本书全面系统地介绍了人工智能的基础理论、基本方法和应用技术。内容涉及人工智能的基本概况和数学基础、知识表示、基于谓词的逻辑推理、不确定性理论、搜索策略、专家系统、神经网络、模式识别、机器学习、自然语言理解、智能决策系统以及智能计算机等。

第1章 绪论
1.1 人工智能的概念
1.2 人工智能的研究目标
1.3 人工智能的研究内容
1.4 人工智能的研究途径
1.5 人工智能的研究领域
1.6 人工智能的发展概况
习题1
第2章 人工智能语言
2.1 概述
2.2 函数型程序设计语言LISP
2.3 逻辑型程序设计语言PROLOG
2.4 面向对象程设计语言Smallyalk
习题2
第3章 人工智能的数学基础
3.1 命题逻辑与谓词逻辑
3.2 多值逻辑
3.3 概率论
3.4 模糊理论
习题3
第4章 知识与知识表示
4.1 什么是知识
4.2 一阶谓词逻辑表示法
4.3 产生式表示
4.4 模式架表示法
4.5 语义网络表示法
4.6 过程表示法
4.7 脚本表示法
4.8 面向对象表示法
4.9 Peyri网表示法
习题4
第5章 基本谓词的逻辑推理
5.1 谓词逻辑的演绎推理方法
5.2 归结原理
5.3 与或形演绎推理
习题5
第6章 不确定性与不确定推理
6.1 基本概念
6.2 概率方法
6.3 主观Bayes方法
6.4 可信度方法
6.5 模糊推理
习题6
第7章 搜索策略
7.1 基本概念
7.2 状态图搜索技术
7.3 与或图搜索策略
7.4 博弈树搜索
习题7
第8章 专家系统
8.1 专家系统的基本概念
8.2 专家系统的结构
8.3 专家系统的发展概况
8.4 知识获取和知识工程
8.5 专家系统的设计与实现
8.6 专家系统的开发工具
8.7 新一代专家系统的研究
8.8 专家系统举例
习题8
第9章 神经网络
9.1 基本概念
9.2 神经网络模型
9.3 基于神经网络的知识表示与推理
9.4 神经网络与专家系统
9.5 遗传算法
9.6 神经网络发展概况
习题9
第10章 模式识别
10.1 模式识别的基本概念
10.2 统计模式识别
10.3 结构模式识别
10.4 模糊模式识别
10.5 神经网络模式识别
习题10
第11章 机器学习
11.1 基本概念
11.2 机器学习分类
11.3 符号学习
11.4 视经网络学习
习题11
参考文献