新書推薦：
《
前端工程化——体系架构与基础建设（微课视频版）
》
售價：NT$
454.0
《
《诗经》全注全译全本彩图 全书系列50万册焕新升级典藏纪念版
》
售價：NT$
2545.0
《
道义与天下：中国知识分子精神的古代源流与当代塑造
》
售價：NT$
407.0
《
无病到天年2 （全新修订版）大病预防先除湿
》
售價：NT$
347.0
《
大钱：如何选择成长股
》
售價：NT$
505.0
《
认知行为疗法：临床工作指南
》
售價：NT$
398.0
《
关系5.0
》
售價：NT$
612.0
《
翻篇是一种能力
》
售價：NT$
296.0
|
| 內容簡介： |
|
人工智能是研究解释和模拟人类智能、智能行为及其规律的一门学科，建立智能信息处理理论，研制智能机器和智能系统，延伸和扩展人类智能。 《高级人工智能（第三版）》共16章。第1～6章讨论人工智能的认知问题和自动推理，论述逻辑基础、约束推理、定性推理、基于案例的推理、概率推理；第7～14章重点讨论机器学习和知识发现，包括归纳学习、支持向量机、解释学习、强化学习、无监督学习、关联规则、进化计算、知识发现；第15章阐述主体计算；第16章讨论互联网智能。与《高级人工智能（第三版）》第二版相比，增加了两章新内容。其他章节也作了较大的修改和补充。
|
| 目錄：
|
|
目录《智能科学技术著作丛书》序前言第1章 结论 11.1 人工智能的渊源 11.2 人工智能的认知问题 31.3 思维的层次模型 41.4 符号智能 61.5 人工智能的研究方法 71.5.1 认知学派 81.5.2 逻辑学派 81.5.3 行为学派 91.6 自动推理 91.7 机器学习 111.8 分布式人工智能 131.9 智能系统 15习题 19第2章 人工智能逻辑 202.1 概述 202.2 逻辑程序设计 222.2.1 逻辑程序定义 232.2.2 Prolog数据结构和递归 242.2.3 SLD 归结 252.2.4 非逻辑成分 272.3 封闭世界假设 292.4 非单调逻辑 312.5 默认逻辑 332.6 限制逻辑 392.7 非单调逻辑NML 422.8 自认知逻辑 442.8.1 Moore 系统品 442.8.2 *逻辑 452.8.3 标准型定理 462.8.4 *记号以及稳定扩张的一种判定过程 472.9 真值维护系统 502.10 情景演算 552.10.1 刻画情景演算的多类逻辑 562.10.2 LR中的基本动作理论 572.10.3 ConGolog 572.11 框架问题 582.11.1 积木世界 592.11.2 框架公理 592.11.3 框架问题解决方案的准则 612.11.4 框架问题的非单调解决方案 632.12 动态描述逻辑DDL 672.12.1 描述逻辑 672.12.2 动态描述逻辑的语法 692.12.3 动态描述逻辑的语义 71习题 74第3章 约束推理 763.1 概述 763.2 回溯法 813.3 约束传播 823.4 约束传播在树搜索中的作用 843.5 智能回溯与真值维护 853.6 变量例示次序与赋值次序 863.7 局部修正搜索法 863.8 基于图的回跳法 873.9 基于影响的回跳法 883.10 约束关系运算的处理3.10.1 恒等关系的单元共享策略 923.10.2 区间传播 933.10.3 不等式图 943.10.4 不等式推理 953.11 约束推理系统 963.12 ILOG Solver 99习题 105第4章 定性推理 1064.1 概述 1064.2 定性推理的基本方法 1074.3 定性模型推理 1084.4 定性进程推理 1094.5 定性仿真推理 1134.5.1 应性状态转换 1144.5.2 QSIM 算法 1144.6 代数方法4.7 几何空间定性推理 1174.7.1 壁间逻辑 1184.7.2 空间和时间关系描述 1204.7.3 空间和时间逻辑的应用 1214.7.4 Rande11算法 122习题 123第5章 基于案例的推理 1245.1 概述 1245.2 类比的形式定义 1255.3 相似性关系 1265.4 基于案例推理的工作过程 1305.5 案例的表示 1335.6 案例的索引 1365.7 案例的检索 1375.8 案例的复用 1395.9 案例的保存 1415.10 基于例示的学习 1415.10.1 基于例示学习的任务 1425.10.2 IB1算法 1435.10.3 降低存储要求 1455.11 案例工程 1475.12 中心渔场预报专家系统 1495.12.1 问题分析与案例表示 1505.12.2 相似性度量 1515.12.3 索引与检索 1525.12.4 基于框架的修正 1535.12.5 实验结果 155习题 156第6章 贝叶斯网络 1586.1 概述 1586.1.1 贝叶斯网络的发展历史 1586.1.2 贝叶斯方法的基本观点 1596.1.3 贝叶斯网络在数据挖掘中的应用 1596.2 贝叶斯概率基础 1626.2.1 概率论基础 1626.2.2 贝叶斯概率 1646.3 贝叶斯问题的求解 1676.3.1 几种常用的先验分布选取方法 1686.3.2 计算学习机制 1706.3.3 贝叶斯问题的求解步骤 1726.4 简单贝叶斯学习模型 1746.4.1 简单贝叶斯学习模型的介绍 1746.4.2 简单贝叶斯模型的提升 1766.4.3 提升简单贝叶斯分类的计算复杂性 1796.5 贝叶斯网络的建造 1796.5.1 贝叶斯网络的结构及建立方法 1796.5.2 学习贝叶斯网络的概率分布 1806.5.3 学习贝叶斯网络的网络结构 1826.6 贝叶斯潜在语义模型 1866.7 半监督文本挖掘算法 1906.7.1 网页聚类 1906.7.2 对含有潜在类别主题词文档的类别标注 1916.7.3 基于简单贝叶斯模型学习标注和未标注样本 192习题 196第7章 归纳学习 1977.1 概述 1977.2 归纳学习的逻辑基础 1987.2.1 归纳学习的一般模式 1987.2.2 概念获取的条件 2007.2.3 问题背景知识 2017.2.4 选择型和构造型泛化规则 2027.3 偏置变换 2057.4 变型空间方法 2067.4.1 消除候选元素算法 2087.4.2 两种改进算法 2107.5 AQ 归纳学习算法 2127.6 CLS 学习算法 2137.7 ID3 学习算法 2147.7.1 信息论简介 2147.7.2 属性选择 2147.7.3 ID3算法步骤 2157.7.4 ID3算法应用举例 2167.7.5 C4.5算法 2187.8 单变量决策树的并行处理 2197.8.1 并行决策树算法 2197.8.2 串行算法的并行化 2227.9 归纳学习的计算理论 2237.9.1 Gold学习理论 2247.9.2 模型推理系统 2257.9.3 Valiant学习理论 226习题 228第8章 统计学习 2308.1 统计方法 2308.2 统计学习问题 2318.2.1 经验风险 2318.2.2 VC维 2318.3 学习过程的一致性 2328.3.1 学习过程一致性的**定义 2328.3.2 学习理论的重要定理 2328.3.3 VC熵 2338.4 结构风险*小归纳原理 2348.5 支持向量机 2368.5.1 线性可分 2378.5.2 线性不可分 2398.6 核函数 2408.6.1 多项式核函数 2408.6.2 径向基函数 2418.6.3 多层感知机 2418.6.4 动态核函数 2418.7 邻近支持向量机 2438.8 极端支持向量机 246习题 249第9章 解释学习 2509.1 概述 2509.2 解释学习模型 2519.3 解释泛化学习方法 2529.3.1 基本原理 2529.3.2 解释与泛化交替进行的解释泛化方法 2559.4 全局取代解释泛化方法 2569.5 解释特化学习方法 2609.6 解释泛化的逻辑程序 2629.6.1 工作原理 2639.6.2 元解释器 2649.6.3 实验例子 2649.7 基于知识块的SOAR 系统 2669.8 可操作性 2689.8.1 PRODIGY 的效用问题 2709.8.2 SOAR 系统的可操作性 2719.8.3 MR5-EBG的可操作性 2729.8.4 META-LEX的处理方法 2729.9 不完全领域知识下的解释学习 2739.9.1 不完全领域知识 2739.9.2 逆归结方法 2739.9.3 基于深层知识的方法 275习题 276第10章 强化学习 27710.1 概述 27710.2 强化学习模型 27810.3 动态规划 28110.4 蒙特卡罗方法 28310.5 时序差分学习 28410.6 Q 学习 28710.7 强化学习中的函数估计 28910.8 强化学习的应用 291习题 293第11章 无监督学习 29411.1 概述 29411.2 相似性度量 2951l.2.1 相似系数 29511.2.2 属性的相似度量 29711.3 划分方法 29811.3.1 k均值算法 29811.3.2 k中心点算法 29911.3.3 大型数据库的划分方法 29911.4 层次聚类方法 30111.4.1 BIRCH算法 30211.4.2 CURE算法 30211.4.3 ROCK算法 30311.5 基于密度的聚类 30411.6 基于网格方法 30711.7 基于模型的方法 30911.8 模糊聚类 31111.8.1 传递闭包法 31111.8.2 动态直接聚类法 31111.8.3 最大树法 31211.9 蚁群聚类方法 31411.9.1 基本模型 31411.9.2 LF算法 31511.9.3 基于群体智能的聚类算法CSI 31511.9.4 混合聚类算法CSIM 31811.10 聚类方法的评价 319习题 321第12章 关联规则 32212.1 概述 32212.2 基本概念 32212.3 二值型关联规则挖掘 32512.3.1 AIS 算法 32512.3.2 SETM 算法 32612.3.3 Apriori 算法 32712.3.4 Apriori 算法的改进 33012.4 频繁模式树挖掘算法 33112.5 垂直挖掘算法 33412.6 挖掘关联规则的数组方法 33712.7 频繁闭项集的挖掘算法 33912.8 最大频繁项集的挖掘算法 34112.9 增量式关联规则挖掘 34512.10 模糊关联规则的挖掘 34812.11 任意多表间关联规则的并行挖掘 35112.11.1 问题的形式描述 35112.11.2 单表内大项集的并行计算 35212.11.3 任意多表
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
