《人工智能教程》的特色是简明、实用，逻辑性强，可读性好，教学生动手解题，符合当前素质教育的要求，让学生在有限的时间内，掌握人工智能的基本原理与应用技术，提高对人工智能习题的求解能力。
全书共分两篇，包括10章内容。第1篇为原理篇，主要论述知识表示、知识获取及知识运用三大问题，包括人工智能的基本概念及其发展状况、知识表示方法、确定性推理方法、不确定推理方法、状态空间搜索、机器学习等内容。第Ⅱ篇为应用篇，介绍自然语言理解、专家系统、人工神经网络等研究领域，并在第10章对数据挖掘和主体技术等热点研究领域进行了介绍。每章都给出了大量的例题和习题，供学生练习使用。
《人工智能教程》可作为高等学校计算机及相关专业高年级本科生和研究生人工智能课程教材，也可供从事人工智能研究和应用的科技工作者参考，还可供同等学力申请硕士学位人员以及参加其他考试的相关人员参考。
目录
- 第Ⅰ篇 原理篇
- 第1章 绪论
- 1．1 人工智能的诞生及发展
- 1．2 人工智能的定义
- 1．3 人工智能研究的方法及途径
- 1．3．1 人工智能研究的各种学派及其理论
- 1．3．2 实现人工智能的技术路线
- 1．4 人工智能的研究及应用领域
- 习题1
- 第2章 知识表示方法
- 2．1 概述
- 2．1．1 知识、信息和数据
- 2．1．2 知识的特性
- 2．1．3 知识的分类
- 2．1．4 知识的表示
- 2．2 一阶谓词逻辑表示法
- 2．2．1 知识的谓词逻辑表示法
- 2．2．2 用谓词公式表示知识的步骤
- 2．2．3 谓词公式表示知识的举例
- 2．2．4 一阶谓词逻辑表示法的特点
- 2．3 产生式表示法
- 2．3．1 产生式可表示的知识种类及其基本形式
- 2．3．2 知识的表示方法
- 2．3．3 产生式系统的组成
- 2．3．4 产生式系统的推理方式
- 2．3．5 产生式表示法的特点
- 2．4 语义网络表示法
- 2．4．1 语义网络的概念及其结构
- 2．4．2 语义网络中常用的语义联系
- 2．4．3 语义网络表示知识的方法
- 2．4．4 用语义网络表示知识的步骤
- 2．4．5 语义网络表示知识举例
- 2．4．6 语义网络表示下的推理过程
- 2．4．7 语义网络表示法的特点
- 2．5 框架表示法
- 2．5．1 框架理论
- 2．5．2 框架的定义及组成
- 2．5．3 用框架表示知识的步骤
- 2．5．4 用框架表示知识举例
- 2．5．5 框架表示下的推理方法
- 2．5．6 框架表示法的特点
- 2．6 面向对象的表示法
- 2．6．1 面向对象的基本概念
- 2．6．2 表示知识的方法
- 2．7 脚本表示法
- 2．7．1 脚本的定义与组成
- 2．7．2 用脚本表示知识的步骤
- 2．7．3 用脚本表示知识举例
- 2．7．4 脚本表示下的推理方法
- 2．7．5 脚本表示法的特点
- 2．8 过程表示法
- 2．8．1 知识的过程表示法
- 2．8．2 过程表示的问题求解举例
- 2．8．3 过程表示法的特点
- 2．9 状态空间表示法
- 2．9．1 问题状态空间的构成
- 2．9．2 用状态空间表示问题的步骤
- 2．9．3 利用状态空间求解问题的过程
- 2．10 与／或树表示法
- 2．10．1 问题的分解与等价变换
- 2．10．2 问题归约的与／或树表示
- 2．10．3 用与／或树表示问题的步骤
- 2．10．4 与／或树表示举例
- 习题2
- 第3章 确定性推理方法
- 3．1 推理概述
- 3．1．1 推理的基本概念
- 3．1．2 推理的方法及其分类
- 3．1．3 推理的控制策略
- 3．1．4 推理的冲突消解策略
- 3．2 命题逻辑
- 3．2．1 命题
- 3．2．2 命题公式
- 3．3 谓词逻辑
- 3．3．1 谓词与个体
- 3．3．2 谓词公式
- 3．3．3 谓词公式的永真性和可满足性
- 3．3．4 谓词公式的等价性与永真蕴涵
- 3．3．5 置换与合
- 3．4 自然演绎推理方法
- 3．4．1 自然演绎推理的概念
- 3．4．2 利用演绎推理解决问题
- 3．4．3 演绎推理的特点
- 3．5 归结推理方法
- 3．5．1 谓词公式与子句集
- 3．5．2 Herbrand理论
- 3．5．3 归结原理
- 3．5．4 利用归结原理进行定理证明
- 3．5．5 应用归结原理进行问题求解
- 3．6 归结过程的控制策略
- 3．6．1 引入控制策略
- 3．6．2 归结控制策略及其应用举例
- 习题3
- 第4章 不确定推理方法
- 4．1 不确定推理概述
- 4．1．1 不确定推理的概念
- 4．1．2 不确定推理方法的子类
- 4．1．3 不确定推理中的基本问题
- 4．2 可信度方法
- 4．2．1 可信度的概念
- 4．2．2 知识不确定性的表示
- 4．2．3 证据不确定性的表示
- 4．2．4 不确定性的推理计算
- 4．2．5 可信度方法应用举例
- 4．3 主观Bayes方法
- 4．3．1 基本Bayes公式
- 4．3．2 主观Bayes方法及其推理网络
- 4．3．3 知识不确定性的表示
- 4．3．4 证据不确定性的表示
- 4．3．5 不确定性的推理计算
- 4．3．6 结论不确定性的合成与更新算法
- 4．3．7 主观Bayes方法应用举例
- 4．4 证据理论
- 4．4．1 D—S理论的数学基础
- 4．4．2 特定概率分配函数
- 4．4．3 基于特定概率分配函数的不确定性推理模型
- 4．4．4 证据理论解题举例
- 4．5 模糊推理
- 4．5．1 模糊集理论与模糊逻辑
- 4．5．2 模糊知识表示
- 4．5．3 模糊证据的表示
- 4．5．4 模糊推理模型
- 习题4
- 喜5章 状态空间搜索策略
- 5．1 搜索的概念及种类
- 5．2 盲目搜索策略
- 5．2．1 状态空间图的搜索策略
- 5．2．2 宽度优先搜索
- 5．2．3 深度优先搜索
- 5．2．4 有界深度优先搜索
- 5．2．5 代价树的宽度优先搜索
- 5．2．6 代价树的深度优先搜索
- 5．3 启发式搜索策略
- 5．3．1 启发信息与估价函数
- 5．3．2 最佳优先搜索
- 5．3．3 A算法
- 习题5
- 第6章 机器学习
- 6．1 概述
- 6．1．1 什么是机器学习
- 6．1．2 研究机器学习的意义
- 6．1．3 机器学习的发展史
- 6．1．4 机器学习的主要策略及研究现状
- 6．2 机器学习系统的基本模型
- 6．3 机械学习
- 6．3．1 机械学习的过程
- 6．3．2 机械学习系统要考虑的问题
- 6．4 传授式学习
- 6．5 类比学习
- 6．5．1 学习新概念
- 6．5．2 学习问题的求解方法
- 6．6 归纳学习
- 6．6．1 实例学习
- 6．6．2 观察与发现学习
- 6．7 基于解释的学习
- 6．7．1 基于解释学习的工作原理
- 6．7．2 举例
- 6．7．3 领域知识的完善性
- 6．8 ID3判定树算法
- 6．8．1 ID3算法
- 6．8．2 实例计算
- 6．8．3 ID3算法的特点
- 习题6
- 第Ⅱ篇 应用篇
- 第7章 自然语言理解
- 第8章 专家系统
- 第9章 人工神经网络与遗传算法
- 第10章 数据挖掘与主体技术
- 附录A 计算机科学与技术综合考试真题
- 附录B 计算机科学与技术综合考试真题解答
- 参考文献
