新書推薦：
《
DK月季玫瑰百科
》
售價：HK$
210.6
《
为你想要的生活
》
售價：HK$
66.1
《
关键改变：如何实现自我蜕变
》
售價：HK$
77.3
《
超加工人群：为什么有些食物让人一吃就停不下来
》
售價：HK$
99.7
《
历史的教训（浓缩《文明的故事》精华，总结历史教训的独特见解）
》
售價：HK$
62.7
《
不在场证明谜案（超绝CP陷入冤案！日本文坛超新星推理作家——辻堂梦代表作首次引进！）
》
售價：HK$
58.2
《
明式家具三十年经眼录
》
售價：HK$
524.2
《
敦煌写本文献学（增订本）
》
售價：HK$
221.8
|
| 內容簡介： |
|
本书主要阐述人工智能的基本原理、方法和应用技术。全书共13章，除第1章讨论人工智能基本概念、第13章讨论人工智能的争论与展望外，其余11章按照“基本智能+典型应用+计算智能”三个模块编排内容。*个模块为人工智能经典的三大技术，分别为知识表示技术、搜索技术和推理技术，主要包括知识表示、确定性推理、搜索策略、不确定性推理；第二个模块为人工智能的典型应用领域，包括机器学习、支持向量机和专家系统；第三个模块为计算智能与群智能，包括神经计算、进化计算、模糊计算和群智能。本书力求科学性、模块化、实用性。内容由浅入深、循序渐进，条理清晰，让读者在有限的时间内，掌握人工智能的基本原理、基本方法和应用技术。本书为教师提供习题答案。本书可作为计算机科学与技术、智能科学与技术、人工智能、自动化、机器人工程等相关专业的教材，也可供从事人工智能研究与应用的科技工作者学习参考。
|
| 關於作者： |
|
丁世飞，男，毕业于中国科学院计算技术研究所，中国矿业大学教授，博士生导师。从事人工智能、机器学习、模式识别、数据挖掘、大数据智能分析、生物信息识别、粗糙集与软计算等方面理论与应用研究。主持国家重点基础研究计划（973计划）课题1项、国家自然科学基金面上项目2项、江苏省自然科学基金项目1项、中国博士后科学基金1项、国家重点实验室开放基金3项；参加国家”863”高技术项目1项、国家自然科学基金重点项目1项、国家自然科学基金面上项目3项等。近年来，出版专著4部，申请或授权发明专利10项，在国内外重要学术期刊上发表研究论文200余篇，其中被SCI检索100余篇，其中被计算机学科ESI检索20余篇。
|
| 目錄：
|
目 录
第1章 绪论 1
1.1 人工智能的概念 1
1.1.1 智能的定义 1
1.1.2 人工智能的定义 3
1.2 人工智能的产生和发展 5
1.2.1 孕育期（20世纪50年代中期以前） 5
1.2.2 形成及第一个兴旺期（20世纪50年代中期至60年代中期） 6
1.2.3 萧条波折期（20世纪60年代中期至70年代中期） 7
1.2.4 第二个兴旺期（20世纪70年代中期至80年代中期） 8
1.2.5 稳步增长期（20世纪80年代中期至今） 10
1.2.6 中国的人工智能发展 11
1.3 人工智能的主要学派 12
1.3.1 符号主义学派 12
1.3.2 连接主义学派 13
1.3.3 行为主义学派 14
1.4 人工智能的主要研究内容 14
1.5 人工智能的主要应用领域 17
小结 24
习题1 24
第2章 知识表示 25
2.1 知识表示概述 25
2.1.1 知识的概念 25
2.1.2 知识表示的概念 26
2.2 一阶谓词逻辑表示法 27
2.2.1 命题 27
2.2.2 谓词 28
2.2.3 谓词公式 29
2.2.4 谓词逻辑表示 30
2.2.5 谓词逻辑表示法的特点 33
2.3 产生式表示法 33
2.3.1 产生式表示的基本方法 33
2.3.2 产生式系统的基本结构 35
2.3.3 产生式系统的分类 36
2.3.4 产生式表示法的特点 37
2.4 语义网络表示法 39
2.4.1 语义网络的基本概念 39
2.4.2 语义网络的基本语义关系 39
2.4.3 语义网络表示知识的方法 41
2.4.4 语义网络的推理过程 45
2.4.5 语义网络表示法的特点 46
2.5 框架表示法 46
2.5.1 框架结构 46
2.5.2 框架表示 48
2.5.3 框架表示的推理过程 50
2.5.4 框架表示法的特点 50
2.6 脚本表示法 50
2.7 面向对象表示法 54
小结 56
习题2 57
第3章 确定性推理 59
3.1 推理概述 59
3.1.1 推理的概念 59
3.1.2 推理的分类 59
3.1.3 推理的控制策略 61
3.2 推理的逻辑基础 63
3.2.1 谓词公式的永真性和可满足性 63
3.2.2 置换与合一 65
3.3 自然演绎推理 68
3.4 归结演绎推理 69
3.4.1 子句型 69
3.4.2 鲁滨逊归结原理 72
3.4.3 归结演绎推理的归结策略 76
3.4.4 用归结原理求取问题的答案 81
小结 81
习题3 82
第4章 搜索策略 85
4.1 搜索概述 85
4.2 一般图搜索 86
4.2.1 图搜索的基本概念 86
4.2.2 状态空间搜索 87
4.2.3 一般图搜索过程 91
4.3 盲目搜索 92
4.3.1 宽度优先搜索 93
4.3.2 深度优先搜索 95
4.3.3 有界深度搜索和迭代加深搜索 97
4.3.4 搜索最优策略的比较 98
4.4 启发式搜索 99
4.4.1 启发性信息和评估函数 99
4.4.2 启发式搜索A算法 100
4.4.3 实现启发式搜索的关键因素 102
4.4.4 A*算法 103
4.4.5 迭代加深A*算法 106
4.5 回溯搜索和爬山法 107
4.5.1 爬山法 107
4.5.2 回溯策略 108
4.6 问题规约 109
4.7 与或图搜索 111
4.7.1 与或图表示 111
4.7.2 与或图的启发式搜索 113
4.8 博弈 117
4.8.1 极大极小过程 119
4.8.2 ?过程 121
小结 122
习题4 123
第5章 不确定性推理 125
5.1 不确定性推理概述 125
5.1.1 不确定性推理的概念 125
5.1.2 知识不确定性的来源 125
5.1.3 不确定性推理要解决的基本问题 126
5.1.4 不确定性推理方法的分类 128
5.2 概率方法 129
5.2.1 概率论基础 129
5.2.2 经典概率方法 130
5.2.3 逆概率方法 130
5.3 主观贝叶斯方法 132
5.3.1 规则不确定性的表示 132
5.3.2 证据不确定性的表示 134
5.3.3 组合证据不确定性的计算 135
5.3.4 不确定性推理 135
5.3.5 结论不确定性的合成算法 137
5.4 确定性理论 140
5.4.1 可信度 140
5.4.2 CF模型 142
5.4.3 确定性方法的说明 145
5.5 证据理论 146
5.5.1 证据理论的形式描述 147
5.5.2 证据理论的推理模型 150
5.5.3 证据不确定性的表示 152
5.5.4 规则不确定性的表示 152
5.5.5 不确定性的推理 152
5.5.6 组合证据的不确定性计算 152
5.6 模糊推理 155
5.6.1 模糊数学的基本知识 155
5.6.2 模糊假言推理 157
小结 160
习题5 161
第6章 机器学习 163
6.1 机器学习概述 163
6.1.1 学习与机器学习 163
6.1.2 学习系统 164
6.1.3 机器学习的发展简史 166
6.1.4 机器学习的分类 167
6.1.5 机器学习的应用和研究目标 168
6.2 归纳学习 169
6.2.1 归纳学习的基本概念 169
6.2.2 变型空间学习 171
6.2.3 归纳偏置 173
6.3 决策树学习 174
6.3.1 决策树的组成及分类 174
6.3.2 决策树的构造算法CLS 175
6.3.3 基本的决策树算法ID3 177
6.3.4 决策树的偏置 179
6.4 基于实例的学习 180
6.4.1 k?近邻算法 180
6.4.2 距离加权最近邻法 181
6.4.3 基于范例的学习 181
6.5 强化学习 186
6.5.1 强化学习模型 186
6.5.2 马尔可夫决策过程 187
6.5.3 Q学习 188
小结 190
习题6 191
第7章 支持向量机 193
7.1 支持向量机概述 193
7.2 统计学习理论 194
7.2.1 学习问题的表示 194
7.2.2 期望风险和经验风险 195
7.2.3 VC维理论 196
7.2.4 推广性的界 197
7.2.5 结构风险最小化 198
7.3 支持向量机的构造 199
7.3.1 函数集结构的构造 199
7.3.2 支持向量机的模式 200
7.4 核函数 203
7.4.1 核函数概述 203
7.4.2 核函数的分类 204
7.5 SVM的算法及多类SVM 205
7.6 用于非线性回归的SVM 206
7.7 支持向量机的应用 207
小结 209
习题7 209
第8章 专家系统 210
8.1 专家系统概述 210
8.1.1 专家系统的特性 210
8.1.2 专家系统的结构和类型 211
8.2 基于规则的专家系统 213
8.3 基于框架的专家系统 215
8.4 基于模型的专家系统 217
8.5 专家系统的开发 219
8.5.1 专家系统的开发过程 219
8.5.2 专家系统的知识获取 220
8.5.3 专家系统的开发工具和环境 222
8.6 专家系统设计举例 224
8.6.1 专家知识的描述 224
8.6.2 知识的使用 227
8.6.3 决策的解释 230
8.6.4 MYCIN系统 230
8.7 新型专家系统 231
小结 233
习题8 234
第9章 神经计算 235
9.1 神经计算概述 235
9.2 感知器 237
9.2.1 感知器的结构 237
9.2.2 感知器的学习算法 238
9.3 反向传播网络 240
9.3.1 BP网络的结构 240
9.3.2 BP网络的学习算法 241
9.4 自组织映射神经网络 244
9.4.1 SOM网络结构 244
9.4.2 SOM网络的学习算法 244
9.5 Hopfield网络 246
9.5.1 离散Hopfield网络的结构 246
9.5.2 离散Hopfield网络的稳定性 247
9.5.3 离散Hopfield 网络的学习算法 247
9.6 脉冲耦合神经网络 248
9.6.1 PCNN的结构 248
9.6.2 PCNN的学习算法 249
9.7 深度神经网络 249
小结 250
习题9 251
第10章 进化计算 252
10.1 进化计算概述 252
10.2 遗传算法 253
10.2.1 遗传算法的基本原理 253
10.2.2 遗传算法的应用示例 255
10.2.3 模式定理 257
10.2.4 遗传算法的改进 259
10.3 进化规划 260
10.3.1 标准进化规划及其改进 261
10.3.2 进化规划的基本技术 262
10.4 进化策略 263
10.4.1 进化策略及其改进 263
10.4.2 进化策略的基本技术 264
10.5 GA、EP、ES的异同 266
小结 267
习题10 267
第11章 模糊计算 268
11.1 模糊集合的概念 268
11.1.1 模糊集合的定义 268
11.1.2 模糊集合的表示方法 268
11.2 模糊集合的代数运算 273
11.3 正态模糊集和凸模糊集 275
11.4 模糊关系 276
11.4.1 模糊关系的概述 276
11.4.2 模糊关系的性质 277
11.5 模糊判决 277
11.6 模糊数学在模式识别中的应用 278
11.6.1 最大隶属度原则 278
11.6.2 择近原则 279
小结 280
习题11 280
第12章 群智能 282
12.1 群智能概述 282
12.1.1 群智能优化算法定义 282
12.1.2 群智能优化算法原理 283
12.1.3 群智能优化算法特点 283
12.2 蚁群算法 283
12.2.1 蚁群算法概述 283
12.2.2 蚁群算法的数学模型 284
12.2.3 蚁群算法的改进 286
12.2.4 蚁群算法的应用示例 287
12.3 粒子群优化算法 288
12.3.1 粒子群优化算法基本思想 288
12.3.2 粒子群优化算法基本框架 288
12.3.3 粒子群优化算法参数分析与改进 290
12.3.4 粒子群优化算法的应用示例 291
12.4 其他群智能优化算法 292
12.4.1 人工鱼群算法 292
12.4.2 细菌觅食算法 295
12.4.3 混合蛙跳算法 297
12.4.4 果蝇优化算法 298
小结 299
习题12 300
第13章 争论与展望 301
13.1 争论 301
13.1.1 对人工智能理论的争论 301
13.1.2 对人工智能方法的争论 302
13.1.3 对人工智能技术路线的争论 302
13.1.4 对强弱人工智能的争论 303
13.2 展望 304
13.2.1 更新的理论框架 304
13.2.2 更好的技术集成 305
13.2.3 更成熟的应用方法 305
13.2.4 脑机接口 306
小结 306
习题13 307
附录A 参考答案 308
参考文献 309
|
| 內容試閱：
|
序
人工智能是一门研究如何用机器实现人类智能的学科，即用人工的方法和技术研制智能机器或智能系统来模仿、延伸和扩展人的智能，实现智能行为，诞生以来几经起伏，已经走过了60余年的曲折历程。
近年，随着云计算、大数据、深度学习等技术的快速发展，人工智能又在算力支撑、数据驱动、算法引领、需求牵引下强势兴起，并正在成为新一轮科技革命和产业变革的核心动力，以及全球科技实力竞争的重要标志。
继美国政府2016年10月发布《国家人工智能研究与发展策略规划》后，各国（或地区）政府先后发布了自己国家的人工智能发展规划，将人工智能上升为本国的国家战略。2017年7月，国务院发布《新一代人工智能发展规划》，在将人工智能上升为我国国家战略的同时，特别强调了人工智能技术对我国科技进步和产业发展的引领作用。
当今社会，人工智能作为时代需求的核心生产力，正在逐步改变着人类的生产、生活方式和社会经济活动模式，并必将成为人类认知自然、扩展智力、改变社会，走向智慧生活的重要工具。当然也应该看到，人工智能之路还相当漫长，且充满艰难曲折，人工智能的光明前景还需要广大教育工作者和科技工作者不懈的脚踏实地和辛勤耕耘。
中国矿业大学丁世飞教授编著、中国科学院计算技术研究所史忠植研究员主审的著作《人工智能导论（第3版）》系统地阐述了人工智能的基本原理、方法和应用技术，全面反映了人工智能领域国内外的最新研究进展和动态。本书是作者在多年教学与科研工作基础上撰写而成的，内容丰富、结构合理、深入浅出、学用结合，体现出严肃、严密、严格的优良作风，按照基本智能 典型应用 计算智能三个模块，以逐层深入的方式进行教学，以期达到不同专业之取舍、不同层次的教学研究之需要。
相信本书能成为我国智能科学与技术、人工智能、自动化、机器人工程等新工科专业学生学习人工智能或人工智能导论课程的优秀教材，也可供从事人工智能研究与应用的科技工作者学习参考。
王万森
中国人工智能学会原秘书长
中国人工智能学会教育工作委员会主任
2019年10月
前言
人工智能的诞生与发展是20世纪最伟大的科学成就之一，也是新世纪引领未来发展的主导学科之一。人工智能作为一门新理论、新方法、新技术、新思想不断涌现的前沿交叉学科，相关研究成果已经广泛应用到国防建设、工业生产、国民生活中的各领域。2017年3月，在十二届全国人大五次会议的政府工作报告中，人工智能首次被写入政府工作报告；2017年7月国务院发布《新一代人工智能发展规划》；2018年1月18日，2018人工智能标准化论坛发布了《人工智能标准化白皮书（2018版）》。2018年9月17日，世界人工智能大会在上海开幕，习近平致信祝贺：新一代人工智能正在全球范围内蓬勃兴起，为经济社会发展注入了新动能，正在深刻改变人们的生产生活方式。希望与会嘉宾围绕人工智能赋能新时代这一主题，深入交流、凝聚共识，共同推动人工智能造福人类。在信息网络和知识经济时代，人工智能正在引起越来越广泛的重视，必将为推动科学技术的进步和产业的发展发挥更大的作用。
人工智能是一门研究机器智能的学科，即用人工的方法和技术，研制智能机器或智能系统来模仿、延伸和扩展人的智能，实现智能行为。作为一门前沿和交叉学科，它的研究领域十分广泛，涉及机器学习、数据挖掘、计算机视觉、专家系统、自然语言理解、智能检索、模式识别、规划和机器人等领域。人工智能的长期目标是建立人类水平的人工智能。
与第2版相比，本书的主要改进如下。
第1章的绪论部分在第2版的基础上重新编写，使得内容更贴近实际、更加合理。
第3章的确定性推理，原为第4章，调整之后，与第2章的谓词逻辑表示相衔接，使得知识连贯性更为合理。
第4章的搜索策略，进行了大幅度修改，增加了重要算法的描述、代价树搜索等，使得内容更深入。
第5章的不确定性推理，同样进行了大幅度修改，主要涉及不确定性知识的表示问题和推理算法的描述问题。
第6章重新编写了6.1节机器学习概述内容，吸收了最新的一些研究进展。
第11章的模糊计算，为增加的一章，与第9章的神经计算、第10章的进化计算共同构成计算智能的主要内容，并称为人工智能领域的三驾马车。
第12章的群智能，为增加的一章。群智能优化作为一种新兴的演化计算技术，在实际中得到了广泛的应用，这是人工智能应用的典型领域之一，有助于读者理解人工智能的真谛。
同时，对第2版出现的错误进行了纠正，并对不合理之处进行了删减、增加或修改。
本书共13章，主要内容如下。
第1章绪论，主要讨论人工智能的概念、诞生与发展、研究内容、学派之争、应用领域和发展趋势等。
第2～5章为人工智能经典的三大基本技术，包括知识表示技术、搜索技术及推理技术，包括知识表示、确定性推理、搜索策略和不确定性推理。
第6～8章为人工智能的典型应用领域，包括机器学习、支持向量机、专家系统。
第9～11章为典型的计算智能方法，包括神经计算、进化计算和模糊计算。
第12章为群智能，主要阐述蚁群算法、粒子群算法等群智能优化算法。
第13章为人工智能的争论与展望，重点讨论人工智能存在的不同观点，以及对人类的影响与展望。
最后，附录给出了习题解答，弥补了目前大部分人工智能教材缺少习题答案的不足。
本书力求科学性、模块化、实用性。内容由浅入深、循序渐进，条理清晰。按照基本智能 典型应用 计算智能三个模块，以逐层深入的策略组织内容，以期达到不同专业之取舍、不同层次的教学研究之需要。
本书包含了作者多年的科研成果，也吸取了国内外同行的同类教材和有关文献的精华，这些丰硕成果是本书学术思想的重要源泉，为本书的编写提供了丰富的营养，在此谨向这些教材和文献的作者致以崇高的敬意。
本书的编写得到了中国矿业大学、中国科学院计算技术研究所、电子工业出版社等各级领导的支持与帮助，同时中国矿业大学中国科学院智能信息处理联合实验室的老师、同学自始至终做了大量的工作，特别是博士生张建、徐晓、王艳茹、张子晨、王丽娟、张成龙、孙玉婷，硕士生从林、秦悦、杜鹏、杜威、李景灿、史颂辉等，在此一并表示感谢。
本书得到了国家自然科学基金项目基于谱粒度的广义深度学习与应用研究（No.61672522）、中央高校基本科研业务费学科前沿科学研究专项重点项目基于大数据粒化的深度学习及其优化方法研究（No.2017XKZD03）等资助。
本书承蒙IFIP人工智能专业委员会机器学习和数据挖掘组主席、中国人工智能学会副理事长、中国计算机学会会士、中国人工智能学会会士、中国矿业大学兼职教授、中国科学院计算技术研究所博士生导师史忠植研究员担任主审。
由于人工智能是一门正在快速发展的年轻学科，新的理论、方法、技术及新的应用领域不断涌现，对其中的不少问题，作者还缺乏深入研究，再加上我们的学识水平有限、时间仓促，本书不可避免地存在各种错误和疏漏，敬请各位专家和读者不吝指教。
丁世飞
2019年10月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
