人工智能及其应用

出版者:清华大学

作者:蔡自兴//徐光祐

页数:398

出版时间:2010-5

价格:39.00元

isbn号码:9787302220428

具体描述

《人工智能及其应用(第4版)》共10章。第1章叙述人工智能的概况和不同学派的认知观。第2章和第3章研究人工智能的知识表示方法和搜索推理技术。第4章探讨不确定性推理的主要方法。第5章阐述计算智能的基本知识。第6章~第10章逐一讨论了人工智能的主要应用领域，包括专家系统、机器学习、自动规划、分布式人工智能和自然语言理解等。与第三版本科生用书相比，许多内容都是第一次出现的，如本体论和非经典推理、粒群优化和蚁群计算、决策树学习和增强学习、词法分析和语料库语言学，以及路径规划和基于Web的专家系统等。其他章节也在第三版的基础上作了相应的修改、精简或补充。

《人工智能及其应用(第4版)》可作为高等院校有关专业本科生和研究生的人工智能课程教材，也可供从事人工智能研究与应用的科技工作者学习参考。

目录信息

第1章　绪论　1.1　人工智能的定义与发展　　1.1.1　人工智能的定义　　1.1.2　人工智能的起源与发展　 1.2　人工智能的各种认知观　　1.2.1　人工智能各学派的认知观　　1.2.2　人工智能的争论　1.3　人类智能与人工智能　　1.3.1　智能信息处理系统的假设　　1.3.2　人类智能的计算机模拟　1.4　人工智能的研究目标和内容　　1.4.1　人工智能的研究目标　　1.4.2　人工智能研究的基本内容　1.5　人工智能研究的主要方法　1.6　人工智能的研究与应用领域　1.7　本书概要　习题第2章　知识表示方法　2.1　状态空间表示　　2.1.1　问题状态描述　　2.1.2　状态图示法　2.2　问题归约表示　　2.2.1　问题归约描述　　2.2.2　与或图表示　2.3　谓词逻辑表示　　2.3.1　谓词演算　　2.3.2　谓词公式　　2.3.3　置换与合一　2.4　语义网络表示　　2.4.1　二元语义网络的表示　　2.4.2　多元语义网络的表示　　2.4.3　语义网络的推理过程　2.5　框架表示　　2.5.1　框架的构成　　2.5.2　框架的推理　2.6　本体技术　　2.6.1　本体的概念　　2.6.2　本体的组成与分类　　2.6.3　本体的建模　2.7　过程表示　2.8　小结　习题第3章　确定性推理　3.1　图搜索策略　3.2　盲目搜索　　3.2.1　宽度优先搜索　　3.2.2　深度优先搜索　　3.2.3　等代价搜索　3.3　启发式搜索　　3.3.1　启发式搜索策略和估价函数　　3.3.2　有序搜索　　3.3.3　A*算法　3.4　消解原理　　3.4.1　子句集的求取　　3.4.2　消解推理规则　　3.4.3　含有变量的消解式　　3.4.4　消解反演求解过程　3.5　规则演绎系统　　3.5.1　规则正向演绎系统　　3.5.2　规则逆向演绎系统　　3.5.3　规则双向演绎系统　3.6　产生式系统　　3.6.1　产生式系统的组成　　3.6.2　产生式系统的推理　　3.6.3　产生式系统举例　3.7　非单调推理　　3.7.1　缺省推理　　3.7.2　真值维持系统　3.8　小结　习题……第4章　非经典推理第5章　计算智能第6章　专家系统第7章　机器学习第8章　自动规划第9章　分布式人工智能与Agent(真体)第10章　自然语言理解结束语参考文献索引
· · · · · · (收起)

用户评价

翻开《计算语言学的边界》这本书，我立刻被它那种略带怀旧却又异常严谨的叙事风格所吸引。作者仿佛是一位经验丰富的老教授，他没有急于抛出最新、最炫酷的模型，而是耐心地带领我们回溯到语言模型发展的历史长河中去。书中对早期马尔可夫链和隐马尔可夫模型（HMM）的论述，细致入微，每一个概率转移的推导都清晰可见，仿佛能看到当年研究者们攻克难关的每一个思想火花。这种扎实的基础训练，对于那些想要真正深入理解Transformer架构底层机制的读者来说，是无价之宝。与那些只关注“黑箱”操作的书籍不同，这本书的价值在于它揭示了“为什么”会这样，而非仅仅展示“是什么”。例如，作者对于“平滑技术”在N-gram模型中的应用分析，深入到了统计学的哲学层面，让人在掌握技术的同时，也提升了对数据稀疏性问题的敬畏之心。唯一的遗憾或许是，在讨论到最新的预训练模型时，篇幅略显不足，但瑕不掩瑜，作为奠定坚实理论基石的读物，它无疑是卓越的。它不是一本让你炫耀最新代码的指南，而是一部让你沉淀思维的经典。

我一直期待能找到一本能将伦理、社会影响与技术发展并驾齐驱的书籍，而《算法的道德罗盘》似乎正是我寻找的指南针。作者对偏见（Bias）和公平性（Fairness）问题的探讨，角度刁钻且深刻。他不仅仅停留在“数据集有偏见”这种肤浅的层面，而是深入剖析了决策树在不同文化背景下的权重分配差异，以及优化目标函数本身可能隐藏的社会价值取向。最让我印象深刻的是，书中详尽分析了几个著名的案例——从信贷审批系统到面部识别技术的误判事件，并不仅仅是简单地指责技术，而是将责任链条追溯到需求定义、模型选择乃至最终部署环境的每一个环节。阅读过程中，我时常感到一种被震撼后的沉思，这迫使我重新审视自己过去工作中那些被认为是“客观中立”的代码块。它不是一本教你如何写出高效算法的书，而是提醒你，在你按下“Run”键之前，必须先问自己：“这个算法，会伤害到谁？”这本书成功地将冰冷的逻辑代码，注入了温暖而又警醒的人文关怀，是所有技术人员应当摆在案头的一面镜子。

这本书的文字编排简直是一场灾难。我拿起《深度学习的奥秘》这本书时，本以为会踏入一个充满启发性的知识殿堂，结果却发现自己迷失在了一片逻辑混乱的灌木丛中。作者似乎对概念的界定完全没有清晰的概念，前一章还在大谈特谈神经网络的优越性，下一章笔锋一转又开始对支持向量机津津乐道，两者之间的过渡生硬得像一块没有打磨的石头。更令人抓狂的是，那些本该用来阐释复杂算法的图示，模糊不清、标注缺失，仿佛是用最廉价的打印机随便套印出来的草稿。我试图通过阅读来理解那些复杂的数学推导，但那些公式的排版极其随意，变量的使用也缺乏一致性，有时候 $W$ 突然就变成了 $oldsymbol{W}$，让人不得不停下来翻阅前文，试图找出作者是否有意为之的“深意”，结果往往是一无所获。阅读体验极差，感觉作者只是简单地把一堆零散的讲义拼凑成册，缺乏整体的结构规划和对读者心智模型的尊重。如果说阅读是一次探险，那么这本书提供的地图，简直就是一张被咖啡渍和折痕毁坏的涂鸦。我甚至怀疑，编辑在校对环节是否真的认真地审阅过任何一个章节，因为一些基础的术语错误和明显的笔误比比皆是，这对于一本旨在教授前沿技术的书籍来说，是完全不可接受的疏忽。

说实话，我期望从《机器学习实战：Python实践》这本书中学到一些能立刻应用到实际项目中的“干货”，但读完之后，我感觉自己像是参加了一个漫长且有些枯燥的“Python语法回顾大会”。全书的前三分之一都在不厌其烦地解释 `numpy` 数组的维度操作、Pandas DataFrame 的索引技巧，这些内容对于任何一个有基本Python编程经验的人来说，都显得冗余至极。即便是涉及模型构建的部分，代码示例也显得过于“玩具化”——数据量小、特征简单，完全脱离了真实世界数据处理的复杂性和肮脏性。我尝试着将书中一个简单的线性回归例子应用到我自己的、包含数千个缺失值和异常值的数据集上，结果发现书中提供的代码片段几乎无法直接使用，需要大量的修改和补充，这完全违背了“实战”二字的承诺。所谓的“实战”，似乎仅仅是展示了如何在理想化的数据集上跑通一个Demo。如果作者的目标是零基础的编程入门，这本书或许尚可，但对于希望快速掌握现代机器学习工程实践的从业者而言，它的实用价值非常有限，更像是一本包装精美的入门教程，而非进阶手册。

《数据可视化的艺术与科学》这本书，在设计美学上达到了令人惊叹的高度，但其“科学”部分的阐述却显得有些飘忽不定。封面和内嵌的许多案例图表，色彩搭配和谐，信息层级清晰，确实体现了极高的品味。作者对于如何利用颜色、形状和布局来引导观众视线，有独到的见解，阅读这些章节时，我仿佛在欣赏一场场精心编排的视觉交响乐。然而，当涉及到定量分析和统计显著性测试时，书中的论述就显得力不从心了。例如，在比较不同图表类型对认知负荷的影响时，作者引用了一些统计数据，但缺乏对实验设计、样本量和P值的详细解释，使得结论的可靠性大打折扣。这就像是教会了你如何用最漂亮的颜料作画，却忘记告诉你颜料的化学成分可能是有毒的。我希望这本书能在“如何避免误导性可视化”方面提供更强硬的、基于实证的指导，而不是停留在“看起来舒服”的层面。它是一本优秀的设计指南，但在严谨的数据科学领域，它缺少了一把决定性的刻度尺。

概述。

见过。

无聊到把课本作为读过的书了。

说真心，这本书相当不错，在03年就出版，但仍然是一本很好的教科书。AI相关的原理、方法、应用都讲到了，可能是学者老师吧，没有包装而已。从另外一个程度，这几年，AI的理论没有进步，只是数据和计算能力提升而已。

你妹讲的太不具体了，哪位大牛写个超越它的书