18.6.2 机器人程序设计语言
18.7 机器人技术进展
习题18
9章 智能计算机与智能化网络
19.1 智能计算机
19.1.1 智能硬件平台和智能操作系统
19.1.2 LISP机和PROLOG机
19.1.3 人工智能芯片
19.1.4 神经网络计算机，类脑芯片
19.1.5 智能计算机发展展望
19.2 智能化网络
19.2.1 智能网
19.2.2 智能Web
19.2.3 网络的智能化管理与控制
19.2.4 网上信息的智能化检索
19.2.5 推荐系统
习题19
上机实习及指导
实习一PROLOG语言编程练习
实习二图搜索问题求解
实习三小型专家系统设计与实现
实习四Python语言统计学习编程练习
实习五Python语言神经网络学习编程练习
实习六深度学习框架应用练习
附录A函数型程序设计语言LISP
中英文名词对照及索引
参考文献
章 人工智能概述
1.1 什么是人工智能
1.1.1 人工智能的概念
1.1.2 图灵测试和中文屋子
1.1.3 脑智能和群智能
1.1.4 符号智能和计算智能
1.1.5 统计智能和交互智能
1.2 为什么要研究人工智能
1.2.1 研究人工智能的意义
1.2.2 人工智能的研究目标和策略
1.3 人工智能的相关学科
1.4 人工智能的研究内容
1.4.1 搜索与求解
1.4.2 知识与推理
1.4.3 学习与发现
1.4.4 发明与创造
1.4.5 感知与响应
1.4.6 理解与交流
1.4.7 记忆与联想
1.4.8 竞争与协作
1.4.9 系统与建造
1.4.10 应用与工程
1.5 人工智能的研究途径与方法
1.5.1 心理模拟，符号推演
1.5.2 生理模拟，神经计算
1.5.3 行为模拟，控制进化
1.5.4 群体模拟，仿生计算
1.5.5 博采广鉴，自然计算
1.5.6 着眼数据，统计建模
1.6 人工智能的应用
1.6.1 难题求解
1.6.2 自动规划、调度与配置
1.6.3 机器博弈
1.6.4 机器翻译与机器写作
1.6.5 机器定理证明
1.6.6 自动程序设计
1.6.7 智能控制
1.6.8 智能管理
1.6.9 智能决策
1.6.10 智能通信
1.6.11 智能预测
1.6.12 智能仿真
1.6.13 智能设计与制造
1.6.14 智能车辆与智能交通
1.6.15 智能诊断与治疗
1.6.16 智能生物信息处理
1.6.17 智能教育
1.6.18 智能人机接口
1.6.19 模式识别
1.6.20 智能机器人
1.6.21 数据挖掘与知识发现
1.6.22 计算机辅助创新
1.6.23 计算机文艺创作
1.7 人工智能的分支领域与研究方向
1.8 人工智能学科发展概况
1.8.1 孕育与诞生
1.8.2 符号主义先声夺人
1.8.3 连接主义不畏坎坷
1.8.4 计算智能异军突起
1.8.5 统计智能默默奉献
1.8.6 智能主体一统江湖，Agent & Robot
1.8.7 知识工程东山再起，机器学习领衔高歌
1.8.8 现状与趋势
习题1
第2章 人工智能程序设计语言
2.1 概述
2.1.1 函数型语言
2.1.2 逻辑型语言
2.1.3 面向对象语言
2.1.4 计算型语言
2.1.5 混合型语言
2.2 知识工程经典语言PROLOG
2.2.1 PROLOG的语句
2.2.2 PROLOG的程序
2.2.3 PROLOG程序的运行机理
2.3 机器学习流行语言Python
2.3.1 Python语言的特点和优势
2.3.2 Python程序举例
习题2
第2篇 搜索与求解
第3章 图搜索与问题求解
3.1 状态图与状态图搜索
3.1.1 状态图
3.1.2 状态图搜索
3.1.3 穷举式搜索
3.1.4 启发式搜索
3.1.5 加权状态图搜索
3.1.6 A算法和A算法
3.1.7 状态图搜索策略小结
3.2 状态图搜索问题求解
3.2.1 问题的状态图表示
3.2.2 状态图问题求解程序举例
3.3 与或图与与或图搜索
3.3.1 与或图
3.3.2 与或图搜索
3.3.3 启发式与或树搜索
3.4 与或图搜索问题求解
3.4.1 问题的与或图表示
3.4.2 与或图问题求解程序举例
3.5 博弈树搜索
3.5.1 博弈树的概念
3.5.2 极小极大分析法
3.5.3 αβ剪枝技术
习题3
第4章 基于遗传算法的优化搜索
4.1 基本概念
4.2 基本遗传算法
4.3 遗传算法应用举例
4.4 遗传算法的特点与优势
习题4
第3篇 知识与推理
第5章 基于一阶谓词的机器推理
5.1 一阶谓词逻辑
5.1.1 谓词，函数，量词
5.1.2 谓词公式
5.1.3 永真式与推理规则
5.1.4 自然语言命题的谓词形式表示
5.1.5 基于谓词公式的形式演绎推理
5.2 归结演绎推理
5.2.1 子句与子句集
5.2.2 命题逻辑中的归结原理
5.2.3 替换与合一
5.2.4 谓词逻辑中的归结原理
5.3 应用归结原理求取问题答案
5.4 归结策略
5.4.1 问题的提出
5.4.2 常用的归结策略
5.4.3 归结策略的类型
5.5 归结反演程序举例
5.6 Horn子句逻辑与逻辑程序设计语言
5.6.1 子句的蕴涵表示形式
5.6.2 Horn子句逻辑与计算机程序语言
延伸学习导引
习题5
第6章 基于产生式规则的机器推理
6.1 产生式规则
6.1.1 产生式规则与推理网络
6.1.2 基于产生式规则的推理模式
6.2 产生式系统
6.2.1 系统结构
6.2.2 运行过程
6.2.3 控制策略与常用算法
6.2.4 程序实现
6.3 产生式系统与图搜索问题求解
习题6
第7章 几种结构化知识表示及其推理
7.1 元组
7.2 框架
7.2.1 框架的概念
7.2.2 框架的表达能力
7.2.3 基于框架的推理
7.2.4 框架的程序语言实现
7.3 语义网络
7.3.1 语义网络的概念
7.3.2 语义网络的表达能力
7.3.3 基于语义网络的推理
7.3.4 语义网络的程序语言实现
7.4 知识图谱
7.5 类与对象
习题7
第8章 不确定和不确切性知识的表示与推理
8.1 概述
8.2 不确定性知识的表示及推理
8.2.1 不确定性知识的表示
8.2.2 不确定性推理
8.3 几种经典的不确定性推理模型
8.3.1 确定性理论
8.3.2 主观贝叶斯方法
8.3.3 证据理论
8.4 基于贝叶斯网络的概率推理
8.4.1 什么是贝叶斯网络
8.4.2 用贝叶斯网络表示不确定性知识
8.4.3 基于贝叶斯网络的概率推理
8.5 不确切性知识的表示及推理
8.5.1 软语言值及其数学模型
8.5.2 不确切性知识的表示
8.5.3 基于软语言规则的推理
8.5.4 基于模糊集合与模糊关系的模糊推理
8.5.5 对模糊推理的简单评述
延伸学习导引
习题8
第4篇 学习与发现
第9章 机器学习： 符号学习与交互学习
9.1 机器学习概述
9.1.1 机器学习的概念
9.1.2 机器学习的原理
9.1.3 机器学习的分类
9.2 几种典型的(符号)学习方法
9.2.1 记忆学习
9.2.2 示例学习
9.2.3 演绎学习
9.2.4 类比学习
9.2.5 解释(分析)学习
9.2.6 发现学习
9.3 决策树学习
9.3.1 什么是决策树
9.3.2 如何学习决策树
9.3.3 决策树学习的ID3算法
9.3.4 决策树学习的发展
9.4 强化学习
9.4.1 简单原理
9.4.2 值函数、Q函数和Q学习算法
9.4.3 强化学习的发展概况
习题9
0章 统计学习
10.1 概述
10.2 几种基本判别模型的学习
10.2.1 回归问题的线性函数模型学习，梯度下降法
10.2.2 分类问题的线性判别函数模型学习
10.2.3 分类问题的Logistic回归模型学习，梯度上升法
10.3 监督学习中的几个进一步的问题
10.3.1 监督学习的主要工作及步骤
10.3.2 准则函数的演变
10.3.3 过拟合、欠拟合、正则化
10.3.4 模型与学习方法的分类
10.4 支持向量机简介
10.4.1 大间隔超平面
10.4.2 线性可分支持向量机
10.4.3 线性支持向量机和非线性支持向量机
延伸学习导引
习题10
1章 神经网络学习
11．1从生物神经元到人工神经元
11．2神经网络及其学习
11．2．1神经网络的拓扑结构与功能
11.2.2 神经网络的学习机理与方法
11.2.3 神经网络模型及其分类
11.3 感知器及其学习举例
11.4 BP网络及其学习举例
11.5 深度学习
11.5.1 什么是深度学习
11.5.2 深度学习的优势
11.5.3 深度学习的发展和扩展
11.5.4 深度学习框架与平台
延伸学习导引
习题11
2章 数据挖掘与知识发现
12.1 引言
12.2 概述
12.2.1 数据挖掘的一般过程
12.2.2 数据挖掘的对象
12.2.3 数据挖掘的任务
12.2.4 数据挖掘的方法
12.2.5 数据挖掘工具与平台
12.3 关联规则发现
12.3.1 什么是关联规则
12.3.2 关联规则的发现机理和方法
12.3.3 发现关联规则的Apriori算法
12.3.4 关联规则的类型和挖掘算法
12.4 k均值聚类算法
12.5 大数据挖掘与分布式学习
12.5.1 分布式并行计算模型和框架
12.5.2 Spache Hadoop(MapReduce)简介
12.5.3 基于MapReduce的分布式机器学习
习题12
第5篇 感知与响应，理解与交流
3章 模式识别
13.1 概述
13.1.1 模式、模式类与模式识别
13.1.2 模式的表示
13.1.3 模式识别系统工作原理
13.1.4 模式识别方法分类
13.2 统计模式识别
13.2.1 距离分类法
13.2.2 几何分类法
13.2.3 概率分类法
13.3 朴素贝叶斯分类算法
13.4 概率密度函数估计
13.4.1 概述
13.4.2 大似然估计
延伸学习导引
习题13
4章 数语互换
14.1 数语转换——从感知到表达
14.2 语数转换——从决策到行动
14.3 带数语互换接口的推理系统
延伸学习导引
习题14
5章 自然语言处理
15.1 自然语言处理的途径、方法和学派
15.2 基于规则的自然语言理解
15.2.1 简单句理解
15.2.2 复合句理解
15.2.3 转换文法和转换网络
15.3 统计语言模型
延伸学习导引
习题15
第6篇 系统与建造
6章 专家(知识)系统
16.1 基本概念
16.1.1 什么是专家系统
16.1.2 专家系统的特点
16.1.3 专家系统的类型
16.1.4 专家系统与基于知识的系统
16.1.5 专家系统与知识工程
16.2 系统结构
16.2.1 概念结构
16.2.2 实际结构
16.2.3 黑板模型
16.2.4 网络与分布式结构
16.3 实例分析
16.4 系统设计与实现
16.4.1 一般步骤与方法
16.4.2 快速原型法和增量式开发
16.4.3 知识获取
16.4.4 知识表示与知识描述语言设计
16.4.5 知识库与知识库管理系统设计
16.4.6 推理机与解释机制设计
16.4.7 系统结构设计
16.4.8 人机界面设计
16.5 开发工具与环境
16.5.1 开发工具
16.5.2 开发环境
16.6 专家系统的发展
16.6.1 深层知识专家系统
16.6.2 自学习专家系统
16.6.3 神经网络专家系统
16.6.4 大型协同分布式专家系统
习题16
7章 Agent系统
17.1 什么是Agent
17.1.1 Agent的概念
17.1.2 Agent的类型
17.2 Agent的结构
17.3 Agent实例——Web Agent
17.4 多Agent系统
17.4.1 多Agent系统的特征和研究内容
17.4.2 多Agent系统的体系结构
17.4.3 多Agent的合作与学习
17.5 Agent的实现
17.6 Agent技术的发展与应用
习题17
8章 智能机器人
18.1 智能机器人的概念
18.2 机器人感知
18.3 机器人规划
18.4 机器人控制
18.5 机器人系统的软件结构
18.6 机器人程序设计与语言
18.6.1 机器人程序设计
18.6.2 机器人程序设计语言
18.7 机器人技术进展
习题18
9章 智能计算机与智能化网络
19.1 智能计算机
19.1.1 智能硬件平台和智能操作系统
19.1.2 LISP机和PROLOG机
19.1.3 人工智能芯片
19.1.4 神经网络计算机，类脑芯片
19.1.5 智能计算机发展展望
19.2 智能化网络
19.2.1 智能网
19.2.2 智能Web
19.2.3 网络的智能化管理与控制
19.2.4 网上信息的智能化检索
19.2.5 推荐系统
习题19
上机实习及指导
实习一PROLOG语言编程练习
实习二图搜索问题求解
实习三小型专家系统设计与实现
实习四Python语言统计学习编程练习
实习五Python语言神经网络学习编程练习
实习六深度学习框架应用练习
附录A函数型程序设计语言LISP
中英文名词对照及索引
参考文献
