Intelligent Science Home   设为首页  |   收藏本站 |   English Version  
 
智能科学课题组
主要产品
智能科学研究
MAGE服务
MISE
- agentcities.net
搜索智能科学网

智能科学网站
 
人工智能
复杂问题求解的结构和策略
 
    
George F Luger 著

史忠植  张银奎  赵志崑等译  
机械工业出版社  

Artificial Intelligence

 

本书包括16章。第1章简单介绍人工智能, 从哲学、心理学和其他研究领域中试图了解头脑和智能的简要历史开始,为后面的理论和应用提供背景知识和动机。 2、3、4、5章(第II部分)介绍AI问题求解的研究工具。包括用谓词演算语言描述问题领域的本质特征(第2章), 用搜索对这些描述进行推理(第3章)以及实现搜索用到的算法和数据结构。在第4、5章, 讨论启发式在聚焦和约束基于搜索的问题求解中所起的基本作用。我们还介绍了构建这些搜索算法所需的许多结构, 包括黑板和产生式系统。第6、7、8章构成本书的第III部分:AI和知识密集型问题求解的表示法。在第6章, 介绍AI表示法框架的发展历程。从对语义网及其包含概念依赖理论、框架和剧本的扩展的讨论开始, 然后介绍一种特别的形式化工具——概念图的深入检验,强调了知识表示中包含的认识论问题, 并且说明了这些问题是如何在现代表示语言中研究的。第7章介绍基于规则的专家系统以及基于范例和基于模型的推理系统, 包括NASA空间项目中的例子。第8章介绍用不确定信息和不可靠信息推理的模型,包括贝叶斯模型、信念网络、 Dempster-Shafer、因果模型以及Stanford确信度代数。第IV部分,从第9章到第11章,提供机器学习中问题的扩充说明。 在第9章,我们对基于符号的学习算法进行了详细的介绍,这是一个硕果累累的研究领域,产生了大量的问题和解决方法。 这些学习算法在目标、训练数据、学习策略和使用的知识表示法上各不相同。基于符号的学习包括归纳、概念学习、 译文空间搜索和ID3。归纳偏好的作用也要考虑,即从数据模式中泛化,同时还要考虑基于解释的学习中有效利用知识从单个事例中学习。 分类学习,或者说概念聚类,与无导学习一起介绍。强化学习,即把来自环境的反馈结合到决策策略中的能力,结束本章。 在第10章,我们介绍神经网络,经常被称为学习的子符号或连接模型。在神经网络中,信息隐含在一个连接的处理机集合的组织和权重中, 学习包括节点权重和系统结构的重新排列和修改。我们介绍了许多连接结构,包括感知器学习、反传和反传播。 我们展示了Kohonen、Grossberg和Hebbian网络模型。我们介绍了联想学习和吸引子模型,包括Hopfield网络。 学习的遗传算法和进化方法在第11章介绍。从这个观点来看,学习被看作是一个突现和适应过程。 第V部分,12和13章,继续介绍重要的AI应用领域。定理证明,常常被称为自动推理,是AI研究最早的领域之一。 在第12章,讨论这一领域中最早的程序,包括逻辑学家和通用问题求解器。第13章介绍自然语言理解。 第VI部分介绍LISP和PROLOG。第14章是PROLOG,第15章是LISP。最后,第16章作为本书的结束语。

 

 

关于本站 | 站点维护
Copyright © 2002-2003 中国科学院计算技术研究所智能信息处理重点实验室智能科学课题组