人工智能：复杂问题求解的结构和策略(原书第6版)

作者: [美] 卢格（GeorgeF.Luger）著

出版社: 机械工业出版社

出版时间: 2010-01

版次: 6

ISBN: 9787111283454

定价: 79.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 490页

正文语种: 简体中文

原版书名: Artificial Intelligence:Structures And Strategies For Complex Problem Solving,Sixth Edition

丛书: 计算机科学丛书

分类: 计算机与互联网

1 张插图图片

208人买过

　　《人工智能复杂问题求解的结构和策略（原书第6版）》是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了独特的讨论。新版中增加了对“基于随机方法的机器学习”的介绍，并提出了一些新的主题，如涌现计算、本体论、随机分割算法等。
　　《人工智能复杂问题求解的结构和策略（原书第6版）》适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。　　GeorgeF.Luger，1973年在宾夕法尼亚大学获得博士学位，并在之后的5年间在爱丁堡大学人工智能系进行博士后研究，现在是新墨西哥大学计算机科学研究、语言学及心理学教授。出版者的话
译者序
前言
第一部分人工智能的历史渊源及研究范围
第1章人工智能的历史及应用
1.1从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度
1.1.1人工智能基础的简要历史
1.1.2理性主义和经验主义学派对人工智能的影响
1.1.3形式逻辑的发展
1.1.4图灵测试
1.1.5智能的生物和社会模型：主体理论
1.2人工智能应用领域概述
1.2.1博弈
1.2.2自动推理和定理证明
1.2.3专家系统
1.2.4自然语言理解和语义学
1.2.5对人类表现建模
1.2.6规划和机器人学
1.2.7人工智能的语言和环境
1.2.8机器学习
1.2.9其他表示：神经网络和遗传算法
1.2.10AI和哲学
1.3人工智能小结
1.4结语和参考文献
1.5习题

第二部分作为表示和搜索的人工智能
第2章谓词演算
2.0简介
2.1命题演算（选读）
2.1.1符号和语句
2.1.2命题演算的语义
2.2谓词演算
2.2.1谓词的语法和语句
2.2.2谓词演算的语义
2.2.3语义含义的积木世界例子
2.3使用推理规则产生谓词演算表达式
2.3.1推理规则
2.3.2合一算法
2.3.3合一的例子
2.4应用：一个基于逻辑的财务顾问
2.5结语和参考文献
2.6习题

第3章状态空间搜索的结构和策略
3.0简介
3.1状态空间搜索的结构
3.1.1图论（选读）
3.1.2有限状态自动机（选读）
3.1.3问题的状态空间表示
3.2用于状态空间搜索的策略
3.2.1数据驱动搜索和目标驱动搜索
3.2.2图搜索的实现
3.2.3深度优先搜索和宽度优先搜索
3.2.4迭代加深的深度优先搜索
3.3利用状态空间来表示命题演算和谓词演算的推理
3.3.1逻辑系统的状态空间描述
3.3.2与或图
3.3.3进一步的例子和应用
3.4结语和参考文献
3.5习题

第4章启发式搜索
4.0简介
4.1爬山法和动态规划法
4.1.1爬山
4.1.2动态规划
4.2最佳优先搜索算法
4.2.1实现最佳优先搜索
4.2.2实现启发评估函数
4.2.3启发式搜索和专家系统
4.3可采纳性、单调性和信息度
4.3.1可采纳性度量
4.3.2单调性
4.3.3信息度更高的启发是更好的启发
4.4在博弈中使用启发
4.4.1在可穷举搜索图上的极小极大过程
4.4.2固定层深的极小极大过程
4.4.3α-β过程
4.5复杂度问题
4.6结语和参考文献
4.7习题

第5章随机方法
5.0简介
5.1计数基础（选读）
5.1.1加法和乘法规则
5.1.2排列与组合
5.2概率论基础
5.2.1样本空间、概率和独立性
5.2.2概率推理：一个道路/交通例子
5.2.3随机变量
5.2.4条件概率
5.3贝叶斯定理
5.4随机方法学的应用
5.4.1“tomato”是如何发音的
5.4.2道路/交通例子的扩展
5.5结语和参考文献
5.6习题

第6章为状态空间搜索建立控制算法
6.0简介
6.1基于递归的搜索（选读）
6.1.1递归
6.1.2一个递归搜索的例子：模式驱动推理
6.2产生式系统
6.2.1定义和历史
6.2.2产生式系统的例子
6.2.3产生式系统中的搜索控制
6.2.4AI产生式系统的优点
6.3用于问题求解的黑板结构
6.4结语和参考文献
6.5习题

第三部分捕获智能：AI中的挑战
第7章知识表示
7.0知识表示问题
7.1AI表示模式的简要历史
7.1.1语义关联理论
7.1.2语义网的早期研究
7.1.3网络关系的标准化
7.1.4脚本
7.1.5框架
7.2概念图：网络语言
7.2.1概念图简介
7.2.2类型、个体和名字
7.2.3类型层次
7.2.4泛化和特化
7.2.5命题结点
7.2.6概念图和逻辑
7.3其他表示方法和本体
7.3.1Brooks的包容结构
7.3.2Copycat结构
7.3.3多种表示、本体和知识服务
7.4基于主体的和分布式的问题求解方法
7.4.1基于主体的定义
7.4.2基于主体的应用
7.5结语和参考文献
7.6习题

第8章求解问题的强方法
8.0简介
8.1专家系统技术概览
8.1.1基于规则的专家系统设计
8.1.2问题选择和知识工程的步骤
8.1.3概念模型及其在知识获取中的作用
8.2基于规则的专家系统
8.2.1产生式系统和目标驱动问题求解
8.2.2目标驱动推理中的解释和透明性
8.2.3利用产生式系统进行数据驱动推理
8.2.4专家系统的启发和控制
8.3基于模型系统、基于案例系统和混合系统
8.3.1基于模型推理简介
8.3.2基于模型推理：来自NASA的例子
8.3.3基于案例推理介绍
8.3.4混合设计：强方法系统的优势和不足
8.4规划
8.4.1规划简介：机器人学
8.4.2使用规划宏：STRIPS
8.4.3teleoreactive规划
8.4.4规划：来自NASA的例子
8.5结语和参考文献
8.6习题

第9章不确定条件下的推理
9.0简介
9.1基于逻辑的反绎推理
9.1.1非单调推理逻辑
9.1.2真值维护系统
9.1.3基于最小模型的逻辑
9.1.4集合覆盖和基于逻辑的反绎
9.2反绎：逻辑之外的办法
9.2.1Stanford确信度代数
9.2.2模糊集推理
9.2.3DempsterShafer证据理论
9.3处理不确定性的随机方法
9.3.1有向图模型：贝叶斯信念网络
9.3.2有向图模型：d-可分
9.3.3有向图模型：一个推理算法
9.3.4有向图模型：动态贝叶斯网络
9.3.5马尔可夫模型：离散马尔可夫过程
9.3.6马尔可夫模型：变形
9.3.7BBN概率建模的一阶替代方案
9.4结语和参考文献
9.5习题

第四部分机器学习
第10章基于符号的机器学习
10.0简介
10.1基于符号学习的框架
10.2变形空间搜索
10.2.1泛化操作符和概念空间
10.2.2候选解排除算法
10.2.3LEX：启发式归纳搜索
10.2.4评估候选解排除算法
10.3ID3决策树归纳算法
10.3.1自顶向下决策树归纳
10.3.2测试选择的信息论方法
10.3.3评价ID3
10.3.4决策树数据问题：打包、推进
10.4归纳偏置和学习能力
10.4.1归纳偏置
10.4.2可学习性理论
10.5知识和学习
10.5.1MetaDENDRAL
10.5.2基于解释的学习
10.5.3EBL和知识层学习
10.5.4类比推理
10.6无监督学习
10.6.1发现和无监督学习
10.6.2概念聚类
10.6.3COBWEB和分类知识的结构
10.7强化学习
10.7.1强化学习的组成部分
10.7.2一个例子：九宫游戏
10.7.3强化学习的推理算法和应用
10.8结语和参考文献
10.9习题

第11章机器学习：连接机制
11.0简介
11.1连接网络的基础
11.2感知机学习
11.2.1感知机训练算法
11.2.2例子：用感知机网络进行分类
11.2.3通用delta规则
11.3反传学习
11.3.1反传算法的起源
11.3.2反传算法实例1：NETtalk
11.3.3反传算法实例2：异或
11.4竞争学习
11.4.1对于分类的“胜者全拿”学习
11.4.2学习原型的Kohonen网络
11.4.3outstar网络和逆传
11.4.4支持向量机
11.5Hebbian一致性学习
11.5.1概述
11.5.2无监督Hebbian学习的例子
11.5.3有监督Hebbian学习
11.5.4联想记忆和线性联想器
11.6吸引子网络或“记忆”
11.6.1概述
11.6.2双向联想记忆
11.6.3BAM处理的例子
11.6.4自相关记忆和Hopfield网络
11.7结语和参考文献
11.8习题

第12章机器学习：遗传性和涌现性
12.0社会性和涌现性的学习模型
12.1遗传算法
12.1.1两个例子：CNF可满足性问题和巡回推销员问题
12.1.2遗传算法的评估
12.2分类器系统和遗传程序设计
12.2.1分类器系统
12.2.2用遗传算子进行程序设计
12.3人工生命和基于社会的学习
12.3.1生命游戏
12.3.2进化规划
12.3.3涌现的实例研究
12.4结语和参考文献
12.5习题

第13章机器学习：概率理论
13.0学习中的随机模型和动态模型
13.1隐马尔可夫模型(HMM)
13.1.1隐马尔可夫模型的介绍和定义
13.1.2隐马尔可夫模型的重要变形
13.1.3使用HMM和Viterbi解码音素串
13.2动态贝叶斯网络和学习
13.2.1动态贝叶斯网络
13.2.2学习贝叶斯网络
13.2.3期望最大化：一个例子
13.3强化学习的随机扩展
13.3.1马尔可夫决策过程
13.3.2部分可观测的马尔可夫决策过程
13.3.3马尔可夫决策过程实现的例子
13.4结语和参考文献
13.5习题
第五部分人工智能问题求解的高级课题

第14章自动推理
14.0定理证明中的弱方法
14.1通用问题求解器和差别表
14.2归结定理证明
14.2.1概述
14.2.2为归结反驳生成子句形式
14.2.3二元归结证明过程
14.2.4归结策略和简化技术
14.2.5从归结反驳中抽取解答
14.3Prolog和自动推理
14.3.1概述
14.3.2逻辑程序设计和Prolog
14.4自动推理进一步的问题
14.4.1弱方法求解的统一表示法
14.4.2可选推理规则
14.4.3归结反驳支持下的问答机制
14.4.4搜索策略及其使用
14.5结语和参考文献
14.6习题

第15章自然语言理解
15.0自然语言理解问题
15.1解构语言：分析
15.2语法
15.2.1使用上下文无关文法说明和解析
15.2.2Earley解析器：动态规划二次访问
15.3转移网络解析器及语义学
15.3.1转移网络解析器
15.3.2乔姆斯基层次和上下文相关文法
15.3.3ATN解析器的语义
15.3.4结合句法和语义知识的ATN
15.4语言理解的随机工具
15.4.1概述：语言分析中的统计技术
15.4.2马尔可夫模型方法
15.4.3决策树方法
15.4.4解析的概率方法
15.4.5概率上下文无关解析器
15.5自然语言应用
15.5.1故事理解和问题解答
15.5.2数据库前端
15.5.3Web信息抽取和摘要系统
15.5.4用学习算法来泛化抽取的信息
15.6结语和参考文献
15.7习题

第六部分后记
第16章人工智能是经验式的学科
16.0简介
16.1人工智能：修订的定义
16.1.1人工智能和物理符号系统假设
16.1.2连接或者“神经”计算
16.1.3主体、涌现和智能
16.1.4概率模型和随机技术
16.2智能系统科学
16.2.1心理学约束
16.2.2认识论问题
16.3人工智能：当前的挑战和未来的方向
16.4结语和参考文献
内容简介:
　　《人工智能复杂问题求解的结构和策略（原书第6版）》是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了独特的讨论。新版中增加了对“基于随机方法的机器学习”的介绍，并提出了一些新的主题，如涌现计算、本体论、随机分割算法等。
　　《人工智能复杂问题求解的结构和策略（原书第6版）》适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。
作者简介:
　　GeorgeF.Luger，1973年在宾夕法尼亚大学获得博士学位，并在之后的5年间在爱丁堡大学人工智能系进行博士后研究，现在是新墨西哥大学计算机科学研究、语言学及心理学教授。
目录:
出版者的话
译者序
前言
第一部分人工智能的历史渊源及研究范围
第1章人工智能的历史及应用
1.1从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度
1.1.1人工智能基础的简要历史
1.1.2理性主义和经验主义学派对人工智能的影响
1.1.3形式逻辑的发展
1.1.4图灵测试
1.1.5智能的生物和社会模型：主体理论
1.2人工智能应用领域概述
1.2.1博弈
1.2.2自动推理和定理证明
1.2.3专家系统
1.2.4自然语言理解和语义学
1.2.5对人类表现建模
1.2.6规划和机器人学
1.2.7人工智能的语言和环境
1.2.8机器学习
1.2.9其他表示：神经网络和遗传算法
1.2.10AI和哲学
1.3人工智能小结
1.4结语和参考文献
1.5习题

第二部分作为表示和搜索的人工智能
第2章谓词演算
2.0简介
2.1命题演算（选读）
2.1.1符号和语句
2.1.2命题演算的语义
2.2谓词演算
2.2.1谓词的语法和语句
2.2.2谓词演算的语义
2.2.3语义含义的积木世界例子
2.3使用推理规则产生谓词演算表达式
2.3.1推理规则
2.3.2合一算法
2.3.3合一的例子
2.4应用：一个基于逻辑的财务顾问
2.5结语和参考文献
2.6习题

第3章状态空间搜索的结构和策略
3.0简介
3.1状态空间搜索的结构
3.1.1图论（选读）
3.1.2有限状态自动机（选读）
3.1.3问题的状态空间表示
3.2用于状态空间搜索的策略
3.2.1数据驱动搜索和目标驱动搜索
3.2.2图搜索的实现
3.2.3深度优先搜索和宽度优先搜索
3.2.4迭代加深的深度优先搜索
3.3利用状态空间来表示命题演算和谓词演算的推理
3.3.1逻辑系统的状态空间描述
3.3.2与或图
3.3.3进一步的例子和应用
3.4结语和参考文献
3.5习题

第4章启发式搜索
4.0简介
4.1爬山法和动态规划法
4.1.1爬山
4.1.2动态规划
4.2最佳优先搜索算法
4.2.1实现最佳优先搜索
4.2.2实现启发评估函数
4.2.3启发式搜索和专家系统
4.3可采纳性、单调性和信息度
4.3.1可采纳性度量
4.3.2单调性
4.3.3信息度更高的启发是更好的启发
4.4在博弈中使用启发
4.4.1在可穷举搜索图上的极小极大过程
4.4.2固定层深的极小极大过程
4.4.3α-β过程
4.5复杂度问题
4.6结语和参考文献
4.7习题

第5章随机方法
5.0简介
5.1计数基础（选读）
5.1.1加法和乘法规则
5.1.2排列与组合
5.2概率论基础
5.2.1样本空间、概率和独立性
5.2.2概率推理：一个道路/交通例子
5.2.3随机变量
5.2.4条件概率
5.3贝叶斯定理
5.4随机方法学的应用
5.4.1“tomato”是如何发音的
5.4.2道路/交通例子的扩展
5.5结语和参考文献
5.6习题

第6章为状态空间搜索建立控制算法
6.0简介
6.1基于递归的搜索（选读）
6.1.1递归
6.1.2一个递归搜索的例子：模式驱动推理
6.2产生式系统
6.2.1定义和历史
6.2.2产生式系统的例子
6.2.3产生式系统中的搜索控制
6.2.4AI产生式系统的优点
6.3用于问题求解的黑板结构
6.4结语和参考文献
6.5习题

第三部分捕获智能：AI中的挑战
第7章知识表示
7.0知识表示问题
7.1AI表示模式的简要历史
7.1.1语义关联理论
7.1.2语义网的早期研究
7.1.3网络关系的标准化
7.1.4脚本
7.1.5框架
7.2概念图：网络语言
7.2.1概念图简介
7.2.2类型、个体和名字
7.2.3类型层次
7.2.4泛化和特化
7.2.5命题结点
7.2.6概念图和逻辑
7.3其他表示方法和本体
7.3.1Brooks的包容结构
7.3.2Copycat结构
7.3.3多种表示、本体和知识服务
7.4基于主体的和分布式的问题求解方法
7.4.1基于主体的定义
7.4.2基于主体的应用
7.5结语和参考文献
7.6习题

第8章求解问题的强方法
8.0简介
8.1专家系统技术概览
8.1.1基于规则的专家系统设计
8.1.2问题选择和知识工程的步骤
8.1.3概念模型及其在知识获取中的作用
8.2基于规则的专家系统
8.2.1产生式系统和目标驱动问题求解
8.2.2目标驱动推理中的解释和透明性
8.2.3利用产生式系统进行数据驱动推理
8.2.4专家系统的启发和控制
8.3基于模型系统、基于案例系统和混合系统
8.3.1基于模型推理简介
8.3.2基于模型推理：来自NASA的例子
8.3.3基于案例推理介绍
8.3.4混合设计：强方法系统的优势和不足
8.4规划
8.4.1规划简介：机器人学
8.4.2使用规划宏：STRIPS
8.4.3teleoreactive规划
8.4.4规划：来自NASA的例子
8.5结语和参考文献
8.6习题

第9章不确定条件下的推理
9.0简介
9.1基于逻辑的反绎推理
9.1.1非单调推理逻辑
9.1.2真值维护系统
9.1.3基于最小模型的逻辑
9.1.4集合覆盖和基于逻辑的反绎
9.2反绎：逻辑之外的办法
9.2.1Stanford确信度代数
9.2.2模糊集推理
9.2.3DempsterShafer证据理论
9.3处理不确定性的随机方法
9.3.1有向图模型：贝叶斯信念网络
9.3.2有向图模型：d-可分
9.3.3有向图模型：一个推理算法
9.3.4有向图模型：动态贝叶斯网络
9.3.5马尔可夫模型：离散马尔可夫过程
9.3.6马尔可夫模型：变形
9.3.7BBN概率建模的一阶替代方案
9.4结语和参考文献
9.5习题

第四部分机器学习
第10章基于符号的机器学习
10.0简介
10.1基于符号学习的框架
10.2变形空间搜索
10.2.1泛化操作符和概念空间
10.2.2候选解排除算法
10.2.3LEX：启发式归纳搜索
10.2.4评估候选解排除算法
10.3ID3决策树归纳算法
10.3.1自顶向下决策树归纳
10.3.2测试选择的信息论方法
10.3.3评价ID3
10.3.4决策树数据问题：打包、推进
10.4归纳偏置和学习能力
10.4.1归纳偏置
10.4.2可学习性理论
10.5知识和学习
10.5.1MetaDENDRAL
10.5.2基于解释的学习
10.5.3EBL和知识层学习
10.5.4类比推理
10.6无监督学习
10.6.1发现和无监督学习
10.6.2概念聚类
10.6.3COBWEB和分类知识的结构
10.7强化学习
10.7.1强化学习的组成部分
10.7.2一个例子：九宫游戏
10.7.3强化学习的推理算法和应用
10.8结语和参考文献
10.9习题

第11章机器学习：连接机制
11.0简介
11.1连接网络的基础
11.2感知机学习
11.2.1感知机训练算法
11.2.2例子：用感知机网络进行分类
11.2.3通用delta规则
11.3反传学习
11.3.1反传算法的起源
11.3.2反传算法实例1：NETtalk
11.3.3反传算法实例2：异或
11.4竞争学习
11.4.1对于分类的“胜者全拿”学习
11.4.2学习原型的Kohonen网络
11.4.3outstar网络和逆传
11.4.4支持向量机
11.5Hebbian一致性学习
11.5.1概述
11.5.2无监督Hebbian学习的例子
11.5.3有监督Hebbian学习
11.5.4联想记忆和线性联想器
11.6吸引子网络或“记忆”
11.6.1概述
11.6.2双向联想记忆
11.6.3BAM处理的例子
11.6.4自相关记忆和Hopfield网络
11.7结语和参考文献
11.8习题

第12章机器学习：遗传性和涌现性
12.0社会性和涌现性的学习模型
12.1遗传算法
12.1.1两个例子：CNF可满足性问题和巡回推销员问题
12.1.2遗传算法的评估
12.2分类器系统和遗传程序设计
12.2.1分类器系统
12.2.2用遗传算子进行程序设计
12.3人工生命和基于社会的学习
12.3.1生命游戏
12.3.2进化规划
12.3.3涌现的实例研究
12.4结语和参考文献
12.5习题

第13章机器学习：概率理论
13.0学习中的随机模型和动态模型
13.1隐马尔可夫模型(HMM)
13.1.1隐马尔可夫模型的介绍和定义
13.1.2隐马尔可夫模型的重要变形
13.1.3使用HMM和Viterbi解码音素串
13.2动态贝叶斯网络和学习
13.2.1动态贝叶斯网络
13.2.2学习贝叶斯网络
13.2.3期望最大化：一个例子
13.3强化学习的随机扩展
13.3.1马尔可夫决策过程
13.3.2部分可观测的马尔可夫决策过程
13.3.3马尔可夫决策过程实现的例子
13.4结语和参考文献
13.5习题
第五部分人工智能问题求解的高级课题

第14章自动推理
14.0定理证明中的弱方法
14.1通用问题求解器和差别表
14.2归结定理证明
14.2.1概述
14.2.2为归结反驳生成子句形式
14.2.3二元归结证明过程
14.2.4归结策略和简化技术
14.2.5从归结反驳中抽取解答
14.3Prolog和自动推理
14.3.1概述
14.3.2逻辑程序设计和Prolog
14.4自动推理进一步的问题
14.4.1弱方法求解的统一表示法
14.4.2可选推理规则
14.4.3归结反驳支持下的问答机制
14.4.4搜索策略及其使用
14.5结语和参考文献
14.6习题

第15章自然语言理解
15.0自然语言理解问题
15.1解构语言：分析
15.2语法
15.2.1使用上下文无关文法说明和解析
15.2.2Earley解析器：动态规划二次访问
15.3转移网络解析器及语义学
15.3.1转移网络解析器
15.3.2乔姆斯基层次和上下文相关文法
15.3.3ATN解析器的语义
15.3.4结合句法和语义知识的ATN
15.4语言理解的随机工具
15.4.1概述：语言分析中的统计技术
15.4.2马尔可夫模型方法
15.4.3决策树方法
15.4.4解析的概率方法
15.4.5概率上下文无关解析器
15.5自然语言应用
15.5.1故事理解和问题解答
15.5.2数据库前端
15.5.3Web信息抽取和摘要系统
15.5.4用学习算法来泛化抽取的信息
15.6结语和参考文献
15.7习题

第六部分后记
第16章人工智能是经验式的学科
16.0简介
16.1人工智能：修订的定义
16.1.1人工智能和物理符号系统假设
16.1.2连接或者“神经”计算
16.1.3主体、涌现和智能
16.1.4概率模型和随机技术
16.2智能系统科学
16.2.1心理学约束
16.2.2认识论问题
16.3人工智能：当前的挑战和未来的方向
16.4结语和参考文献

查看详情

人工智能：复杂问题求解的结构和策略(原书第6版)

内容简介:

作者简介:

目录: