中圖網小程序
一鍵登錄
更方便
>
高級人工智能(第三版)
本類五星書更多>
-
>
貨幣大歷史:金融霸權與大國興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報》2021合訂本
-
>
(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權力之路
-
>
書里掉出來一只狼+狼的故事-全2冊
-
>
奇思妙想創意玩具書(精裝4冊)
高級人工智能(第三版) 版權信息
- ISBN：9787030316851
- 條形碼：9787030316851 ; 978-7-03-031685-1
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：
高級人工智能(第三版) 內容簡介
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系統，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、基于案例的推理、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。
高級人工智能(第三版) 目錄
目錄《智能科學技術著作叢書》序前言第1章 結論 11.1 人工智能的淵源 11.2 人工智能的認知問題 31.3 思維的層次模型 41.4 符號智能 61.5 人工智能的研究方法 71.5.1 認知學派 81.5.2 邏輯學派 81.5.3 行為學派 91.6 自動推理 91.7 機器學習 111.8 分布式人工智能 131.9 智能系統 15習題 19第2章 人工智能邏輯 202.1 概述 202.2 邏輯程序設計 222.2.1 邏輯程序定義 232.2.2 Prolog數據結構和遞歸 242.2.3 SLD 歸結 252.2.4 非邏輯成分 272.3 封閉世界假設 292.4 非單調邏輯 312.5 默認邏輯 332.6 限制邏輯 392.7 非單調邏輯NML 422.8 自認知邏輯 442.8.1 Moore 系統品 442.8.2 *邏輯 452.8.3 標準型定理 462.8.4 *記號以及穩定擴張的一種判定過程 472.9 真值維護系統 502.10 情景演算 552.10.1 刻畫情景演算的多類邏輯 562.10.2 LR中的基本動作理論 572.10.3 ConGolog 572.11 框架問題 582.11.1 積木世界 592.11.2 框架公理 592.11.3 框架問題解決方案的準則 612.11.4 框架問題的非單調解決方案 632.12 動態描述邏輯DDL 672.12.1 描述邏輯 672.12.2 動態描述邏輯的語法 692.12.3 動態描述邏輯的語義 71習題 74第3章 約束推理 763.1 概述 763.2 回溯法 813.3 約束傳播 823.4 約束傳播在樹搜索中的作用 843.5 智能回溯與真值維護 853.6 變量例示次序與賦值次序 863.7 局部修正搜索法 863.8 基于圖的回跳法 873.9 基于影響的回跳法 883.10 約束關系運算的處理3.10.1 恒等關系的單元共享策略 923.10.2 區間傳播 933.10.3 不等式圖 943.10.4 不等式推理 953.11 約束推理系統 963.12 ILOG Solver 99習題 105第4章 定性推理 1064.1 概述 1064.2 定性推理的基本方法 1074.3 定性模型推理 1084.4 定性進程推理 1094.5 定性仿真推理 1134.5.1 應性狀態轉換 1144.5.2 QSIM 算法 1144.6 代數方法4.7 幾何空間定性推理 1174.7.1 壁間邏輯 1184.7.2 空間和時間關系描述 1204.7.3 空間和時間邏輯的應用 1214.7.4 Rande11算法 122習題 123第5章 基于案例的推理 1245.1 概述 1245.2 類比的形式定義 1255.3 相似性關系 1265.4 基于案例推理的工作過程 1305.5 案例的表示 1335.6 案例的索引 1365.7 案例的檢索 1375.8 案例的復用 1395.9 案例的保存 1415.10 基于例示的學習 1415.10.1 基于例示學習的任務 1425.10.2 IB1算法 1435.10.3 降低存儲要求 1455.11 案例工程 1475.12 中心漁場預報專家系統 1495.12.1 問題分析與案例表示 1505.12.2 相似性度量 1515.12.3 索引與檢索 1525.12.4 基于框架的修正 1535.12.5 實驗結果 155習題 156第6章 貝葉斯網絡 1586.1 概述 1586.1.1 貝葉斯網絡的發展歷史 1586.1.2 貝葉斯方法的基本觀點 1596.1.3 貝葉斯網絡在數據挖掘中的應用 1596.2 貝葉斯概率基礎 1626.2.1 概率論基礎 1626.2.2 貝葉斯概率 1646.3 貝葉斯問題的求解 1676.3.1 幾種常用的先驗分布選取方法 1686.3.2 計算學習機制 1706.3.3 貝葉斯問題的求解步驟 1726.4 簡單貝葉斯學習模型 1746.4.1 簡單貝葉斯學習模型的介紹 1746.4.2 簡單貝葉斯模型的提升 1766.4.3 提升簡單貝葉斯分類的計算復雜性 1796.5 貝葉斯網絡的建造 1796.5.1 貝葉斯網絡的結構及建立方法 1796.5.2 學習貝葉斯網絡的概率分布 1806.5.3 學習貝葉斯網絡的網絡結構 1826.6 貝葉斯潛在語義模型 1866.7 半監督文本挖掘算法 1906.7.1 網頁聚類 1906.7.2 對含有潛在類別主題詞文檔的類別標注 1916.7.3 基于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 1977.1 概述 1977.2 歸納學習的邏輯基礎 1987.2.1 歸納學習的一般模式 1987.2.2 概念獲取的條件 2007.2.3 問題背景知識 2017.2.4 選擇型和構造型泛化規則 2027.3 偏置變換 2057.4 變型空間方法 2067.4.1 消除候選元素算法 2087.4.2 兩種改進算法 2107.5 AQ 歸納學習算法 2127.6 CLS 學習算法 2137.7 ID3 學習算法 2147.7.1 信息論簡介 2147.7.2 屬性選擇 2147.7.3 ID3算法步驟 2157.7.4 ID3算法應用舉例 2167.7.5 C4.5算法 2187.8 單變量決策樹的并行處理 2197.8.1 并行決策樹算法 2197.8.2 串行算法的并行化 2227.9 歸納學習的計算理論 2237.9.1 Gold學習理論 2247.9.2 模型推理系統 2257.9.3 Valiant學習理論 226習題 228第8章 統計學習 2308.1 統計方法 2308.2 統計學習問題 2318.2.1 經驗風險 2318.2.2 VC維 2318.3 學習過程的一致性 2328.3.1 學習過程一致性的**定義 2328.3.2 學習理論的重要定理 2328.3.3 VC熵 2338.4 結構風險*小歸納原理 2348.5 支持向量機 2368.5.1 線性可分 2378.5.2 線性不可分 2398.6 核函數 2408.6.1 多項式核函數 2408.6.2 徑向基函數 2418.6.3 多層感知機 2418.6.4 動態核函數 2418.7 鄰近支持向量機 2438.8 極端支持向量機 246習題 249第9章 解釋學習 2509.1 概述 2509.2 解釋學習模型 2519.3 解釋泛化學習方法 2529.3.1 基本原理 2529.3.2 解釋與泛化交替進行的解釋泛化方法 2559.4 全局取代解釋泛化方法 2569.5 解釋特化學習方法 2609.6 解釋泛化的邏輯程序 2629.6.1 工作原理 2639.6.2 元解釋器 2649.6.3 實驗例子 2649.7 基于知識塊的SOAR 系統 2669.8 可操作性 2689.8.1 PRODIGY 的效用問題 2709.8.2 SOAR 系統的可操作性 2719.8.3 MR5-EBG的可操作性 2729.8.4 META-LEX的處理方法 2729.9 不完全領域知識下的解釋學習 2739.9.1 不完全領域知識 2739.9.2 逆歸結方法 2739.9.3 基于深層知識的方法 275習題 276第10章 強化學習 27710.1 概述 27710.2 強化學習模型 27810.3 動態規劃 28110.4 蒙特卡羅方法 28310.5 時序差分學習 28410.6 Q 學習 28710.7 強化學習中的函數估計 28910.8 強化學習的應用 291習題 293第11章 無監督學習 29411.1 概述 29411.2 相似性度量 2951l.2.1 相似系數 29511.2.2 屬性的相似度量 29711.3 劃分方法 29811.3.1 k均值算法 29811.3.2 k中心點算法 29911.3.3 大型數據庫的劃分方法 29911.4 層次聚類方法 30111.4.1 BIRCH算法 30211.4.2 CURE算法 30211.4.3 ROCK算法 30311.5 基于密度的聚類 30411.6 基于網格方法 30711.7 基于模型的方法 30911.8 模糊聚類 31111.8.1 傳遞閉包法 31111.8.2 動態直接聚類法 31111.8.3 *大樹法 31211.9 蟻群聚類方法 31411.9.1 基本模型 31411.9.2 LF算法 31511.9.3 基于群體智能的聚類算法CSI 31511.9.4 混合聚類算法CSIM 31811.10 聚類方法的評價 319習題 321第12章 關聯規則 32212.1 概述 32212.2 基本概念 32212.3 二值型關聯規則挖掘 32512.3.1 AIS 算法 32512.3.2 SETM 算法 32612.3.3 Apriori 算法 32712.3.4 Apriori 算法的改進 33012.4 頻繁模式樹挖掘算法 33112.5 垂直挖掘算法 33412.6 挖掘關聯規則的數組方法 33712.7 頻繁閉項集的挖掘算法 33912.8 *大頻繁項集的挖掘算法 34112.9 增量式關聯規則挖掘 34512.10 模糊關聯規則的挖掘 34812.11 任意多表間關聯規則的并行挖掘 35112.11.1 問題的形式描述 35112.11.2 單表內大項集的并行計算 35212.11.3 任意多表
展開全部
書友推薦
- >
李白與唐代文化
- >
朝聞道
- >
二體千字文
- >
莉莉和章魚
- >
隨園食單
- >
小考拉的故事-套裝共3冊
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
龍榆生：詞曲概論/大家小書
本類暢銷
