人工智能实战 pdf下载

●第1章 逻辑学与人工智能
1.1 逻辑是什么
1.2 命题逻辑
1.3 逻辑联结词
1.3.1 否定
1.3.2 合取
1.3.3 析取
1.3.4 蕴涵
1.3.5 等值
1.4 命题逻辑定律
1.5 范式
1.6 逻辑电路
1.7 实际问题：使用继承和C#运算符计算逻辑公式的值
1.8 实际问题：将逻辑公式表达为二叉决策树
1.9 实际问题：将公式转换为否定范式（NNF）
1.10 实际问题：将公式转换为合取范式（CNF）
1.11 本章小结
第2章 自动定理证明和一阶逻辑
2.1 自动定理证明
2.2 实际问题：C#中的Clause类和Cnf类
2.3 DPLL算法
2.4 实际问题：在命题逻辑中建模鸽巢原理
2.5 实际问题：判断一个命题逻辑公式是否可满足
2.6 一阶逻辑
2.7 实际问题：清洁机器人
2.8 本章小结
第3章 Agents
3.1 Agent是什么
3.2 Agent的属性
3.3 Agent环境的类型
3.4 有状态Agent
3.5 实际问题：将清洁机器人作为Agent建模并对其添加状态
3.6 Agent的架构
3.6.1 反应式架构：包容架构
3.6.2 慎思式架构：BDI架构
3.6.3 混合架构
3.6.4 旅行机
3.6.5 InteRRaP
3.7 本章小结
第4章 火星漫游车
4.1 火星漫游车简介
4.2 火星车的架构
4.3 火星车的程序代码
4.4 Mars Rover视化应用程序
4.5 本章小结
第5章 多Agent系统
5.1 多Agent系统是什么
5.2 多Agent组织
5.3 通信
5.3.1 言语行为理论
5.3.2 Agent通信语言（ACL）
5.4 协调与合作
5.4.1 使用合同网协商
5.4.2 社会规范与社会
5.5 本章小结
第6章 基于WCF的多Agent系统通信
6.1 服务
6.2 契约
6.3 绑定
6.4 端点
6.5 发布者/订阅者模式
6.6 实际问题：利用WCF在多个Agent之间通信
6.7 本章小结
第7章 清洁Agent：一个多Agent系统问题
7.1 程序结构
7.2 清洁任务
7.3 清洁Agent平台
7.4 合同网
7.5 FIPA-ACL
7.6 MAS清洁Agent
7.7 GUI
7.8 运行应用程序
7.9 本章小结
第8章 仿真
8.1 仿真是什么
8.2 离散事件仿真
8.3 概率分布
8.4 实际问题：机场仿真
8.5 本章小结
第9章 支持向量机
9.1 支持向量机是什么
9.2 实际问题：利用C#实现线性SVM
9.3 不接近可分情形
9.4 非线性可分情形：核心技巧
9.5 序列最小优化算法（SMO）
9.6 实际问题：SMO实现
9.7 本章小结
第10章 决策树
10.1 决策树是什么
10.2 利用ID3算法生成决策树
10.2.1 熵和信息增益
10.2.2 实际问题：实现ID3算法
10.2.3 C4.5算法
10.2.4 实际问题：实现C4.5算法
10.3 本章小结
第11章 神经网络
11.1 神经网络是什么
11.2 感知器：单神经网络
11.2.1 实际问题：实现感知器神经网络
11.2.2 Adaline神经网络和梯度下降搜索
11.2.3 随机逼近法
11.2.4 实际问题：实现Adaline神经网络
11.2.5 多层网络
11.2.6 反向传播算法
11.2.7 实际问题：实现反向传播算法并解决xOR问题
11.3 本章小结
第12章 手写数字识别
12.1 手写数字识别是什么
12.2 训练数据集
12.3 用于HDR的多层神经网络
12.4 实现
12.5 测试
12.6 本章小结
第13章 聚类和多目标聚类
13.1 聚类是什么
13.2 层次聚类
13.3 划分聚类
13.4 实际问题：k-Means算法
13.5 多目标聚类
13.6 自累托边界生成器
13.7 本章小结
第14章 启发式方法&元启发式方法
14.1 启发式方法是什么
14.2 爬山算法
14.3 实际问题：实现爬山算法
14.4 P-元启发式算法：遗传算法
14.5 实际问题：对旅行商问题实现遗传算法
14.6 S-元启发式方法：禁忌搜索
14.7 本章小结
第15章 游戏编程
15.1 电子游戏是什么
15.2 游戏中的搜索
15.3 无信息搜索
15.4 实际问题：实现BFS、DFS、DLS和IDS
15.5 实际问题：在滑块拼图问题中实现双向搜索
15.6 有信息搜索
15.7 运用A*算法求解滑块拼图
15.8 本章小结
第16章 博弈论：对抗性搜索与黑白棋游戏
16.1 博弈论是什么
16.2 对抗性搜索
16.3 极小化极大搜索算法
16.4 α-β剪枝算法
16.5 黑白棋游戏
16.6 实际问题：在Windows窗体程序中实现黑白棋游戏
16.7 实际问题：使用Minimax算法实现黑白棋AI
16.8 本章小结
第17章 强化学习
17.1 强化学习是什么
17.2 马尔可夫决策过程
17.3 值函数／动作值函数与策略
17.4 值迭代算法
17.5 策略迭代算法
17.6 Q-Learning和时序差分学习
17.7 实际问题：使用Q-Learning求解迷宫问题
17.8 本章小结