《智能科学技术著作丛书》序

前言

第1章 绪论

1.1 人工智能的渊源

1.2 人工智能的认知问题

1.3 思维的层次模型

1.4 符号智能

1.5 人工智能的研究方法

1.5.1 认知学派

1.5.2 逻辑学派

1.5.3 行为学派

1.6 自动推理

1.7 机器学习

1.8 分布式人工智能

1.9 智能系统

习题

第2章 人工智能逻辑

2.1 概述

2.2 逻辑程序设计

2.2.1 逻辑程序定义

2.2.2 Prolog数据结构和递归

2.2.3 SLD归结

2.2.4 非逻辑成分:CUT

2.3 封闭世界假设

2.4 非单调逻辑

2.5 默认逻辑

2.6 限制逻辑

2.7 非单调逻辑NML

2.8 自认知逻辑

2.8.1 Moore系统￡_B

2.8.2 O￡逻辑

2.8.3 标准型定理

2.8.4 ◇-记号以及稳定扩张的一种判定过程

2.9 真值维护系统

2.10 情景演算

2.10.1 刻画情景演算的多类逻辑

2.10.2 LR中的基本动作理论

2.10.3 ConGolog

2.11 框架问题

2.11.1 积木世界

2.11.2 框架公理

2.11.3 框架问题解决方案的准则

2.11.4 框架问题的非单调解决方案

2.12 动态描述逻辑DDL

2.12.1 描述逻辑

2.12.2 动态描述逻辑的语法

2.12.3 动态描述逻辑的语义

习题

第3章 约束推理

3.1 概述

3.2 回溯法

3.3 约束传播

3.4 约束传播在树搜索中的作用

3.5 智能回溯与真值维护

3.6 变量例示次序与赋值次序

3.7 局部修正搜索法

3.8 基于图的回跳法

3.9 基于影响的回跳法

3.10 约束关系运算的处理

3.10.1 恒等关系的单元共享策略

3.10.2 区间传播

3.10.3 不等式图

3.10.4 不等式推理

3.11 约束推理系统

3.12 ILOG Solver

习题

第4章 定性推理

4.1 概述

4.2 定性推理的基本方法

4.3 定性模型推理

4.4 定性进程推理

4.5 定性仿真推理

4.5.1 定性状态转换

4.5.2 QSIM算法

4.6 代数方法

4.7 几何空间定性推理

4.7.1 空间逻辑

4.7.2 空间和时间关系描述

4.7.3 空间和时间逻辑的应用

4.7.4 Randell算法

习题

第5章 基于案例的推理

5.1 概述

5.2 类比的形式定义

5.3 相似性关系

5.4 基于案例推理的工作过程

5.5 案例的表示

5.6 案例的索引

5.7 案例的检索

5.8 案例的复用

5.9 案例的保存

5.10 基于例示的学习

5.10.1 基于例示学习的任务

5.10.2 IB1算法

5.10.3 降低存储要求

5.11 案例工程

5.12 中心渔场预报专家系统

5.12.1 问题分析与案例表示

5.12.2 相似性度量

5.12.3 索引与检索

5.12.4 基于框架的修正

5.12.5 实验结果

习题

第6章 贝叶斯网络

6.1 概述

6.1.1 贝叶斯网络的发展历史

6.1.2 贝叶斯方法的基本观点

6.1.3 贝叶斯网络在数据挖掘中的应用

6.2 贝叶斯概率基础

6.2.1 概率论基础

6.2.2 贝叶斯概率

6.3 贝叶斯问题的求解

6.3.1 几种常用的先验分布选取方法

6.3.2 计算学习机制

6.3.3 贝叶斯问题的求解步骤

6.4 简单贝叶斯学习模型

6.4.1 简单贝叶斯学习模型的介绍

6.4.2 简单贝叶斯模型的提升

6.4.3 提升简单贝叶斯分类的计算复杂性

6.5 贝叶斯网络的建造

6.5.1 贝叶斯网络的结构及建立方法

6.5.2 学习贝叶斯网络的概率分布

6.5.3 学习贝叶斯网络的网络结构

6.6 贝叶斯潜在语义模型

6.7 半监督文本挖掘算法

6.7.1 网页聚类

6.7.2 对含有潜在类别主题词文档的类别标注

6.7.3 基于简单贝叶斯模型学习标注和未标注样本

习题

第7章 归纳学习

7.1 概述

7.2 归纳学习的逻辑基础

7.2.1 归纳学习的一般模式

7.2.2 概念获取的条件

7.2.3 问题背景知识

7.2.4 选择型和构造型泛化规则

7.3 偏置变换

7.4 变型空间方法

7.4.1 消除候选元素算法

7.4.2 两种改进算法

7.5 AQ归纳学习算法

7.6 CLS学习算法

7.7 ID3学习算法

7.7.1 信息论简介

7.7.2 属性选择

7.7.3 ID3算法步骤

7.7.4 ID3算法应用举例

7.7.5 C4.5算法

7.8 单变量决策树的并行处理

7.8.1 并行决策树算法

7.8.2 串行算法的并行化

7.9 归纳学习的计算理论

7.9.1 Gold学习理论

7.9.2 模型推理系统

7.9.3 Valiant学习理论

习题

第8章 统计学习

8.1 统计方法

8.2 统计学习问题

8.2.1 经验风险

8.2.2 VC维

8.3 学习过程的一致性

8.3.1 学习过程一致性的经典定义

8.3.2 学习理论的重要定理

8.3.3 VC熵

8.4 结构风险最小归纳原理

8.5 支持向量机

8.5.1 线性可分

8.5.2 线性不可分

8.6 核函数

8.6.1 多项式核函数

8.6.2 径向基函数

8.6.3 多层感知机

8.6.4 动态核函数

8.7 邻近支持向量机

8.8 极端支持向量机

习题

第9章 解释学习

9.1 概述

9.2 解释学习模型

9.3 解释泛化学习方法

9.3.1 基本原理

9.3.2 解释与泛化交替进行的解释泛化方法

9.4 全局取代解释泛化方法

9.5 解释特化学习方法

9.6 解释泛化的逻辑程序

9.6.1 工作原理

9.6.2 元解释器

9.6.3 实验例子

9.7 基于知识块的SOAR系统

9.8 可操作性

9.8.1 PRODIGY的效用问题

9.8.2 SOAR系统的可操作性

9.8.3 MRS-EBG的可操作性

9.8.4 META-LEX的处理方法

9.9 不领域知识下的解释学习

9.9.1 不领域知识

9.9.2 逆归结方法

9.9.3 基于深层知识的方法

习题

第10章 强化学习

10.1 概述

10.2 强化学习模型

10.3 动态规划

10.4 蒙特卡罗方法

10.5 时序差分学习

10.6 Q学习

10.7 强化学习中的函数估计

10.8 强化学习的应用

习题

第11章 无监督学习

11.1 概述

11.2 相似性度量

11.2.1 相似系数

11.2.2 属性的相似度量

11.3 划分方法

11.3.1 k均值算法

11.3.2 k中心点算法

11.3.3 大型数据库的划分方法

11.4 层次聚类方法

11.4.1 BIRCH算法

11.4.2 CURE算法

11.4.3 ROCK算法

11.5 基于密度的聚类

11.6 基于网格方法

11.7 基于模型的方法

11.8 模糊聚类

11.8.1 传递闭包法

11.8.2 动态直接聚类法

11.8.3 较大树法

11.9 蚁群聚类方法

11.9.1 基本模型

11.9.2 LF算法

11.9.3 基于群体智能的聚类算法CSI

11.9.4 混合聚类算法CSIM

11.10 聚类方法的评价

习题

第12章 关联规则

12.1 概述

12.2 基本概念

12.3 二值型关联规则挖掘

12.3.1 AIS算法

12.3.2 SETM算法

12.3.3 Apriori算法

12.3.4 Apriori算法的改进

12.4 频繁模式树挖掘算法

12.5 垂直挖掘算法

12.6 挖掘关联规则的数组方法

12.7 频繁闭项集的挖掘算法

12.8 较大频繁项集的挖掘算法

12.9 增量式关联规则挖掘

12.10 模糊关联规则的挖掘

12.11 任意多表间关联规则的并行挖掘

12.11.1 问题的形式描述

12.11.2 单表内大项集的并行计算

12.11.3 任意多表间大项集的生成

12.11.4 跨表间关联规则的提取

12.12 基于分布式系统的关联规则挖掘算法

12.12.1 候选集的生成

12.12.2 候选数据集的本地剪枝

12.12.3 候选数据集的全局剪枝

12.12.4 合计数轮流检测

12.12.5 分布式挖掘关联规则的算法

习题

第13章 进化计算

13.1 概述

13.2 进化系统理论的形式模型

13.3 达尔文进化算法

13.4 基本遗传算法

13.4.1 基本遗传算法的构成要素

13.4.2 基本遗传算法的一般框架

13.5 遗传算法的数学理论

13.5.1 模式定理

13.5.2 积木块假设

13.5.3 隐并行性

13.6 遗传算法的编码方法

13.6.1 二进制编码方法

13.6.2 格雷码编码方法

13.6.3 浮点数编码方法

13.6.4 符号编码方法

13.6.5 多参数级联编码方法

13.6.6 多参数杂交编码方法

13.7 适应度函数

13.8 遗传操作

13.8.1 选择算子

13.8.2 杂交算子

13.8.3 变异算子

13.8.4 反转操作

13.9 变长度染色体遗传算法

13.10 小生境遗传算法

13.11 混合遗传算法

13.12 并行遗传算法

13.13 分类器系统

习题

第14章 知识发现

14.1 概述

14.2 知识发现的任务

14.3 知识发现的工具

14.4 MSMiner的体系结构

14.4.1 数据挖掘模型

14.4.2 系统功能

14.4.3 体系结构

14.5 分布式知识发现

14.5.1 概述

14.5.2 基于网格的分布式知识发现

14.5.3 基于云平台的分布式知识发现

习题

第15章 主体计算

15.1 概述

15.2 分布式问题求解

15.2.1 分布式人工智能的兴起

15.2.2 分布式问题求解系统的分类

15.2.3 分布式问题求解系统的求解过程

15.3 主体理论

15.3.1 理性主体

15.3.2 BDI主体模型

15.4 主体结构

15.4.1 主体基本结构

15.4.2 慎思主体

15.4.3 反应主体

15.4.4 混合结构主体

15.4.5 InteRRaP主体

15.4.6 MAPE主体

15.5 主体通信语言ACL

15.5.1 主体间通信概述

15.5.2 FIPAACL消息

15.5.3 交互协议

15.5.4 ACL语义学的形式化基础

15.6 协调和协作

15.6.1 引言

15.6.2 合同网

15.6.3 部分全局规划

15.6.4 基于约束传播的规划

15.6.5 基于生态学的协作

15.6.6 基于对策论的协商

15.6.7 基于意图的协商

15.7 移动主体

15.8 多主体环境

习题

第16章 互联网智能

16.1 概述

16.2 语义Web

16.2.1 语义Web的层次模型

16.2.2 本体的基本概念

16.2.3 本体描述语言OWL

16.3 本体知识管理

16.3.1 Protégé

16.3.2 KAON

16.3.3 KMSphere

16.4 Web挖掘

16.4.1 Web内容挖掘

16.4.2 Web结构挖掘

16.4.3 Web使用挖掘

16.5 搜索引擎

16.6 Web技术的演化

16.6.1 Web1.0

16.6.2 Web2.0

16.6.3 Web3.0

16.6.4 Web4.0

16.7 集体智能

16.7.1 引言

16.7.2 集体智能系统

16.7.3 全球脑

16.7.4 人工生命

16.8 展望

习题

参考文献