包郵 人工智能與模式識別

第1章 緒論 1.1 人工智能的概念 1.1.1 人工智能的解釋 1.1.2 人工智能的研究目標 1.2 人工智能發(fā)展簡史 1.2.1 人工智能孕育期（1943-1955年） 1.2.2 人工智能誕生（1956年） 1.2.3 早期的成功與期望（1956-1969年） 1.2.4 人工智能 次低谷（1966-1973年） 1.2.5 基于知識系統(tǒng)的崛起（1969-1986年） 1.2.6 人工智能第二次低谷（1987-1993年） 1.2.7 人工智能平穩(wěn)發(fā)展期（1993-2011年） 1.2.8 人工智能蓬勃發(fā)展時期（2012年至今） 1.3 人工智能各學派的認知觀 1.3.1 符號主義學派 1.3.2 聯(lián)結主義學派 1.3.3 行為主義學派 1.3.4 三大學派的關系 1.4 人工智能的典型研究和應用領域 1.4.1 機器學習 1.4.2 模式識別 1.4.3 數(shù)據(jù)挖掘 1.4.4 計算智能 1.4.5 專家系統(tǒng) 1.4.6 自動程序設計 1.4.7 機器人學 1.5 本章小結 習題 第2章 智能Agent 2.1 Agent的概念及其理性行為 2.1.1 Agent的概念 2.1.2 Agent的特性 2.1.3 Agent的理性 2.2 Agernt的任務環(huán)境 2.2.1 任務環(huán)境規(guī)范描述 2.2.2 任務環(huán)境的性質(zhì) 2.3 Agent的典型結構 2.3.1 簡單反射型Agent 2.3.2 模型反射型Agent 2.3.3 目標驅(qū)動型Agent 2.3.4 學習型Agent 2.4 本章小結 習題 第3章 確定性知識表示與推理 3.1 確定性知識系統(tǒng)概述 3.1.1 確定性知識表示的概念 3.1.2 確定性知識推理概述 3.2 確定性知識的表示 3.2.1 謂詞邏輯表示法 3.2.2 產(chǎn)生式表示法 3.2.3 語義網(wǎng)絡表示法 3.3 確定性知識推理 3.3.1 產(chǎn)生式推理 3.3.2 自然演繹推理 3.3.3 歸結演繹推理 3.4 本章小結 習題 第4章 搜索策略 4.1 搜索概述 4.1.1 搜索的含義 4.1.2 狀態(tài)空間求解方法 4.1.3 問題歸約求解方法 4.1.4 圖搜索策略 4.2 狀態(tài)空間的盲目搜索 4.2.1 廣度優(yōu)先搜索 4.2.2 深度優(yōu)先搜索 4.3 狀態(tài)空間的啟發(fā)式搜索 4.3.1 啟發(fā)性信息及估價函數(shù) 4.3.2 A算法 4.3.3 A*算法 4.4 “與/或樹”的啟發(fā)式搜索 4.4.1 解樹的代價估計 4.4.2 希望解樹判定與啟發(fā)式搜索過程 4.5 博弈樹及其搜索 4.5.1 博弈的含義 4.5.2 極大/極小過程 4.5.3 α-β剪枝 4.6 本章小結 習題 第5章 智能優(yōu)化算法 5.1 智能優(yōu)化算法概述 5.1.1 優(yōu)化問題的復雜度 5.1.2 典型智能優(yōu)化算法 5.1.3 鄰域的概念 5.1.4 局部搜索算法 5.2 模擬退火算法 5.2.1 模擬退火算法的原理 5.2.2 模擬退火算法的描述 5.2.3 模擬退火算法的應用 5.2.4 模擬退火算法的改進 5.3 遺傳算法 5.3.1 遺傳算法的原理 5.3.2 遺傳算法的實現(xiàn) 5.3.3 遺傳算法的應用 5.3.4 遺傳算法的改進 5.4 其他典型智能優(yōu)化算法簡介 5.4.1 蟻群優(yōu)化算法 5.4.2 粒子群算法 5.5 本章小結 習題 第6章 特征提取與選擇 6.1 模式識別基礎 6.1.1 模式識別的基本問題 6.1.2 模式識別的基本流程 6.1.3 模式識別中的隨機矢量 6.1.4 模式識別方法的性能評估 6.1.5 模式識別中的基本原則 6.2 特征提取與選擇概述 6.3 類別可分性判據(jù) 6.3.1 基于幾何距離的可分性判據(jù) 6.3.2 基于概率分布的可分性判據(jù) 6.3.3 基于后驗概率的可分性判據(jù) 6.4 典型特征選擇方法 6.4.1 搜索特征選擇方法 6.4.2 次優(yōu)搜索特征選擇方法 6.5 典型特征提取方法 6.5.1 主成分分析法 6.5.2 線性判別分析法 6.6 本章小結 習題 第7章 基于判別函數(shù)的分類方法 7.1 線性判別函數(shù) 7.1.1 線性判別函數(shù)的基本概念 7.1.2 兩類分類問題的線性判別規(guī)則 7.1.3 多類分類問題的線性判別規(guī)則 7.2 非線性判別函數(shù) 7.2.1 廣義線性判別函數(shù) 7.2.2 二次判別函數(shù)法 7.2.3 分段線性判別函數(shù)法 7.3 支持向量機 7.3.1 硬間隔SVM 7.3.2 軟間隔SVM 7.3.3 核SVM 7.4 本章小結 習題 第8章 基于概率的分類方法 8.1 貝葉斯決策論 8.1.1 從模式識別的角度認識貝葉斯公式 8.1.2 小誤判概率準則 8.1.3 小損失判決準則 8.1.4 樸素貝葉斯分類器 8.2 估計方法 8.2.1 統(tǒng)計推斷概述 8.2.2 參數(shù)估計方法 8.2.3 非參數(shù)估計 8.3 近鄰分類器 8.3.1 近鄰分類器的導出 8.3.2 近鄰分類器與k近鄰分類器 8.4 本章小結 習題 第9章 人工神經(jīng)網(wǎng)絡 9.1 神經(jīng)網(wǎng)絡基礎知識 9.1.1 生物學基礎 9.1.2 人工神經(jīng)元模型