《計算機科學與技術系列·高等院校規劃教材：人工智能導論》系統地闡述了人工智能的基本理論、基本技術、研究方法和應用領域等內容，比較全面地反映了近：20年來人工智能研究領域的進展，并根據人工智能的發展動向對一些傳統內容作了取舍，詳細介紹了機器學習方面的內容。全書分為8章，內容涉及人工智能的基本概念、知識工程、確定性推理和不確定性推理、搜索策略、機器學習、人工神經網絡，以及模式識別、自然語言處理和智能體等方面。每章后面都附有習題，以供讀者練習。
《人工智能導論》可作為計算機專業本科生和其他相關學科本科生、研究生的教材，也可作為有關科技人員的參考用書。
《計算機科學與技術系列·高等院校規劃教材：人工智能導論》分為8章，內容涉及人工智能的基本概念、知識工程、確定性推理和不確定性推理、搜索策略、機器學習、人工神經網絡，以及模式識別、自然語言處理和智能體等方面。每章后面都附有習題，以供讀者練習。
前言
第1章 緒論
1.1 什么是人工智能
1.1.1 關于智能
1.1.2 人工智能的研究目標
1.2 人工智能發展簡史
1.3 人工智能研究方法
1.3.1 人工智能研究的特點
1.3.2 人工智能研究的途徑
1.3.3 人工智能研究的資源
1.4 人工智能研究及應用領域
1.4.1 問題求解與博弈
1.4.2 專家系統
1.4.3 自動定理證明
1.4.4 機器學習
1.4.5 人工神經網絡
1.4.6 模式識別
1.4.7 計算機視覺
1.4.8 自然語言處理
1.4.9 智能體
1.4.10 智能控制
1.4.11 機器人學
1.4.12 人工生命
1.5 本章小結
1.6 習題
第2章 知識工程
2.1 概述
2.2 知識表示方法
2.2.1 經典邏輯表示法
2.2.2 產生式表示法
2.2.3 層次結構表示法
2.2.4 網絡結構表示法
2.2.5 其他表示法
2.3 知識獲取與管理
2.3.1 知識獲取的任務
2.3.2 知識獲取的方式
2.3.3 知識管理
2.3.4 本體論
2.4 基于知識的系統
2.4.1 什么是知識系統
2.4.2 專家系統
2.4.3 知識系統舉例
2.5 本章小結
2.6 習題
第3章 確定性推理
3.1 概述
3.1.1 推理方式與分類
3.1.2 推理控制策略
3.1.3 知識匹配
3.2 自然演繹推理
3.3 歸結演繹推理
3.3.1 海伯倫理論
3.3.2 魯賓遜歸結原理
3.3.3 歸結反演
3.3.4 歸結策略
3.3.5 應用歸結原理求解問題
3.4 與或形演繹推理
3.4.1 與或形正向演繹推理
3.4.2 與或形逆向演繹推理
3.4.3 與或形雙向演繹推理
3.5 本章小結
3.6 習題
第4章 不確定性推理
4.1 概述
4.2 基本概率方法
4.3 主觀貝葉斯方法
4.3.1 不確定性的表示
4.3.2 不確定性的傳遞算法
4.3.3 結論不確定性的合成算法
4.4 可信度方法
4.4.1 基本可信度模型
4.4.2 帶閾值限度的可信度模型
4.4.3 加權的可信度模型
4.4.4 前件帶不確定性的可信度模型
4.5 模糊推理
4.5.1 模糊理論
4.5.2 簡單模糊推理
4.5.3 模糊三段論推理
4.5.4 多維模糊推理
4.5.5 多重模糊推理
4.5.6 帶有可信度因子的模糊推理
4.6 證據理論
4.6.1 D-S理論
4.6.2 基于證據理論的不確定性推理
4.7 粗糙集理論
4.7.1 粗糙集理論的基本概念
4.7.2 粗糙集在知識發現中的應用
4.8 本章小結
4.9 習題
第5章 搜索策略
5.1 概述
5.1.1 什么是搜索
5.1.2 狀態空間表示法
5.1.3 與或樹表示法
5.2 狀態空間搜索
5.2.1 狀態空間的一般搜索過程
5.2.2 廣度優先搜索
5.2.3 深度優先搜索
5.2.4 有界深度優先搜索
5.2.5 啟發式搜索
5.2.6 A*算法
5.3 與或樹搜索
5.3.1 與或樹的一般搜索過程
5.3.2 與或樹的廣度優先搜索
5.3.3 與或樹的深度優先搜索
5.3.4 與或樹的有序搜索
5.3.5 博弈樹的啟發式搜索
5.3.6 剪枝技術
5.4 本章小結
5.5 習題
第6章 機器學習
6.1 概述
6.1.1 什么是機器學習
6.1.2 機器學習方法的分類
6.1.3 機器學習的基本問題
6.1.4 評估學習結果
6.2 決策樹學習
6.2.1 決策樹表示法
6.2.2 ID3算法
6.2.3 決策樹學習的常見問題
6.2.4 用決策樹學習客戶分類
6.3 貝葉斯學習
6.3.1 貝葉斯法則
6.3.2 樸素貝葉斯方法
6.3.3 貝葉斯網絡
6.3.4 EM算法
6.3.5 用貝葉斯方法過濾垃圾郵件
6.4 統計學習
6.4.1 統計學習理論
6.4.2 支持向量機
6.4.3 核函數
6.4.4 基于支持向量機的車牌識別
6.5 遺傳算法
6.5.1 進化計算
6.5.2 遺傳算法原理
6.5.3 問題編碼策略
6.5.4 遺傳算子
6.5.5 遺傳算法的理論分析
6.5.6 用遺傳算法解決TSP問題
6.6 聚類
6.6.1 聚類問題
6.6.2 分層聚類方法
6.6.3 劃分聚類方法
6.6.4 基于密度的聚類方法
6.6.5 基于網格的聚類方法
6.6.6 股票信息的聚類分析
6.7 特征選擇與提取
6.7.1 特征選擇
6.7.2 常用的特征函數
6.7.3 主成分分析
6.8 其他學習方法
6.8.1 強化學習
6.8.2 隱馬爾可夫模型
6.9 本章小結
6.10 習題
第7章 人工神經網絡
7.1 概述
7.1.1 人腦神經系統
7.1.2 人工神經網絡的研究內容與特點
7.1.3 人工神經網絡的基本形態
7.2 感知器
7.2.1 簡單感知器
7.2.2 多層感知器
7.3 前饋神經網絡
7.3.1 反向傳播算法
7.3.2 反向傳播算法中的問題
7.3.3 徑向基函數網絡
7.4 反饋神經網絡
7.4.1 Hopfield網絡
7.4.2 離散型Hopfield網絡
7.4.3 連續型Hopfield網絡
7.4.4 Hopfield網絡中的問題
7.4.5 用Hopfield網絡解決TSP問題
7.5 隨機神經網絡
7.5.1 模擬退火算法
7.5.2 波爾茲曼機
7.6 自組織神經網絡
7.6.1 競爭學習
7.6.2 自組織特征映射網絡
7.7 本章小結
7.8 習題
第8章 人工智能的其他領域
8.1 模式識別
8.1.1 模式識別的基本問題
8.1.2 統計模式識別
8.1.3 句法模式識別
8.1.4 模糊模式識別
8.1.5 神經網絡模式識別
8.1.6 模式識別的應用
8.2 自然語言處理
8.2.1 自然語言處理的基本問題
8.2.2 語法分析
8.2.3 語義分析
8.2.4 大規模文本處理
8.2.5 自然語言處理的應用
8.3 智能體
8.3.1 智能體模型
8.3.2 多智能體系統的模型
8.3.3 多智能體系統的協作、協商與協調
8.3.4 多智能體系統的學習與規劃
8.3.5 智能體間的通信
8.3.6 智能體的應用
8.4 本章小結
8.5 習題
參考文獻
新書資訊