第1章　緒論 1
1.1 人工智能的基本概念 3
1.1.1 智能 3
1.1.2 智能機器 4
1.1.3 人工智能 4
1.2 人類智能與人工智能的關(guān)系 5
1.2.1 人工智能模擬人類的認知過程 5
1.2.2 人類思維與機器思維的差異 6
1.3 人工智能的發(fā)展概況 7
1.3.1 人工智能的起源 7
1.3.2 人工智能的發(fā)展階段 8
1.4 人工智能的主要學(xué)派與技術(shù)路線 10
1.4.1 傳統(tǒng)學(xué)派 10
1.4.2 現(xiàn)代學(xué)派 13
1.4.3 人工智能的技術(shù)路線 14
1.5 人工智能的主要研究領(lǐng)域 15
1.5.1 博弈 15
1.5.2 自動定理證明 16
1.5.3 專家系統(tǒng) 17
1.5.4 模式識別 18
1.5.5 自然語言處理 18
1.5.6 機器學(xué)習(xí) 19
1.5.7 機器視覺 20
1.5.8 機器人 20
1.5.9 計算智能 21
1.6 人機關(guān)系與工程倫理 22
1.6.1 人工智能對經(jīng)濟的影響 22
1.6.2 人工智能對人類社會的影響 22
1.6.3 人工智能對認知方式的影響 23
1.6.4 人工智能對文化生活的影響 23
1.6.5 人工智能的技術(shù)風(fēng)險 24
1.7 人工智能的未來展望 25
1.7.1 理論突破 25
1.7.2 技術(shù)集成 25
1.7.3 應(yīng)用領(lǐng)域拓展 26
本章小結(jié) 27
習(xí)題 27

第2章 知識表示與推理技術(shù) 28
2.1 概述 29
2.1.1 知識表示的基本概念 30
2.1.2 人工智能系統(tǒng)的知識類型 31
2.1.3 知識表示方法的類型 31
2.2 狀態(tài)空間法 32
2.2.1 狀態(tài)空間法的要素 32
2.2.2 狀態(tài)圖 33
2.2.3 產(chǎn)生式系統(tǒng) 34
2.2.4 狀態(tài)空間法的應(yīng)用實例 35
2.3 問題歸約法 38
2.3.1 問題歸約的過程 38
2.3.2 問題歸約的與或圖表示 40
2.3.3 問題歸約的機理 42
2.4 謂詞邏輯法 43
2.4.1 命題邏輯 43
2.4.2 謂詞演算 43
2.4.3 謂詞公式 46
2.4.4 置換與合一 49
2.5 語義網(wǎng)絡(luò)法 50
2.5.1 語義網(wǎng)絡(luò)的構(gòu)成 50
2.5.2 二元語義網(wǎng)絡(luò)的表示 51
2.5.3 多元語義網(wǎng)絡(luò)的表示 52
2.5.4 語義網(wǎng)絡(luò)中連詞的表示 52
2.5.5 語義網(wǎng)絡(luò)中量詞的表示 55
2.5.6 語義網(wǎng)絡(luò)的推理 56
2.5.7 語義網(wǎng)絡(luò)法求解問題的過程 59
2.6 框架表示法 60
2.6.1 框架的構(gòu)成 60
2.6.2 框架系統(tǒng) 61
2.6.3 框架推理 63
2.7 過程式知識表示 65
2.7.1 過程式知識表示的相關(guān)概念 65
2.7.2 過程式知識表示舉例 65
2.7.3 過程式推理 67
本章小結(jié) 68
習(xí)題 69

第3章 線性模型 70
3.1 線性模型的基本形式 71
3.2 線性回歸 72
3.2.1 一元線性回歸 72
3.2.2 多元線性回歸 74
3.3 對數(shù)幾率回歸 76
3.3.1 對數(shù)幾率回歸模型 76
3.3.2 最優(yōu)回歸系數(shù)的確定 78
3.4 線性分類算法 81
3.4.1 線性判別分析 81
3.4.2 感知機 84
本章小結(jié) 87
習(xí)題 88

第4章 決策樹 89
4.1 基本流程 91
4.2 特征選擇 92
4.2.1 信息熵 92
4.2.2 信息增益 93
4.2.3 信息增益率 95
4.3 決策樹生成 96
4.3.1 ID3算法 97
4.3.2 C4.5算法 98
4.4 決策樹剪枝 100
4.5 多變量決策樹 101
本章小結(jié) 102
習(xí)題 102

第5章 貝葉斯分類 103
5.1 貝葉斯決策理論 104
5.2 極大似然估計 105
5.3 樸素貝葉斯分類 106
5.4 貝葉斯網(wǎng)絡(luò) 109
5.4.1 網(wǎng)絡(luò)的結(jié)構(gòu) 109
5.4.2 學(xué)習(xí)與推理 112
本章小結(jié) 113
習(xí)題 114

第6章 支持向量機 115
6.1 支持向量機的原理 116
6.2 對偶問題 119
6.3 核函數(shù) 121
6.3.1 核函數(shù)的定義 121
6.3.2 常用核函數(shù) 123
6.3.3 非線性支持向量機 124
6.4 正則化 124
6.5 支持向量回歸 126
本章小結(jié) 128
習(xí)題 128

第7章 聚類算法 129
7.1 概述 130
7.2 性能度量 131
7.3 距離計算 133
7.4 K均值聚類 135
7.5 基于密度的聚類算法 138
7.6 層次聚類算法 142
本章小結(jié) 146
習(xí)題 146

第8章 神經(jīng)計算 147
8.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展概況 148
8.2 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 150
8.2.1 生物神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 150
8.2.2 人工神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 151
8.3 人工神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu) 153
8.3.1 感知機 153
8.3.2 前饋型網(wǎng)絡(luò) 155
8.3.3 反饋型網(wǎng)絡(luò) 156
8.4 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法與規(guī)則 158
8.4.1 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 158
8.4.2 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 161
8.5 BP神經(jīng)網(wǎng)絡(luò) 162
8.5.1 BP算法的流程 162
8.5.2 誤差反向傳播的計算過程 163
8.5.3 BP神經(jīng)網(wǎng)絡(luò)的計算實例 167
8.6 其他常見神經(jīng)網(wǎng)絡(luò) 169
8.6.1 RBF神經(jīng)網(wǎng)絡(luò) 169
8.6.2 ART神經(jīng)網(wǎng)絡(luò) 170
8.6.3 SOM神經(jīng)網(wǎng)絡(luò) 171
8.6.4 級聯(lián)相關(guān)神經(jīng)網(wǎng)絡(luò) 171
8.6.5 玻爾茲曼機 172
8.7 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 173
8.7.1 模式識別 173
8.7.2 計算和優(yōu)化 174
8.7.3 建模和預(yù)測 174
8.7.4 智能控制與處理 175
8.7.5 深度學(xué)習(xí) 175
本章小結(jié) 176
習(xí)題 177

第9章 智能優(yōu)化算法 178
9.1 概述 180
9.2 遺傳算法 180
9.2.1 遺傳算法的起源 180
9.2.2 遺傳算法的技術(shù)原理 181
9.2.3 遺傳算法案例 184
9.3 粒子群優(yōu)化算法 186
9.3.1 粒子群優(yōu)化算法的起源 186
9.3.2 粒子群優(yōu)化算法的技術(shù)原理 186
9.3.3 粒子群優(yōu)化算法的分類 188
9.3.4 粒子群優(yōu)化算法案例 190
9.4 蟻群算法 191
9.4.1 蟻群算法的原理 191
9.4.2 蟻群算法的分類 192
9.4.3 蟻群算法案例 194
本章小結(jié) 195
習(xí)題 196

第10章 模糊計算 197
10.1 模糊理論 198
10.1.1 模糊性 198
10.1.2 模糊數(shù)學(xué) 199
10.1.3 模糊邏輯 199
10.1.4 模糊理論的發(fā)展概況 200
10.2 模糊集合 200
10.2.1 模糊集合概述 200
10.2.2 模糊集合的運算：并、交、補 203
10.2.3 模糊集合的運算定律 204
10.3 模糊關(guān)系與模糊矩陣 205
10.3.1 模糊關(guān)系 205
10.3.2 模糊矩陣概述 205
10.3.3 模糊矩陣的運算 207
10.3.4 模糊矩陣的合成 207
10.4 模糊邏輯推理 208
10.4.1 模糊規(guī)則 209
10.4.2 模糊三段論 211
10.5 模糊系統(tǒng) 212
10.5.1 模糊系統(tǒng)的構(gòu)成 212
10.5.2 模糊系統(tǒng)實例 212
10.5.3 模糊系統(tǒng)的應(yīng)用 214
本章小結(jié) 216
習(xí)題 216

第11章 經(jīng)典優(yōu)化算法 217
11.1 概述 218
11.2 單點搜索算法 219
11.2.1 單點搜索算法概述 219
11.2.2 單點搜索算法的分類 220
11.2.3 單點搜索算法的優(yōu)缺點 220
11.2.4 單點搜索算法展望 221
11.3 模擬退火算法 221
11.3.1 模擬退火算法概述 221
11.3.2 模擬退火算法流程 223
11.3.3 模擬退火算法案例 224
11.3.4 模擬退火算法展望 225
11.4 禁忌搜索算法 226
11.4.1 禁忌搜索算法概述 226
11.4.2 禁忌搜索算法的構(gòu)成要素 226
11.4.3 禁忌搜索算法的基本思想和流程 228
11.4.4 禁忌搜索算法案例 229
11.4.5 禁忌搜索算法展望 230
本章小結(jié) 231
習(xí)題 231

第12章 專家系統(tǒng) 233
12.1 專家系統(tǒng)概述 234
12.1.1 專家系統(tǒng)的概念與發(fā)展簡況 234
12.1.2 專家系統(tǒng)的特點 235
12.1.3 專家系統(tǒng)的結(jié)構(gòu) 235
12.1.4 專家系統(tǒng)的類型 236
12.2 基于規(guī)則的專家系統(tǒng) 238
12.2.1 基于規(guī)則的專家系統(tǒng)的基本結(jié)構(gòu) 238
12.2.2 基于規(guī)則的專家系統(tǒng)的特點 239
12.2.3 基于規(guī)則的專家系統(tǒng)實例 239
12.3 基于框架的專家系統(tǒng) 240
12.3.1 基于框架的專家系統(tǒng)的定義 240
12.3.2 基于框架的專家系統(tǒng)的特點 240
12.3.3 基于框架的專家系統(tǒng)實例 241
12.4 基于模型的專家系統(tǒng) 241
12.4.1 基于模型的專家系統(tǒng)的定義 241
12.4.2 基于模型的專家系統(tǒng)的特點 242
12.4.3 基于模型的專家系統(tǒng)實例 242
12.5 專家系統(tǒng)的設(shè)計與開發(fā) 243
12.5.1 專家系統(tǒng)的設(shè)計步驟 243
12.5.2 專家系統(tǒng)開發(fā)工具 244
本章小結(jié) 246
習(xí)題 246

參考文獻 247