Discussing with different AIs in one chat is now possible thanks to https://cabina.ai/ This platform allows users to engage with multiple AI models in a single conversation, comparing their responses and getting diverse perspectives. Whether you need assistance, creative ideas, or unique insights, Cabina AI enhances discussions by providing various viewpoints. Try it now and experience the future of AI-powered conversations.

zlib/no-category/CXL/SSReader Print._27019385.pdf

ARTIFICIAL INTELLIGENCE:STRUCTURES AND STRATEGIES FOR COMPLEX PROBLEM SOLVING:FOURTH EDITION

Artificial Intelligence: Structures and Strategies for Complex Problem Solving (4th Edition)

人工智能 复杂问题求解的结构和策略 structues and strategies for complex problem solving

人工智能:复杂问题求解的结构和策略(原书第4版)

George F. Luger, LUGER, Stubblefield, William A. Stubblefield

(美)George F.Luger著 ; 史忠植等译; 卢格尔; 史忠植

〔美〕George F.Luger(著);史忠植;张银奎;赵志崑

(美) George F. Luger著;史忠植等译

Luger, George F.·卢格尔

Da Capo Press, Incorporated

China Machine Press

Pearson Education

机械工业出版社 : 中信出版社

Addison Wesley

Hachette Books

Basic Books

机械工业出版社·北京

Ji suan ji ke xue cong shu (Ji xie gong ye chu ban she), Di 1 ban, Beijing Shi, 2004

Ji suan ji ke xue cong shu, Di 1 ban, Beijing, Beijing, 2004

4th ed., Harlow, England, New York, England, 2002

United States, United States of America

China, People's Republic, China

4, 2001-07-30

producers:
Acrobat Distiller 7.0 (Windows)

Includes bibliographical references (p. 809-835) and indexes.

Bookmarks: p1 (p3): 第一部分 人工智能的渊源及范围
p1-2 (p3): 第1章 人工智能的历史及应用
p1-3 (p3): 1.1 从伊甸园到第一台电子计算机：对智慧、知识和人类技能的态度
p1-4 (p4): 1.1.1 历史基础
p1-5 (p6): 1.1.2 逻辑的发展
p1-6 (p8): 1.1.3 图灵测试
p1-7 (p11): 1.1.4 智能的生物和社会模型：主体
p1-8 (p13): 1.2 人工智能的应用领域
p1-9 (p14): 1.2.1 博弈
p1-10 (p15): 1.2.2 自动推理和定理证明
p1-11 (p15): 1.2.3 专家系统
p1-12 (p17): 1.2.4 自然语言理解和语义建模
p1-13 (p18): 1.2.5 对人类表现建模
p1-14 (p18): 1.2.6 规划和机器人
p1-15 (p19): 1.2.7 人工智能的语言和环境
p1-16 (p20): 1.2.8 机器学习
p1-17 (p20): 1.2.9 另类表示：神经网络和遗传算法
p1-18 (p21): 1.2.10 AI 和哲学
p1-19 (p22): 1.3 人工智能的概括
p1-20 (p23): 1.4 结语和参考文献
p1-21 (p24): 1.5 练习
p1-22 (p39): 2.1.1 符号和语句
p1-23 (p39): 2.1 命题演算
p1-24 (p39): 第2章 谓词演算
p1-25 (p39): 2.0 简介
p2 (p39): 第二部分 作为表示和搜索的人工智能
p2-2 (p41): 2.1.2 命题演算的语义
p2-3 (p42): 2.2 谓词演算
p2-4 (p42): 2.2.1 谓词的语法和语句
p2-5 (p47): 2.2.2 谓词演算的语义
p2-6 (p51): 2.2.3 语义含义的积木世界例子
p2-7 (p52): 2.3 使用推理规则产生谓词演算表达式
p2-8 (p52): 2.3.1 推理规则
p2-9 (p55): 2.3.2 合一算法
p2-10 (p58): 2.3.3 合一的例子
p2-11 (p61): 2.4 应用：一个基于逻辑的财务顾问
p2-12 (p64): 2.5 结语和参考文献
p2-13 (p65): 2.6 练习
p2-14 (p67): 第3章 用以搜索状态空间的结构和策略
p2-15 (p67): 3.0 简介
p2-16 (p69): 3.1 图论
p2-17 (p69): 3.1.1 状态空间搜索的结构
p2-18 (p71): 3.1.2 问题的状态空间表示
p2-19 (p76): 3.2 用于状态空间搜索的策略
p2-20 (p76): 3.2.1 数据驱动搜索和目标驱动搜索
p2-21 (p78): 3.2.2 图搜索的实现
p2-22 (p81): 3.2.3 深度优先搜索和宽度优先搜索
p2-23 (p87): 3.2.4 迭代加深的深度优先搜索
p2-24 (p88): 3.3 利用状态空间来表示谓词演算推理
p2-25 (p88): 3.3.1 逻辑系统的状态空间描述
p2-26 (p89): 3.3.2 与或图
p2-27 (p91): 3.3.3 进一步的例子和应用
p2-28 (p99): 3.4 结语和参考文献
p2-29 (p99): 3.5 练习
p2-30 (p101): 第4章 启发式搜索
p2-31 (p101): 4.0 简介
p2-32 (p104): 4.1.1 实现最佳优先搜索
p2-33 (p104): 4.1 启发式搜索算法
p2-34 (p107): 4.1.2 实现启发评估函数
p2-35 (p113): 4.1.3 启发式搜索和专家系统
p2-36 (p114): 4.2 可采纳性、单调性和信息度
p2-37 (p115): 4.2.1 可采纳性尺度
p2-38 (p116): 4.2.2 单调性
p2-39 (p117): 4.2.3 信息度更高的启发是更好的启发
p2-40 (p119): 4.3 在博弈中使用启发
p2-41 (p119): 4.3.1 针对可穷举搜索情况的极小极大过程
p2-42 (p121): 4.3.2 固定层深的极小极大过程
p2-43 (p125): 4.3.3 α-β过程
p2-44 (p126): 4.4 复杂度问题
p2-45 (p129): 4.6 练习
p2-46 (p129): 4.5 结语和参考文献
p2-47 (p133): 第5章 状态空间搜索的控制和实现
p2-48 (p133): 5.0 简介
p2-49 (p134): 5.1 基于递归的搜索
p2-50 (p134): 5.1.1 递归
p2-51 (p135): 5.1.2 递归搜索
p2-52 (p137): 5.2 模式导向搜索
p2-53 (p138): 5.2.1 递归搜索实例：骑士周游问题
p2-54 (p141): 5.2.2 改进模式搜索算法
p2-55 (p143): 5.3.1 定义和历史
p2-56 (p143): 5.3 产生式系统
p2-57 (p146): 5.3.2 产生式系统的例子
p2-58 (p150): 5.3.3 产生式系统中的搜索控制
p2-59 (p155): 5.3.4 产生式系统的优点
p2-60 (p156): 5.4 用于问题求解的黑板结构
p2-61 (p158): 5.5 结语和参考文献
p2-62 (p158): 5.6 练习
p3 (p165): 第三部分 表示和智能：AI 中的挑战
p3-2 (p165): 第6章 知识表示
p3-3 (p165): 6.0 知识表示问题
p3-4 (p166): 6.1.1 语义关联理论
p3-5 (p166): 6.1 AI 表象图式的简要历史
p3-6 (p168): 6.1.2 语义网络的早期研究
p3-7 (p171): 6.1.3 网络关系的标准化
p3-8 (p176): 6.1.4 脚本
p3-9 (p180): 6.1.5 框架
p3-10 (p183): 6.2 概念图：网络语言
p3-11 (p183): 6.2.1 概念图简介
p3-12 (p183): 6.2.2 类型、个体和名字
p3-13 (p186): 6.2.3 类型层次
p3-14 (p186): 6.2.4 泛化和特化
p3-15 (p189): 6.2.6 概念图和逻辑
p3-16 (p189): 6.2.5 命题结点
p3-17 (p191): 6.3 显式表示的替代方法
p3-18 (p191): 6.3.1 Brooks 假设和包容结构
p3-19 (p193): 6.3.2 Copycat 结构
p3-20 (p196): 6.4 基于主体的和分布式的问题求解方法
p3-21 (p196): 6.4.1 面向主体的问题求解：定义
p3-22 (p198): 6.4.2 面向主体模式的应用领域以及存在的问题
p3-23 (p199): 6.5 结语和参考文献
p3-24 (p202): 6.6 练习
p3-25 (p205): 第7章 求解问题的强方法
p3-26 (p205): 7.0 简介
p3-27 (p206): 7.1.1 基于规则的专家系统
p3-28 (p206): 7.1 专家系统技术概览
p3-29 (p207): 7.1.2 问题选择和知识工程的步骤
p3-30 (p209): 7.1.3 概念模型及其在知识获取中的作用
p3-31 (p212): 7.2 基于规则的专家系统
p3-32 (p212): 7.2.1 产生式系统和目标驱动问题求解
p3-33 (p215): 7.2.2 目标驱动推理中的解释和透明性
p3-34 (p217): 7.2.3 利用产生式系统进行数据驱动推理
p3-35 (p219): 7.2.4 专家系统的启发和控制
p3-36 (p221): 7.3 基于模型系统、基于案例系统和混合系统
p3-37 (p221): 7.3.1 基于模型推理简介
p3-38 (p224): 7.3.2 基于模型推理：来自 NASA 的例子(Williams and Nayak)
p3-39 (p226): 7.3.3 基于案例推理介绍
p3-40 (p230): 7.3.4 混合设计：强方法系统的优势和不足
p3-41 (p232): 7.4 规划
p3-42 (p232): 7.4.1 简介
p3-43 (p237): 7.4.2 使用规划宏：STRIPS
p3-44 (p240): 7.4.3 teleo-reactive 规划(Nilsson1994，Benson1995)
p3-45 (p242): 7.4.4 规划：来自 NASA 的例子(Williams and Nayak)
p3-46 (p245): 7.5 结语和参考文献
p3-47 (p246): 7.6 练习
p3-48 (p249): 第8章 不确定条件下的推理
p3-49 (p249): 8.0 简介
p3-50 (p250): 8.1 基于逻辑的反绎推理
p3-51 (p251): 8.1.1 非单调推理逻辑
p3-52 (p254): 8.1.2 真值维护系统
p3-53 (p258): 8.1.3 基于最小模型的逻辑
p3-54 (p260): 8.1.4 集合覆盖和基于逻辑的反绎(Stem 1996)
p3-55 (p262): 8.2 反绎：逻辑之外的办法
p3-56 (p262): 8.2.1 Stanford 确信度代数
p3-57 (p264): 8.2.2 模糊集推理
p3-58 (p267): 8.2.3 Dempster-Shafer 证据理论
p3-59 (p272): 8.3 统计的方法处理不确定性
p3-60 (p272): 8.3.1 贝叶斯推理
p3-61 (p276): 8.3.2 贝叶斯信念网络
p3-62 (p280): 8.4 结语和参考文献
p3-63 (p282): 8.5 练习
p4 (p287): 第四部分 机器学习
p4-2 (p287): 第9章 基于符号的机器学习
p4-3 (p287): 9.0 概述
p4-4 (p289): 9.1 基于符号的学习的框架
p4-5 (p294): 9.2 变型空间搜索
p4-6 (p294): 9.2.1 泛化操作和概念空间
p4-7 (p295): 9.2.2 候选解排除算法
p4-8 (p300): 9.2.3 LEX：启发式归纳搜索
p4-9 (p303): 9.2.4 评价候选解排除算法
p4-10 (p304): 9.3 ID3决策树归纳算法
p4-11 (p306): 9.3.1 自顶向下决策树归纳
p4-12 (p307): 9.3.2 测试选择的信息论方法
p4-13 (p309): 9.3.3 评价 ID3
p4-14 (p310): 9.3.4 决策树数据问题：打包、推进
p4-15 (p310): 9.4 归纳偏置和学习能力
p4-16 (p311): 9.4.1 归纳偏置
p4-17 (p312): 9.4.2 可学习性理论
p4-18 (p314): 9.5 知识和学习
p4-19 (p314): 9.5.1 Meta-DENDRAL
p4-20 (p315): 9.5.2 基于解释的学习
p4-21 (p319): 9.5.3 EBL 和知识层学习
p4-22 (p319): 9.5.4 类比推理
p4-23 (p322): 9.6 无监督学习
p4-24 (p322): 9.6.1 发现和无监督学习
p4-25 (p323): 9.6.2 概念聚类
p4-26 (p325): 9.6.3 COBWEB 和分类知识的结构
p4-27 (p329): 9.7 强化学习
p4-28 (p329): 9.7.1 强化学习的组成部分
p4-29 (p331): 9.7.2 一个例子：九宫游戏
p4-30 (p333): 9.7.3 强化学习的推理算法和应用
p4-31 (p335): 9.8 结语和参考文献
p4-32 (p336): 9.9 练习
p4-33 (p339): 第10章 连接主义的机器学习
p4-34 (p339): 10.0 介绍
p4-35 (p340): 10.1 连接网络的基础
p4-36 (p342): 10.2 感知机学习
p4-37 (p342): 10.2.1 感知机学习算法
p4-38 (p344): 10.2.2 例子：用感知机进行分类
p4-39 (p347): 10.2.3 用 delta 规则
p4-40 (p349): 10.3 反传学习
p4-41 (p349): 10.3.1 反传算法的起源
p4-42 (p353): 10.3.2 反传算法实例1：NETtalk
p4-43 (p354): 10.3.3 反传算法实例2：异或
p4-44 (p355): 10.4 竞争学习
p4-45 (p355): 10.4.1 对于分类的“胜者全拿”学习
p4-46 (p356): 10.4.2 学习原型的 Kohonen 网络
p4-47 (p358): 10.4.3 Outstar 网络和逆传
p4-48 (p361): 10.5 Hebbian 一致性学习
p4-49 (p361): 10.5.1 介绍
p4-50 (p362): 10.5.2 无监督 Hebbian 学习的例子
p4-51 (p364): 10.5.3 有监督 Hebbian 学习
p4-52 (p366): 10.5.4 关联记忆和线性关联器
p4-53 (p369): 10.6.1 介绍
p4-54 (p369): 10.6 吸引子网络或记忆
p4-55 (p370): 10.6.2 BAM，双向关联记忆
p4-56 (p371): 10.6.3 BAM 处理的例子
p4-57 (p373): 10.6.4 自相关记忆和 Hopfield 网络
p4-58 (p377): 10.7 结语和参考文献
p4-59 (p377): 10.8 练习
p4-60 (p379): 第11章 机器学习：社会性和涌现性
p4-61 (p379): 11.0 社会性和涌现性的学习模型
p4-62 (p380): 11.1 遗传算法
p4-63 (p382): 11.1.1 两个例子：CNF 可满足性问题和巡回推销员问题
p4-64 (p385): 11.1.2 遗传算法的评估
p4-65 (p388): 11.2.1 分类器系统
p4-66 (p388): 11.2 分类器系统和遗传程序设计
p4-67 (p392): 11.2.2 用遗传算子进行程序设计
p4-68 (p396): 11.3 人工生命和基于社会的学习
p4-69 (p397): 11.3.1 生命游戏
p4-70 (p399): 11.3.2 进化规划
p4-71 (p401): 11.3.3 涌现的实例研究(Crutchfield and Mitchell 1994)
p4-72 (p405): 11.4 结语和参考文献
p4-73 (p405): 11.5 练习
p5 (p409): 第五部分 智能问题求解高级主题
p5-2 (p409): 第12章 自动推理
p5-3 (p409): 12.0 定理证明中的弱方法
p5-4 (p410): 12.1 通用问题求解程序和差别表
p5-5 (p414): 12.2 归结定理证明
p5-6 (p414): 12.2.1 介绍
p5-7 (p416): 12.2.2 为进行归结反驳生成子句形式
p5-8 (p419): 12.2.3 二元归结证明过程
p5-9 (p423): 12.2.4 归结策略和简化技术
p5-10 (p428): 12.2.5 从归结反驳中抽取解答
p5-11 (p430): 12.3 PROLOG 和自动推理
p5-12 (p430): 12.3.1 介绍
p5-13 (p431): 12.3.2 逻辑编程和 PROLOG
p5-14 (p435): 12.4 自动推理进一步的问题
p5-15 (p436): 12.4.1 弱方法求解的统一表示法
p5-16 (p438): 12.4.2 可选推理规则
p5-17 (p440): 12.4.3 搜索策略及其使用
p5-18 (p441): 12.5 结语和参考文献
p5-19 (p441): 12.6 练习
p5-20 (p443): 第13章 自然语言理解
p5-21 (p443): 13.0 自然语言理解问题
p5-22 (p445): 13.1 解构语言：符号分析
p5-23 (p445): 13.1.1 介绍
p5-24 (p446): 13.1.2 语言分析的过程
p5-25 (p447): 13.2 语法
p5-26 (p447): 13.2.1 使用上下文无关文法说明和解析
p5-27 (p449): 13.2.2 转移网络解析器
p5-28 (p453): 13.2.3 乔姆斯基层次和上下文相关文法
p5-29 (p455): 13.3 ATN 解析器的语法和知识
p5-30 (p455): 13.3.1 扩充转移网络解析器
p5-31 (p457): 13.3.2 结合语法和语义知识
p5-32 (p462): 13.4 语言分析随机工具
p5-33 (p462): 13.4.1 介绍
p5-34 (p464): 13.4.2 马尔科夫模型方法
p5-35 (p465): 13.4.3 决策树方法
p5-36 (p466): 13.4.4 随机技术的解析和其他语言应用
p5-37 (p468): 13.5.1 故事理解和问题解答
p5-38 (p468): 13.5 自然语言应用
p5-39 (p469): 13.5.2 数据库前端
p5-40 (p471): 13.5.3 Web 信息抽取和摘要系统
p5-41 (p473): 13.5.4 用学习算法来泛化抽取的信息
p5-42 (p473): 13.6 结语和参考文献
p5-43 (p474): 13.7 练习
p6 (p482): 第六部分 人工智能语言与程序设计
p6-2 (p482): 第14章 PROLOG 介绍
p6-3 (p482): 14.0 引言
p6-4 (p482): 14.1 谓词演算程序设计的语法
p6-5 (p482): 14.1.1 事实和规则的表示
p6-6 (p486): 14.1.2 创建、改变和监控 PROLOG 环境
p6-7 (p487): 14.1.3 PROLOG 的列表和递归
p6-8 (p489): 14.1.4 PROLOG 的递归搜索
p6-9 (p491): 14.1.5 在 PROLOG 中使用 cut 操作来控制搜索
p6-10 (p493): 14.2 PROLOG 的抽象数据类型(ADT)
p6-11 (p493): 14.2.1 ADT 堆栈
p6-12 (p494): 14.2.2 ADT 队列
p6-13 (p494): 14.2.3 ADT 优先队列
p6-14 (p495): 14.2.4 ADT 集合
p6-15 (p496): 14.3 一个 PROLOG 产生式的例子
p6-16 (p500): 14.4 设计各种搜索策略
p6-17 (p500): 14.4.1 采用 closed 列表的深度优先搜索算法
p6-18 (p502): 14.4.2 PROLOG 的宽度优先搜索
p6-19 (p504): 14.4.3 PROLOG 的最佳优先搜索
p6-20 (p505): 14.5 一个 PROLOG 规划器
p6-21 (p508): 14.6 PROLOG 的元谓词、类型和合一
p6-22 (p508): 14.6.1 元逻辑谓词
p6-23 (p509): 14.6.2 PROLOG 的类型
p6-24 (p511): 14.6.3 合一：用来启动谓词匹配和评价的工具
p6-25 (p514): 14.7 PROLOG 的元解释器
p6-26 (p514): 14.7.1 元解释器的介绍：有关 PROLOG 的 PROLOG
p6-27 (p517): 14.7.2 基于规则的专家系统的外壳
p6-28 (p525): 14.7.3 PROLOG 的语义网络
p6-29 (p526): 14.7.4 PROLOG 的框架和模式
p6-30 (p528): 14.8.1 PROLOG 的变型空间搜索
p6-31 (p528): 14.8 PROLOG 的学习算法
p6-32 (p532): 14.8.2 候选消除算法
p6-33 (p534): 14.8.3 PROLOG 的基于解释的学习
p6-34 (p536): 14.9 PROLOG 的自然语言处理
p6-35 (p536): 14.9.1 自然语言的语义处理
p6-36 (p537): 14.9.2 PROLOG 的递归下降语法分析器
p6-37 (p541): 14.9.3 PROLOG 的递归下降语义网分析器
p6-38 (p543): 14.10 结语和参考文献
p6-39 (p545): 14.11 练习
p6-40 (p549): 第15章 LISP 介绍
p6-41 (p549): 15.0 介绍
p6-42 (p550): 15.1.1 符号表达式，LISP 的语义基础
p6-43 (p550): 15.1 LISP：简要概述
p6-44 (p553): 15.1.2 控制 LISP 分析：quote 和 eval
p6-45 (p554): 15.1.3 LISP 编程：创建新函数
p6-46 (p555): 15.1.4 LISP 中的程序控制：条件和谓词
p6-47 (p557): 15.1.5 函数、表和符号计算
p6-48 (p559): 15.1.6 表的递归结构
p6-49 (p561): 15.1.7 嵌套表、结构以及 car/cdr 递归
p6-50 (p562): 15.1.8 用 set 绑定变量
p6-51 (p565): 15.1.9 用 let 定义局部变量
p6-52 (p567): 15.1.10 Common LISP 中的数据类型
p6-53 (p568): 15.2 LISP 中的搜索：一个解决“农夫、狼、山羊和卷心菜问题”的函数式方法
p6-54 (p572): 15.3 高阶函数和抽象
p6-55 (p572): 15.3.1 映像和过滤器
p6-56 (p574): 15.3.2 函数参数和 lambda 表达式
p6-57 (p575): 15.4 LISP 中的搜索策略
p6-58 (p575): 15.4.1 宽度优先和深度优先搜索
p6-59 (p577): 15.4.2 最优搜索
p6-60 (p578): 15.5 LISP 中的模式匹配
p6-61 (p580): 15.6 递归合一函数
p6-62 (p583): 15.7 解释器和嵌入式语言
p6-63 (p585): 15.8 LISP 中的逻辑编程
p6-64 (p586): 15.8.1 一个简单的逻辑编程语言
p6-65 (p587): 15.8.2 流和流处理
p6-66 (p588): 15.8.3 基于流的逻辑程序解释器
p6-67 (p592): 15.9 流和延迟分析
p6-68 (p595): 15.10 一个 LISP 的专家系统外壳
p6-69 (p595): 15.10.1 实现确定性因子
p6-70 (p597): 15.10.2 lisp-shell 的体系结构
p6-71 (p600): 15.10.3 用 lisp-shell 的分类
p6-72 (p601): 15.11 LISP 中的语义网络和继承
p6-73 (p604): 15.12 用 CLOS 的面向对象的编程
p6-74 (p605): 15.12.1 CLOS 中类和实例的定义
p6-75 (p607): 15.12.2 定义通用函数和方法
p6-76 (p608): 15.12.3 CLOS 中的继承
p6-77 (p609): 15.12.4 例子：自动调温器仿真
p6-78 (p614): 15.13 LISP 中的学习：ID3算法
p6-79 (p614): 15.13.1 用 defstruct 定义结构
p6-80 (p619): 15.13.2 ID3算法
p6-81 (p624): 15.14 结语和参考文献
p6-82 (p625): 15.15 练习
p7 (p631): 第七部分 后记
p7-2 (p631): 第16章 人工智能作为按经验进行探索的学科
p7-3 (p631): 16.0 引言
p7-4 (p633): 16.1.1 人工智能和物理符号系统假设
p7-5 (p633): 16.1 人工智能：修订后的定义
p7-6 (p636): 16.1.2 连接或者“神经”计算
p7-7 (p639): 16.1.3 主体、涌现和智能
p7-8 (p641): 16.2 智能系统科学
p7-9 (p642): 16.2.1 心理学约束
p7-10 (p644): 16.2.2 认识论问题
p7-11 (p649): 16.2.3 情景角色和存在智能
p7-12 (p650): 16.3 人工智能：当前的问题和未来的方向
p7-13 (p654): 16.4 结语和参考文献
p7-14 (p655): 参考文献
p7-15 (p681): 作者索引
p7-16 (p686): 主题索引

topic: 人工智能-复杂性理论

Type: 当代图书

Bookmarks:
1. (p1) 第一部分 人工智能的渊源及范围
1.1. (p3) 第1章　人工智能的历史及应用
2. (p27) 第二部分 作为表示和搜索的人工智能
2.1. (p39) 第2章　谓词演算
2.1.1. (p39) 2.0　简介
2.1.2. (p39) 2.1　命题演算
2.1.3. (p42) 2.2　谓词演算
2.1.4. (p52) 2.3　使用推理规则产生谓词演算表达式
2.1.5. (p61) 2.4　应用：一个基于逻辑的财务顾问
2.1.6. (p64) 2.5　结语和参考文献
2.1.7. (p65) 2.6　练习
2.2. (p67) 第3章　用以搜索状态空间的结构的策略
2.2.1. (p67) 3.0　简介
2.2.2. (p69) 3.1　图论
2.2.3. (p76) 3.2　用于状态空间搜索的策略
2.2.4. (p88) 3.3　利用状态空间来表示谓词演算推理
2.2.5. (p99) 3.4　结语和参考文献
2.2.6. (p99) 3.5　练习
2.3. (p101) 第4章　启发式搜索
2.3.1. (p101) 4.0　简介
2.3.2. (p104) 4.1　启发式搜索算法
2.3.3. (p114) 4.2　可采纳性、单词性和信息度
2.3.4. (p119) 4.3　在博弈中使用启发
2.3.5. (p126) 4.4　复杂度问题
2.3.6. (p129) 4.5　结语和参考文献
2.3.7. (p129) 4.6　练习
2.4. (p133) 第5章　状态空间搜索的控制和实现
2.4.1. (p133) 5.0　简介
2.4.2. (p134) 5.1　基于递归的搜索
2.4.3. (p137) 5.2　模式导向搜索
2.4.4. (p143) 5.3　产生式系统
2.4.5. (p156) 5.4　用于问题求解的黑板结构
2.4.6. (p158) 5.5　结语和参考文献
2.5. (p158) 5.6　练习
3. (p161) 第三部分 表示和智能：AI中的挑战
3.1. (p165) 第6章　知识表示
3.1.1. (p165) 6.0　知识表示问题
3.1.2. (p166) 6.1　AI表象图式的简要历史
3.1.3. (p183) 6.2　概念图：网络语言
3.1.4. (p191) 6.3　显示表示的替代方法
3.1.5. (p196) 6.4　基于主体和分布式的问题求解方法
3.1.6. (p199) 6.5　结语和参考文献
3.1.7. (p202) 6.6　练习
3.2. (p205) 第7章　求解问题的强方法
3.2.1. (p205) 7.0　简介
3.2.2. (p206) 7.1　专家系统技术概览
3.2.3. (p212) 7.2　基于规则的专家系统
3.2.4. (p221) 7.3　基于模型系统、基于案例系统和混合系统
3.2.5. (p232) 7.4　规划
3.2.6. (p245) 7.5　结语和参考文献
3.2.7. (p246) 7.6　练习
3.3. (p249) 第8章　不确定条件下的推理
4. (p285) 第四部分 机器学习
4.1. (p287) 第9章　基于符号的机器学习
4.1.1. (p287) 9.0　概述
4.1.2. (p289) 9.1　基于符号的学习的框架
4.1.3. (p294) 9.2　变型空间搜索
4.1.4. (p304) 9.3　ID3决策树归纳算法
4.1.5. (p310) 9.4　归纳偏置和学习能力
4.1.6. (p314) 9.5　知识和学习
4.1.7. (p322) 9.6　无监督学习
4.1.8. (p329) 9.7　强化学习
4.1.9. (p335) 9.8　结语和参考文献
4.1.10. (p336) 9.9　练习
4.2. (p339) 第10章　连接主义的机器学习
4.2.1. (p339) 10.0　介绍
4.2.2. (p340) 10.1　连接网络的基础
4.2.3. (p342) 10.2　感知机学习
4.2.4. (p349) 10.3　反传学习
4.2.5. (p355) 10.4　竞争学习
4.2.6. (p361) 10.5　Hebbian一致性学习
4.2.7. (p369) 10.6　吸引子网络或记忆
4.2.8. (p377) 10.7　结语和参考文献
4.2.9. (p377) 10.8　练习
4.3. (p379) 第11章　机器学习：社会性和涌现性
5. (p407) 第五部分 智能问题求解高级主题
5.1. (p409) 第12章　自动推理
5.1.1. (p409) 12.0　定理证明中的弱方法
5.1.2. (p410) 12.1　通用问题求解程序和差别表
5.1.3. (p414) 12.2　归结定理证明
5.1.4. (p430) 12.3　PROLOG和自动推理
5.1.5. (p435) 12.4　自动推理进一步的问题
5.1.6. (p441) 12.5　结语和参考文献
5.1.7. (p441) 12.6　练习
5.2. (p443) 第13章　自然语言理解
6. (p477) 第六部分 人工智能语言与程序设计
6.1. (p482) 第14章　PROLOG介绍
6.1.1. (p482) 14.0　引言
6.1.2. (p482) 14.1　谓词演算程序设计的语法
6.1.3. (p493) 14.2　PROLOG的抽象数据类型（ADT）
6.1.4. (p496) 14.3　一个PROLOG产生式的例子
6.1.5. (p500) 14.4　设计各种搜索策略
6.1.6. (p505) 14.5　一个PROLOG规划器
6.1.7. (p508) 14.6　PROLOG的元谓词、类型和合一
6.1.8. (p514) 14.7　PROLOG的元解释器
6.1.9. (p528) 14.8　PROLOG的学习算法
6.1.10. (p536) 14.9　PROLOG的自然语言处理
6.1.11. (p543) 14.10　结语和参考文献
6.1.12. (p545) 14.11　练习
6.2. (p549) 第15章　LISP介绍
7. (p629) 第七部分 后记
7.1. (p631) 第16章　人工智能作为按经验进行探索的学科
7.1.1. (p631) 16.0　引言
7.1.2. (p633) 16.1　人工智能：修订后的定义
7.1.3. (p641) 16.2　智能系统科学
7.1.4. (p650) 16.3　人工智能：当前的问题和未来的方向
7.1.5. (p654) 16.4　结语和参考文献

theme: 人工智能-复杂性理论

Type: modern

tags: 人工智能;复杂问题;求解;结构;策略;原书;当代;专著

Bookmarks:
1. (p21) 第一部分 人工智能的渊源及范围
1.1. (p23) 第1章 人工智能的历史及应用
2. (p47) 第二部分 作为表示和搜索的人工智能
2.1. (p59) 第2章 谓词演算
2.1.1. (p59) 2.0 简介
2.1.2. (p59) 2.1 命题演算
2.1.3. (p62) 2.2 谓词演算
2.1.4. (p72) 2.3 使用推理规则产生谓词演算表达式
2.1.5. (p81) 2.4 应用:一个基于逻辑的财务顾问
2.1.6. (p84) 2.5 结语和参考文献
2.1.7. (p85) 2.6 练习
2.2. (p87) 第3章 用以搜索状态空间的结构和策略
2.2.1. (p87) 3.0 简介
2.2.2. (p89) 3.1 图论
2.2.3. (p96) 3.2 用于状态空间搜索的策略
2.2.4. (p108) 3.3 利用状态空间来表示谓词演算推理
2.2.5. (p119) 3.4 结语和参考文献
2.2.6. (p119) 3.5 练习
2.3. (p121) 第4章 启发式搜索
2.3.1. (p121) 4.0 简介
2.3.2. (p124) 4.1 启发式搜索算法
2.3.3. (p134) 4.2 可采纳性、单调性和信息度
2.3.4. (p139) 4.3 在博弈中使用启发
2.3.5. (p146) 4.4 复杂度问题
2.3.6. (p149) 4.5 结语和参考文献
2.3.7. (p149) 4.6 练习
2.4. (p153) 第5章 状态空间搜索的控制和实现
3. (p181) 第三部分 表示和智能:AI中的挑战
3.1. (p185) 第6章 知识表示
3.1.1. (p185) 6.0 知识表示问题
3.1.2. (p186) 6.1 AI表象图式的简要历史
3.1.3. (p203) 6.2 概念图:网络语言
3.1.4. (p211) 6.3 显式表示的替代方法
3.1.5. (p216) 6.4 基于主体的和分布式的问题求解方法
3.1.6. (p219) 6.5 结语和参考文献
3.1.7. (p222) 6.6 练习
3.2. (p225) 第7章 求解问题的强方法
3.2.1. (p225) 7.0 简介
3.2.2. (p226) 7.1 专家系统技术概览
3.2.3. (p232) 7.2 基于规则的专家系统
3.2.4. (p241) 7.3 基于模型系统、基于案例系统和混合系统
3.2.5. (p252) 7.4 规划
3.2.6. (p265) 7.5 结语和参考文献
3.2.7. (p266) 7.6 练习
3.3. (p269) 第8章 不确定条件下的推理
4. (p305) 第四部分 机器学习
4.1. (p307) 第9章 基于符号的机器学习
4.1.1. (p307) 9.0 概述
4.1.2. (p309) 9.1 基于符号的学习的框架
4.1.3. (p314) 9.2 变型空间搜索
4.1.4. (p324) 9.3 ID3决策树归纳算法
4.1.5. (p330) 9.4 归纳偏置和学习能力
4.1.6. (p334) 9.5 知识和学习
4.1.7. (p342) 9.6 无监督学习
4.1.8. (p349) 9.7 强化学习
4.1.9. (p355) 9.8 结语和参考文献
4.1.10. (p356) 9.9 练习
4.2. (p359) 第10章 连接主义的机器学习
4.2.1. (p359) 10.0 介绍
4.2.2. (p360) 10.1 连接网络的基础
4.2.3. (p362) 10.2 感知机学习
4.2.4. (p369) 10.3 反传学习
4.2.5. (p375) 10.4 竞争学习
4.2.6. (p381) 10.5 Hebbian一致性学习
4.2.7. (p389) 10.6 吸引子网络或记忆
4.2.8. (p397) 10.7 结语和参考文献
4.2.9. (p397) 10.8 练习
4.3. (p399) 第11章 机器学习:社会性和涌现性
5. (p427) 第五部分 智能问题求解高级主题
5.1. (p429) 第12章 自动推理
5.1.1. (p429) 12.0 定理证明中的弱方法
5.1.2. (p430) 12.1 通用问题求解程序和差别表
5.1.3. (p434) 12.2 归结定理证明
5.1.4. (p450) 12.3 PROLOG和自动推理
5.1.5. (p455) 12.4 自动推理进一步的问题
5.1.6. (p461) 12.5 结语和参考文献
5.1.7. (p461) 12.6 练习
5.2. (p463) 第13章 自然语言理解
6. (p497) 第六部分 人工智能语言与程序设计
6.1. (p502) 第14章 PROLOG介绍
6.1.1. (p502) 14.0 引言
6.1.2. (p502) 14.1 谓词演算程序设计的语法
6.1.3. (p513) 14.2 PROLOG的抽象数据类型(ADT)
6.1.4. (p516) 14.3 一个PROLOG产生式的例子
6.1.5. (p520) 14.4 设计各种搜索策略
6.1.6. (p525) 14.5 一个PROLOG规划器
6.1.7. (p528) 14.6 PROLOG的元谓词、类型和合一
6.1.8. (p534) 14.7 PROLOG的元解释器
6.1.9. (p548) 14.8 PROLOG的学习算法
6.1.10. (p556) 14.9 PROLOG的自然语言处理
6.1.11. (p563) 14.10 结语和参考文献
6.1.12. (p565) 14.11 练习
6.2. (p569) 第15章 LISP介绍
7. (p649) 第七部分 后记
7.1. (p651) 第16章 人工智能作为按经验进行探索的学科
7.1.1. (p651) 16.0 引言
7.1.2. (p653) 16.1 人工智能:修订后的定义
7.1.3. (p661) 16.2 智能系统科学
7.1.4. (p670) 16.3 人工智能:当前的问题和未来的方向
7.1.5. (p674) 16.4 结语和参考文献

Subject: 人工智能;复杂问题;求解;结构;策略;原书;当代;专著

label: 人工智能;复杂问题;求解;结构;策略;原书;当代;专著

topic: 人工智能；复杂性理论

Bookmarks:
1. (p1) 第一部分 人工智能的渊源及范围
1.1. (p3) 第1章 人工智能的历史及应用
2. (p27) 第二部分 作为表示和搜索的人工智能
2.1. (p39) 第2章 谓词演算
2.1.1. (p39) 2.0简介
2.1.2. (p39) 2.1命题演算
2.1.3. (p42) 2.2谓词演算
2.1.4. (p52) 2.3使用推理规则产生谓词演算表达式
2.1.5. (p61) 2.4应用：一个基于逻辑的财务顾问
2.1.6. (p64) 2.5结语和参考文献
2.1.7. (p65) 2.6练习
2.2. (p67) 第3章 用以搜索状态空间的结构和策略
2.2.1. (p67) 3.0简介
2.2.2. (p69) 3.1图论
2.2.3. (p76) 3.2用于状态空间搜索的策略
2.2.4. (p88) 3.3利用状态空间来表示谓词演算推理
2.2.5. (p99) 3.4结语和参考文献
2.2.6. (p99) 3.5练习
2.3. (p101) 第4章 启发式搜索
2.3.1. (p101) 4.O简介
2.3.2. (p104) 4.1启发式搜索算法
2.3.3. (p114) 4.2可采纳性、单调性和信息度
2.3.4. (p119) 4.3在博弈中使用启发
2.3.5. (p126) 4.4复杂度问题
2.3.6. (p129) 4.5结语和参考文献
2.3.7. (p129) 4.6练习
2.4. (p133) 第5章 状态空间搜索的控制和实现
3. (p161) 第三部分 表示和智能：AI中的挑战知识表示
3.1. (p165) 第6章 知识表示
3.1.1. (p165) 6.0知识表示问题
3.1.2. (p166) 6.1AI表象图式的简要历史
3.1.3. (p183) 6.2概念图：网络语言
3.1.4. (p191) 6.3显式表示的替代方法
3.1.5. (p196) 6.4基于主体的和分布式的问题求解方法
3.1.6. (p199) 6.5结语和参考文献
3.1.7. (p202) 6.6练习
3.2. (p205) 第7章 求解问题的强方法
3.2.1. (p205) 7.0简介
3.2.2. (p206) 7.1专家系统技术概览
3.2.3. (p212) 7.2基于规则的专家系统
3.2.4. (p221) 7.3基于模型系统、基于案例系统和混合系统
3.2.5. (p232) 7.4规划
3.2.6. (p245) 7.5结语和参考文献
3.2.7. (p246) 7.6练习
3.3. (p249) 第8章 不确定条件下的推理
4. (p285) 第四部分 机器学习
4.1. (p287) 第9章 基于符号的机器学习
4.1.1. (p287) 9.0概述
4.1.2. (p289) 9.1基于符号的学习的框架
4.1.3. (p294) 9.2变型空间搜索
4.1.4. (p304) 9.3ID3决策树归纳算法
4.1.5. (p310) 9.4归纳偏置和学习能力
4.1.6. (p314) 9.5知识和学习
4.1.7. (p322) 9.6无监督学习
4.1.8. (p329) 9.7强化学习
4.1.9. (p335) 9.8结语和参考文献
4.1.10. (p336) 9.9练习
4.2. (p339) 第10章 连接主义的机器学习
4.2.1. (p339) 10.0介绍
4.2.2. (p340) 10.1连接网络的基础
4.2.3. (p342) 10.2感知机学习
4.2.4. (p349) 10.3反传学习
4.2.5. (p355) 10.4竞争学习
4.2.6. (p361) 10.5Hebbian一致性学习
4.2.7. (p369) 10.6吸引子网络或记忆
4.2.8. (p377) 10.7结语和参考文献
4.2.9. (p377) 10.8练习
4.3. (p379) 第11章 机器学习：社会性和涌现性
5. (p407) 第五部分 智能问题求解高级主题
5.1. (p409) 第12章 自动推理
5.1.1. (p409) 12.0定理证明中的弱方法
5.1.2. (p410) 12.1通用问题求解程序和差别表
5.1.3. (p414) 12.2归结定理证明
5.1.4. (p430) 12.3PROLOG和自动推理
5.1.5. (p435) 12.4自动推理进一步的问题
5.1.6. (p441) 12.5结语和参考文献
5.1.7. (p441) 12.6练习
5.2. (p443) 第13章 自然语言理解
6. (p477) 第六部分 人工智能语言与程序设计
6.1. (p482) 第14章 PROLOG介绍
6.1.1. (p482) 14.O引言
6.1.2. (p482) 14.1谓词演算程序设计的语法
6.1.3. (p493) 14.2PROLOG的抽象数据类型(ADT)
6.1.4. (p496) 14.3一个PROLOG产生式的例子
6.1.5. (p500) 14.4设计各种搜索策略
6.1.6. (p505) 14.5一个PROLOG规划器
6.1.7. (p508) 14.6PROLOG的元谓词、类型和合一
6.1.8. (p514) 14.7PROLOG的元解释器
6.1.9. (p528) 14.8PROLOG的学习算法
6.1.10. (p536) 14.9PROLOG的自然语言处理
6.1.11. (p543) 14.10结语和参考文献
6.1.12. (p545) 14.11练习
6.2. (p549) 第15章 LISP介绍
7. (p629) 第七部分 后记
7.1. (p631) 第16章 人工智能作为按经验进行探索的学科
7.1.1. (p631) 16.0引言
7.1.2. (p633) 16.1人工智能：修订后的定义
7.1.3. (p641) 16.2智能系统科学
7.1.4. (p650) 16.3人工智能：当前的问题和未来的方向
7.1.5. (p654) 16.4结语和参考文献

theme: 人工智能；复杂性理论

"Artificial Intelligence: Structures and Strategies for Complex Problem Solving is ideal for a one or two semester university course on AI, as well as an invaluable reference for researchers in the field or practitioners wishing to employ the power of current AI techniques in their work."--BOOK JACKET.

2023-12-04