●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人工智能的新发展
1.4本书的主要内容和组织结构
1.5本章小结
参考文献
篇逻辑智能
第2章知识表示
2.1本体论
2.1.1本体的定义
2.1.2本体的构建
2.1.3基本形式化本体
2.2资源描述框架和本体语言
2.2.1RDF的基本结构
2.2.2RDFS本体语言
2.2.3OWL语言
2.3知识图谱
2.3.1知识图谱的基本概念
2.3.2知识图谱的构建方法
2.3.3本体/知识图谱的应用
2.4本章小结
参考文献
第3章逻辑推理与专家系统
3.1命题逻辑
3.1.1命题的基本概念及其运算
3.1.2命题逻辑的推理规则
3.1.3鲁滨逊归结原理
3.2一阶逻辑
3.2.1一阶逻辑的基本概念
3.2.2合一算法
3.2.3前向链接和反向链接
3.2.4归结证明
3.3Herbrand定理
3.4逻辑系统编程语言
3.4.1Prolog
3.4.2LISP
3.5专家系统
3.6本章小结
参考文献
第4章搜索智能
4.1图搜索
4.1.1宽度优先搜索
4.1.2深度优先搜索
4.1.3A*搜索
4.2局部搜索
4.2.1爬山法
4.2.2牛顿法
4.2.3梯度下降法
4.3本章小结
参考文献
第5章自动规划
5.1规划问题的形式化表示
5.2状态空间规划
5.3规划空间规划
5.4规划图
5.5时序规划
5.6本章小结
参考文献
第6章逻辑系统中的学习
6.1归纳逻辑程序设计
6.2解释学习
6.3关联学习
6.4本章小结
参考文献
第二篇计算智能
第7章概率推理
7.1贝叶斯网络推理
7.1.1贝叶斯网络的基本概念
7.1.2贝叶斯网络的精确推理
7.1.3贝叶斯网络的近似推理
7.2马尔可夫网络推理
7.3隐马尔可夫模型
7.4卡尔曼滤波
7.5动态贝叶斯网络
7.6时序概率推理的一般方法
7.7证据理论
7.8本章小结
参考文献
第8章模糊系统
8.1模糊逻辑
8.2粗糙集
8.3本章小结
参考文献
第9章样例学习
9.1决策树
9.1.1决策树的学习算法
9.1.2属性重要度计算
9.1.3泛化与过拟合
9.2回归
9.2.1线性回归
9.2.2逻辑回归
9.2.3正则化
9.3支持向量机
9.4非参数化学习
9.5集成学习
9.5.1Boosting
9.5.2Bagging
9.6统计机器学习
9.6.1完全观测下的概率学习
9.6.2部分观测下的概率学习
9.6.3无向概率图学习
9.7无监督学习
9.7.1聚类
9.7.2降维
9.8本章小结
参考文献
0章人工神经网络
10.1单/多层前馈神经网络
10.1.1单层前馈神经网络
10.1.2多层前馈神经网络
10.2深度神经网络
10.2.1卷积神经网络
10.2.2循环神经网络
10.3神经网络的生成式模型
10.3.1受限玻尔兹曼机
10.3.2生成式对抗网络
10.4本章小结
参考文献
1章强化学习
11.1马尔可夫决策过程
11.1.1完全可观察的马尔可夫决策过程
11.1.2部分可观察的马尔可夫决策过程
11.2被动强化学习
11.2.1蒙特卡洛学习
11.2.2时序差分学习
11.3主动强化学习
11.4深度强化学习
11.4.1基于价值的深度强化学习
11.4.2基于策略的深度强化学习
11.5本章小结
参考文献
2章进化计算与群体智能
12.1遗传算法
12.2模拟退火算法
12.3蚁群算法
12.4粒子群优化
12.5人工免疫系统
12.6本章小结
参考文献
第三篇平行智能
3章分布式人工智能与多agent系统
13.1分布式问题求解
13.1.1分布式约束满足
13.1.2分布式优化
13.2博弈搜索
13.2.1标准式博弈
13.2.2扩展式博弈
13.2.3极小极大搜索
13.2.4蒙特卡洛树搜索
13.2.5博弈的其他类型
13.3机制设计
13.3.1投票
13.3.2拍卖
13.3.3公共资源分配
13.4本章小结
参考文献
4章平行智能
14.1平行系统和ACP方法
14.2人工社会与复杂系统研究
14.3人工系统的构建
14.3.1基础人口合成
14.3.2agent的体系结构和行为建模
14.4人工系统的初步应用
14.4.1应急疏散
14.4.2人口演化
14.5平行学习
14.6本章小结
参考文献
5章知识自动化与社会智能
15.1知识自动化
15.1.1知识自动化的基本思想
15.1.2知识自动化与平行智能的关系
15.2社会智能
15.2.1社会计算：社会智能的实现方式
15.2.2社会计算与平行智能的关系
15.3本章小结
参考文献