一、人工智能及其应用的图书信息

人工智能及其应用作者：王万良编著

出版社：高等教育出版社

出版时间： 2008-6-1

开本： 16开

I S B N： 9787040239560

定价：￥34.90全书共10章。第1章绪论；第2章知识表示；第3章确定性推理方法；第4章不确定性推理方法；第5章搜索求解策略；第6章专家系统；第7章机器学习；第8章人工神经网络及其应用；第9章遗传算法及其应用；第10章自然语言理解及其应用。附录中给出了本书的部分习题解答。

本书可作为计算机、信息、控制、机电以及其他专业本科生、研究生学习人工智能课程的教材。由于书中几大部分内容相对独立，教师可以根据课程的学时计划灵活选择相关内容。本书也可供希望掌握人工智能技术的研究人员与工程技术人员学习参考。第1章绪论

1.1人工智能的基本概念

1.2人工智能的发展简史

1.3人工智能研究的基本内容

1.4人工智能的主要研究领域

1.5小结

思考题

第2章知识表示

2.1知识与知识表示的概念

2.2一阶谓词逻辑表示法

2.3产生式表示法

2.4框架表示法

2.5语义网络表示法

2.6小结

思考题

习题

第3章确定性推理方法

3.1推理的基本概念

3.2自然演绎推理

3.3谓词公式化为子句集的方法

3.4海伯伦定理

3.5鲁宾逊归结原理

3.6归结反演

3.7应用归结原理求解问题

3.8小结

思考题

习题

第4章不确定性推理方法

4.1不确定性推理中的基本问题

4.2概率方法

4.3主观Bayes方法

4.4可信度方法

4.5证据理论

4.6模糊推理方法

4.7小结

思考题

习题

第5章搜索求解策略

5.1搜索的概念

5.2状态空间知识表示方法

5.3盲目的图搜索策略

5.4启发式图搜索策略

5.5与/或图搜索策略

5.6小结

思考题

习题

第6章专家系统

6.1专家系统的产生和发展

6.2专家系统的概念

6.3专家系统的工作原理

6.4知识获取

6.5专家系统的建立

6.6专家系统实例

6.7专家系统的开发工具

6.8小结

思考题

第7章机器学习

7.1机器学习的基本概念

7.2机械式学习

7.3指导式学习

7.4归纳学习

7.5类比学习

7.6解释学习

7.7机器学习方法的比较与展望

7.8小结

思考题

第8章人工神经网络及其应用

8.1神经元与神经网络

8.2 BP神经网络及其学习算法

8.3 BP神经网络的应用

8.4 Hopfield神经网络及其改进

8.5 Hopfield神经网络的应用

8.6 Hopfield神经网络优化方法求解JSP

8.7小结

思考题

习题

第9章遗传算法及其应用

9.1遗传算法的产生与发展

9.2遗传算法的基本算法

9.3遗传算法的改进算法

9.4基于遗传算法的生产调度方法

9.5小结

思考题

习题

第10章自然语言理解及其应用

10.1自然语言理解的概念与发展历史

10.2语音分析

10.3词法分析

10.4句法分析

10.5语义分析

10.6基于语料库的大规模真实文本的处理

10.7机器翻译

10.8语音识别

10.9小结

思考题

习题

附录部分习题解答

参考文献

二、有哪些有关人工智能的好书值得推荐

机器学习

Programming Collective Intelligence

本书以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从Web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。

全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数据子集）、搜索引擎核心技术（爬虫、索引、查询引擎、PageRank算法等）、搜索海量信息并进行分析统计得出结论的优化算法、贝叶斯过滤技术（垃圾邮件过滤、文本过滤）、用决策树技术实现预测和决策建模功能、社交网络的信息匹配技术、机器学习和人工智能应用等。本书是Web开发者、架构师、应用工程师等的绝佳选择。

Machine Learning for Hackers

Machine Learning for Hackers（中文译名：机器学习-实用案例解析）通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。这是一本实*型的书，重点放在讲怎么用R做数据挖掘，机器学习的算法更多的是通过黑箱的方式来讲，强调input,output含义，弱化机器学习算法细节。文中基本都是通过case来讲述怎么去解决问题，并且提供了原始数据供自己分析。适合两种人：

（1）有过机器学习的一些理论，缺少案例练习

（2）只需掌握怎么用通用的机器学习解决问题的人，只希望知道机器学习算法的大致思想，不想详细学习机器学习中的算法。

Machine Learning by Tom M Mitchell

《Machine Learning》展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。《Machine Learning》综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。《机器学习》可作为计算机专业本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。

The Elements of Statistical Learning

《The Elements of Statistical Learning》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《The Elements of Statistical Learning》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得全面的。

计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。

Learning from Data

这是一门机器学习（ML）的入门课程，涵盖其基本理论、算法及应用。机器学习是大数据及金融、医*、商业及科研应用的关键技术。机器学习使得计算系统能够自动学习如何通过数据中提取的信息执行目标任务。机器学习现已成为当下热门的研究领域之一，也是加州理工学院15个不同专业的本科生和研究生的研修课程。本课程在理论和实践中保持平衡，并涵盖了数学与启发式方法。

Pattern Recognition and Machine Learning

这本书是机器学习的神作之一，必读经典！

人工智能

Artificial Intelligence: A Modern Approach

《Artificial Intelligence: A Modern Approach》以详尽和丰富的资料，从理性智能体的角度，全面阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向，是一本难得的综合性教材。

Artificial Intelligence for Humans

这本书阐释了基本的人工智能算法，如维度、距离度量、聚类、误差计算和线性回归等，用了丰富的案例进行阐释。需要较好的数学基础。

Paradigm of Artificial Intelligence Programming

本书介绍了出色的编程范式和基本的AI理论，是致力于人工智能领域的小伙伴的必读之作。

Artificial Intelligence: A New Synthesis

本书提出了统一人工智能理论的新的集成方法，涵盖了诸如神经网络，计算机视觉，启发式搜索，贝叶斯网络等。进阶选手必读。

The Emotion Machine: Commonsense Thinking, Artificial Intelligence and the Future of Human Mind

在这部让人脑洞大开的图书中，科技先锋马文·明斯基继续了他极具创造力的研究，给我们呈现了一个全新的不可思议的人类大脑运转模式。

Artificial Intelligence(3rd Edition)

这是一本关于人工智能的入门书。没有编程基础的人也可以很容易地理解其中的解释和概念。化繁为简，但也包含了高层次的人工智能领域的探讨。

三、人工智能原理的图书目录

前言

第1章绪论1

1?1人工智能的起源与发展1

1?2人工智能学术流派4

1?3人工智能的研究与应用领域6

第2章知识表示和推理10

2?1知识和知识表示的基本概念10

2?2命题逻辑12

2?2?1语法13

2?2?2语义13

2?2?3命题演算形式系统14

2?3谓词逻辑15

2?3?1语法16

2?3?2语义19

2?4归结推理23

2?4?1子句集及其简化24

2?4?2海伯伦定理27

2?4?3Ro**nson归结原理31

2?4?4利用Ro**nson归结原理实现定

理证明35

2?4?5应用归结原理求解问题39

2?5产生式系统40

2?5?1产生式系统的组成部分42

2?5?2产生式系统的控制策略42

2?5?3产生式系统的推理方式43

2?6语义网络表示法44

2?6?1语义网络的结构44

2?6?2基本命题的语义网络表示45

2?6?3语义网络的知识表示方法47

2?6?4语义网络表示法的特点51

2?7框架表示法52

2?8状态空间表示法54

2?9与或图表示法55

第3章图搜索技术56

3?1问题的提出56

3?2状态图搜索58

3?2?1状态图搜索分类58

3?2?2穷举式搜索59

3?2?3启发式搜索62

3?2?4A算法及A*算法66

3?3与或图搜索68

3?3?1与或图68

3?3?2与或图搜索举例69

3?4博弈图搜索73

3?4?1博弈图73

3?4?2极大极小分析法74

3?4?3剪枝技术76

第4章专家系统78

4?1专家系统的概述78

4?1?1专家系统的概念与特点78

4?1?2专家系统和传统程序的区别78

4?2专家系统的结构79

4?3专家系统的设计原则与开发

过程80

4?3?1专家系统的设计原则80

4?3?2专家系统的开发过程81

4?4专家系统评价82

4?5专家系统开发工具82

4?5?1骨架型开发工具83

4?5?2语言型开发工具83

4?5?3构造辅助工具84

4?5?4支撑环境84

4?6Prolog语言85

4?6?1Prolog语言的特点85

4?6?2基本Prolog的程序结构86

4?6?3Prolog程序的运行机理88

4?6?4Turbo Prolog程序结构90

4?6?5Turbo Prolog的数据与表达式90

4?6?6Visual Prolog介绍96

4?6?7PIE：Prolog的推理机100

第5章模糊理论及应用102

5?1模糊理论的产生与发展102

5?2模糊理论的数学基础103

5?2?1经典**论的基本概念103

5?2?2模糊**的基本概念104

5?2?3模糊关系与复合运算107

5?3模糊逻辑109

5?3?1模糊条件语句109

5?3?2模糊推理113

5?4模糊控制系统及模糊控制器115

5?4?1模糊控制系统的基本结构115

5?4?2模糊控制器116

5?4?3模糊控制器的设计117

5?4?4模糊PID控制器的设计123

5?5模糊聚类分析与模糊模式

识别126

5?5?1模糊聚类分析127

5?5?2模糊模式识别131

第6章机器学习和神经网络133

6?1机器学习的基本概念和发

展史133

6?2经典机器学习方法134

6?3基于神经网络的学习137

6?3?1神经网络概述137

6?3?2人工神经网络模型138

6?3?3BP神经网络141

6?3?4RBF神经网络146

6?3?5CMAC神经网络150

6?3?6Hopfield神经网络152

6?3?7模糊神经网络157

6?3?8其他类型的神经网络介绍160

第7章混沌理论与混沌神经网络163

7?1混沌研究的起源与发展163

7?2混沌的基本特性164

7?3通往混沌的道路165

7?4混沌的识别166

7?4?1定性分析法167

7?4?2定量分析法168

7?5混沌应用169

7?6混沌神经网络171

7?6?1暂态混沌神经网络172

7?6?2其他类型的混沌神经网络*173

7?6?3G?S混沌神经网络应用实例174

第8章智能优化计算179

8?1优化问题的分类179

8?2优化算法分类180

8?3梯度优化计算181

8?4混沌优化181

8?5模拟退火算法184

8?6遗传算法185

8?6?1遗传算法中的关键参数与

*作185

8?6?2遗传算法中的基本流程192

8?6?3遗传算法的改进193

8?6?4遗传算法的实现194

8?7蚁群算法195

8?7?1蚁群算法的研究现状195

8?7?2基本蚁群算法的工作原理196

8?8粒子群算法及应用198

8?8?1基本粒子群优化算法198

8?8?2粒子群优化算法的拓扑结构202

8?9鱼群算法简介204

8?10混合优化计算方法简介204

参考文献206