人工智能：第2版 中文版 send.cm/d/7snE

eisbergeisberg

人工智能：第2版 中文版     燒喔  好好學習 讓eetoip壯大!!!


https://send.cm/d/7snE


[美] 史蒂芬·卢奇（Stephen Lucci），丹尼·科佩克（Danny Kopec） 著
史蒂芬·卢奇（Stephen Lucci），
　　拥有纽约市立大学的博士学位，目前在纽约市立大学教授计算机科学课程。他曾在高性能计算领域发表了多篇论文，并且是NASA 发起的MU-SPIN 项目的学术带头人。MU-SPIN 项目旨在为NASA 培养下一代*尖的科学家和工程师。

　　丹尼·科佩克（Danny Kopec），
　　拥有爱丁堡大学博士学位，目前在纽约市立大学布鲁克林学院和纽约市立大学研究生中心任教。他发表过多篇论文，并出版过几本书，还是一位国际象棋大师。

　　译者简介
　　林赐，
　　软件设计师、网络工程师，毕业于渥太华大学系统科学硕士专业，已翻译出版《Python神经网络编程》等多本技术图书。
第一部分引言
第　1章人工智能概述　2
1.0　引言　2
1.0.1　人工智能的定义　3
1.0.2　思维是什么？智能是什么？　3
1.1　图灵测试　5
1.1.1　图灵测试的定义　6
1.1.2　图灵测试的争议和批评　8
1.2　强人工智能与弱人工智能　9
1.3　启发法　11
1.3.1　长方体的对角线：解决一个相对简单但相关的
问题　11
1.3.2　水壶问题：向后倒推　12
1.4　识别适用人工智能来求解的问题　13
1.5　应用和方法　15
1.5.1　搜索算法和拼图　16
1.5.2　二人博弈　18
1.5.3　自动推理　18
1.5.4　产生式规则和专家系统　19
1.5.5　细胞自动机　20
1.5.6　神经计算　21
1.5.7　遗传算法　23
1.5.8　知识表示　23
1.5.9　不确定性推理　24
1.6　人工智能的早期历史　25
1.7　人工智能的近期历史到现在　29
1.7.1　博弈　29
1.7.2　专家系统　30
1.7.3　神经计算　31
1.7.4　进化计算　31
1.7.5　自然语言处理　32
1.7.6　生物信息学　34
1.8　新千年人工智能的发展　34
1.9　本章小结　36
第二部分　基础知识
第　2章盲目搜索　46
2.0　简介：智能系统中的搜索　46
2.1　状态空间图　47
2.2　生成与测试范式　49
2.2.1　回溯　50
2.2.2　贪婪算法　54
2.2.3　旅行销售员问题　56
2.3　盲目搜索算法　58
2.3.1　深度优先搜索　58
2.3.2　广度优先搜索　60
2.4　盲目搜索算法的实现和比较　63
2.4.1　实现深度优先搜索　63
2.4.2　实现广度优先搜索　65
2.4.3　问题求解性能的测量指标　65
2.4.4　DFS和BFS的比较　66
2.5　本章小结　68
第3章　知情搜索　74
3.0　引言　74
3.1　启发法　76
3.2　知情搜索（第一部分）——找到任何解　81
3.2.1　爬山法　81
3.2.2　最陡爬坡法　82
3.3　最佳优先搜索　84
3.4　集束搜索　87
3.5　搜索算法的其他指标　89
3.6　知情搜索（第二部分）——找到最佳解　90
3.6.1　分支定界法　90
3.6.2　使用低估值的分支定界法　95
3.6.3　采用动态规划的分支定界法　98
3.6.4　A*搜索　99
3.7　知情搜索（第三部分）—高级搜索算法　100
3.7.1　约束满足搜索　100
3.7.2　与或树　101
3.7.3　双向搜索　102
3.8　本章小结　104
第4章　博弈中的搜索　109
4.0　引言　109
4.1　博弈树和极小化极大评估　110
4.1.1　启发式评估　112
4.1.2　博弈树的极小化极大评估　112
4.2　具有α-剪枝的极小化极大算法　115
4.3　极小化极大算法的变体和改进　120
4.3.1　负极大值算法　120
4.3.2　渐进深化法　122
4.3.3　启发式续篇和地平线效应　122
4.4　概率游戏和预期极小化极大值算法　123
4.5　博弈理论　125
迭代的囚徒困境　126
4.6　本章小结　127
第5章　人工智能中的逻辑　133
5.0　引言　133
5.1　逻辑和表示　134
5.2　命题逻辑　135
5.2.1　命题逻辑—基础　136
5.2.2　命题逻辑中的论证　140
5.2.3　证明命题逻辑论证有效的第二种方法　141
5.3　谓词逻辑——简要介绍　143
5.3.1　谓词逻辑中的合一　144
5.3.2　谓词逻辑中的反演　146
5.3.3　将谓词表达式转换为子句形式　148
5.4　其他一些逻辑　151
5.4.1　二阶逻辑　151
5.4.2　非单调逻辑　152
5.4.3　模糊逻辑　152
5.4.4　模态逻辑　153
5.5　本章小结　153
第6章　知识表示　160
6.0　引言　160
6.1　图形草图和人类视窗　163
6.2　图和哥尼斯堡桥问题　166
6.3　搜索树　167
6.4　表示方法的选择　169
6.5　产生式系统　172
6.6　面向对象　172
6.7　框架法　173
6.8　脚本和概念依赖系统　176
6.9　语义网络　179
6.10　关联　181
6.11　新近的方法　182
6.11.1　概念地图　182
6.11.2　概念图　184
6.11.3　Baecker的工作　184
6.12　智能体：智能或其他　185
6.12.1　智能体的一些历史　188
6.12.2　当代智能体　189
6.12.3　语义网　191
6.12.4　IBM眼中的未来世界　191
6.12.5　作者的观点　192
6.13　本章小结　192
第7章　产生式系统　199
7.0　引言　199
7.1　背景　199
7.2　基本示例　202
7.3　CARBUYER系统　204
7.4　产生式系统和推导方法　208
7.4.1　冲突消解　211
7.4.2　正向链接　213
7.4.3　反向链接　214
7.5　产生式系统和细胞自动机　219
7.6　随机过程与马尔可夫链　221
7.7　本章小结　222
第三部分　基于知识的系统
第8章　人工智能中的不确定性　228
8.0　引言　228
8.1　模糊集　229
8.2　模糊逻辑　231
8.3　模糊推理　232
8.4　概率理论和不确定性　235
8.5　本章小结　239
第9章　专家系统　242
9.0　引言　242
9.1　背景　242
9.2　专家系统的特点　249
9.3　知识工程　250
9.4　知识获取　252
9.5　经典的专家系统　254
9.5.1　DENDRAL　254
9.5.2　MYCIN　255
9.5.3　EMYCIN　258
9.5.4　PROSPECTOR　259
9.5.5　模糊知识和贝叶斯规则　261
9.6　提高效率的方法　262
9.6.1　守护规则　262
9.6.2　Rete算法　263
9.7　基于案例的推理　264
9.8　更多最新的专家系统　269
9.8.1　改善就业匹配系统　269
9.8.2　振动故障诊断的专家系统　270
9.8.3　自动牙科识别　270
9.8.4　更多采用案例推理的专家系统　271
9.9　本章小结　271
第　10章机器学习第一部分　277
10.0　引言　277
10.1　机器学习：简要概述　277
10.2　机器学习系统中反馈的作用　279
10.3　归纳学习　280
10.4　利用决策树进行学习　282
10.5　适用于决策树的问题　283
10.6　熵　284
10.7　使用ID3构建决策树　285
10.8　其余问题　287
10.9　本章小结　288
第　11章机器学习第二部分：神经网络　291
11.0　引言　291
11.1　人工神经网络的研究　292
11.2　麦卡洛克-皮茨网络　294
11.3　感知器学习规则　295
11.4　增量规则　303
11.5　反向传播　308
11.6　实现关注点　313
11.6.1　模式分析　316
11.6.2　训练方法　317
11.7　离散型霍普菲尔德网络　318
11.8　应用领域　323
11.9　本章小结　330
第　12章受到自然启发的搜索　337
12.0　引言　337
12.1　模拟退火　338
12.2　遗传算法　341
12.3　遗传规划　349
12.4　禁忌搜索　353
12.5　蚂蚁聚居地优化　356
12.6　本章小结　359
第四部分　高级专题
第　13章自然语言处理　368
13.0　引言　368
13.1　概述：语言的问题和可能性　368
13.2　自然语言处理的历史　371
13.2.1　基础期（20世纪40年代和50年代）　371
13.2.2　符号与随机方法（1957—1970）　372
13.2.3　４种范式（1970—1983）　372
13.2.4　经验主义和有限状态模型（1983—1993）　373
13.2.5　大融合（1994—1999）　373
13.2.6　机器学习的兴起（2000—2008）　374
13.3　句法和形式语法　374
13.3.1　语法类型　374
13.3.2　句法解析：CYK算法　379
13.4　语义分析和扩展语法　380
13.4.1　转换语法　381
13.4.2　系统语法　381
13.4.3　格语法　382
13.4.4　语义语法　383
13.4.5　Schank系统　383
13.5　NLP中的统计方法　387
13.5.1　统计解析　387
13.5.2　机器翻译（回顾）和IBM的Candide系统　388
13.5.3　词义消歧　389
13.6　统计NLP的概率模型　390
13.6.1　隐马尔可夫模型　390
13.6.2　维特比算法　391
13.7　统计NLP语言数据集　392
13.7.1　宾夕法尼亚州树库项目　392
13.7.2　WordNet　394
13.7.3　NLP中的隐喻模型　394
13.8　应用：信息提取和问答系统　396
13.8.1　问答系统　396
13.8.2　信息提取　401
13.9　现在和未来的研究（基于CHARNIAK的工作）　401
13.10　语音理解　402
13.11　语音理解技术的应用　405
13.12　本章小结　410
第　14章自动规划　417
14.0　引言　417
14.1　规划问题　418
14.1.1　规划术语　418
14.1.2　规划应用示例　419
14.2　一段简短的历史和一个著名的问题　424
14.3　规划方法　426
14.3.1　规划即搜索　426
14.3.2　部分有序规划　430
14.3.3　分级规划　432
14.3.4　基于案例的规划　433
14.3.5　规划方法集锦　434
14.4　早期规划系统　435
14.4.1　STRIPS　435
14.4.2　NOAH　436
14.4.3　NONLIN　436
14.5　更多现代规划系统　437
14.5.1　O-PLAN　438
14.5.2　Graphplan　439
14.5.3　规划系统集锦　441
14.5.4　学习系统的规划方法　441
14.5.5　SCIBox自动规划器　442
14.6　本章小结　444
第五部分　现在和未来
第　15章机器人技术　452
15.0　引言　452
15.1　历史：服务人类、仿效人类、增强人类和替代人类　455
15.1.1　早期机械机器人　455
15.1.2　电影与文学中的机器人　458
15.1.3　20世纪早期的机器人　458
15.2　技术问题　464
15.2.1　机器人的组件　464
15.2.2　运动　467
15.2.3　点机器人的路径规划　468
15.2.4　移动机器人运动学　469
15.3　应用：21世纪的机器人　471
15.4　本章小结　479
第　16章高级计算机博弈　482
16.0　引言　482
16.1　跳棋：从塞缪尔到舍弗尔　483
16.1.1　在跳棋博弈中用于机器学习的启发式方法　486
16.1.2　填鸭式学习与概括　488
16.1.3　签名表评估和棋谱学习　489
16.1.4　含有奇诺克程序的世界跳棋锦标赛　490
16.1.5　彻底解决跳棋游戏　491
16.2　国际象棋：人工智能的“果蝇”　494
16.2.1　计算机国际象棋的历史背景　495
16.2.2　编程方法　496
16.2.3　超越地平线效应　505
16.2.4　DeepThought和DeepBlue与特级大师的比赛（1988—1995年）　505
16.3　计算机国际象棋对人工智能的贡献　507
16.3.1　在机器中的搜索　507
16.3.2　在搜索方面，人与机器的对比　508
16.3.3　启发式、知识和问题求解　509
16.3.4　蛮力：知识vs.搜索；表现vs.能力　510
16.3.5　残局数据库和并行计算　511
16.3.6　本书第一作者的贡献　514
16.4　其他博弈　514
16.4.1　奥赛罗　515
16.4.2　西洋双陆棋　516
16.4.3　桥牌　518
16.4.4　扑克　519
16.5　围棋：人工智能的“新果蝇”？　520
16.6　本章小结　523
第　17章大事记　532
17.0　引言　532
17.1　提纲挈领——概述　532
17.2　普罗米修斯归来　534
17.3　提纲挈领——介绍人工智能的成果　535
17.4　IBM的沃森-危险边缘挑战赛　539
17.5　21世纪的人工智能　543
17.6　本章小结　545
附录A　CLIPS示例：专家系统外壳　548
附录B　用于隐马尔可夫链的维特比算法的实现（由HarunIftikhar提供）　552
附录C　对计算机国际象棋的贡献：令人惊叹的WalterShawnBrowne　555
附录D　应用程序和数据　559
附录E　部分练习的答案　560

Zhangshuan

谢谢分享

soldierwuhan

谢谢分享

CmosLgh

https://bbs.eetop.cn/thread-919759-1-1.html

CmosLgh

学习学习哈！

lans0625

thanks

roseiyou

谢谢分享，速度好慢

Ralphjh

谢谢分享

xbboy

谢谢分享~~