加载中…人工智能:智能系统指南(原书第3版)
(2015-08-25 10:15:36)
标签：
股票 |
基本信息
- 原书名：Artificial Intelligence:A Guide to Intelligent Systems,Third Edition
- 原出版社：
Addison-Wesley
-
作者：
(澳)Michael Negnevitsky -
译者：
陈薇 - 丛书名：
计算机科学丛书 - 出版社：机械工业出版社
- ISBN：9787111384557
- 上架时间：2012-11-26
- 出版日期：2012 年8月
- 开本：16开
- 页码：320
- 版次：1-1
-
所属分类：计算机
内容简介
作译者
澳大利亚塔斯马尼亚大学电气工程和计算机科学系教授。他的许多研究课题都涉及人工智能和软计算。他一直致力于电气工程、过程控制和环境工程中智能系统的开发和应用，发表了300多篇论文，著有2本专著，并获得了4项发明专利。
目录
《人工智能智能系统指南(原书第3版)》
译者序
第3版前言
第1版前言
本书概要
致谢
第1章基于知识的智能系统概述
1.1智能机
1.2人工智能的发展历史，从“黑暗时代”到基于知识的系统
1.2.1“黑暗时代”，人工智能的诞生（1943年～1956年）
1.2.2人工智能的上升期，远大目标积极实现的年代（1956年～20世纪60年代晚期）
1.2.3没有履行的诺言，来自现实的冲击（20世纪60年代晚期～20世纪70年代早期）
1.2.4专家系统技术，成功的关键因素（20世纪70年代早期～20世纪80年代中期）
1.2.5如何使机器学习，神经网络的重生（20世纪80年代中期至今）
1.2.6进化计算，在尝试中学习（20世纪70年代早期至今）
1.2.7知识工程的新纪元，文字计算（20世纪80年代后期至今）
1.3小结
复习题
参考文献
第2章基于规则的专家系统
译者序
第3版前言
第1版前言
本书概要
致谢
第1章基于知识的智能系统概述
1.1智能机
1.2人工智能的发展历史，从“黑暗时代”到基于知识的系统
1.2.1“黑暗时代”，人工智能的诞生（1943年～1956年）
1.2.2人工智能的上升期，远大目标积极实现的年代（1956年～20世纪60年代晚期）
1.2.3没有履行的诺言，来自现实的冲击（20世纪60年代晚期～20世纪70年代早期）
1.2.4专家系统技术，成功的关键因素（20世纪70年代早期～20世纪80年代中期）
1.2.5如何使机器学习，神经网络的重生（20世纪80年代中期至今）
1.2.6进化计算，在尝试中学习（20世纪70年代早期至今）
1.2.7知识工程的新纪元，文字计算（20世纪80年代后期至今）
1.3小结
复习题
参考文献
第2章基于规则的专家系统
2.1知识概述
2.2知识表达技术——规则
2.3专家系统研发团队的主要参与者
2.4基于规则的专家系统的结构
2.5专家系统的基本特征
2.6前向链接和后向链接推理技术
2.6.1前向链接
2.6.2后向链接
2.7MEDIA ADVISOR：基于规则的专家系统实例
2.8冲突消解
2.9基于规则的专家系统的优点和缺点
2.10小结
复习题
参考文献
第3章基于规则的专家系统中的不确定性管理
3.1不确定性简介
3.2概率论基本知识
3.3贝叶斯推理
3.4FORECAST：论据累积的贝叶斯方法
3.5贝叶斯方法的偏差
3.6确信因子理论和基于论据的推理
3.7FORECAST：确信因子的应用
3.8贝叶斯推理和确信因子的对比
3.9小结
复习题
参考文献
第4章模糊专家系统
4.1概述
4.2模糊集
4.3语言变量和模糊限制语
4.4模糊集的操作
4.5模糊规则
4.6模糊推理
4.6.1Mamdani-Style 推理
4.6.2 Sugeno-Style推理
4.7建立模糊专家系统
4.8小结
复习题
参考文献
参考书目
第5章基于框架的专家系统
5.1框架简介
5.2知识表达技术——框架
5.3基于框架的系统中的继承
5.4方法和守护程序
5.5框架和规则的交互
5.6基于框架的专家系统实例：Buy Smart
5.7小结
复习题
参考文献
参考书目
第6章人工神经网络
6.1人脑工作机制简介
6.2作为简单计算元素的神经元
6.3感知器
6.4多层神经网络
6.5多层神经网络的加速学习
6.6Hopfield网络
6.7双向联想记忆
6.8自组织神经网络
6.8.1Hebbian学习
6.8.2竞争学习
6.9小结
复习题
参考文献
第7章进化计算
7.1进化是智能的吗
7.2模拟自然进化
7.3遗传算法
7.4遗传算法为什么可行
7.5案例研究：用遗传算法来维护调度
7.6进化策略
7.7遗传编程
7.8小结
复习题
参考文献
参考书目
第8章混合智能系统
8.1概述
8.2神经专家系统
8.3神经-模糊系统
8.4ANFIS
8.5进化神经网络
8.6模糊进化系统
8.7小结
复习题
参考文献
第9章知识工程
9.1知识工程简介
9.1.1问题评估
9.1.2数据和知识获取
9.1.3原型系统开发
9.1.4完整系统开发
9.1.5系统评价和修订
9.1.6系统集成和维护
9.2专家系统可以解决的问题
9.3模糊专家系统可以解决的问题
9.4神经网络可以解决的问题
9.5遗传算法可以解决的问题
9.6混合智能系统可以解决的问题
9.7小结
复习题
参考文献
第10章数据挖掘和知识发现
10.1数据挖掘简介
10.2统计方法和数据可视化
10.3主成分分析
10.4关系数据库和数据库查询
10.5数据仓库和多维数据分析
10.6决策树
10.7关联规则和购物篮分析
10.8小结
复习题
参考文献
术语表
附录人工智能工具和经销商
索引
2.2知识表达技术——规则
2.3专家系统研发团队的主要参与者
2.4基于规则的专家系统的结构
2.5专家系统的基本特征
2.6前向链接和后向链接推理技术
2.6.1前向链接
2.6.2后向链接
2.7MEDIA ADVISOR：基于规则的专家系统实例
2.8冲突消解
2.9基于规则的专家系统的优点和缺点
2.10小结
复习题
参考文献
第3章基于规则的专家系统中的不确定性管理
3.1不确定性简介
3.2概率论基本知识
3.3贝叶斯推理
3.4FORECAST：论据累积的贝叶斯方法
3.5贝叶斯方法的偏差
3.6确信因子理论和基于论据的推理
3.7FORECAST：确信因子的应用
3.8贝叶斯推理和确信因子的对比
3.9小结
复习题
参考文献
第4章模糊专家系统
4.1概述
4.2模糊集
4.3语言变量和模糊限制语
4.4模糊集的操作
4.5模糊规则
4.6模糊推理
4.6.1Mamdani-Style 推理
4.6.2 Sugeno-Style推理
4.7建立模糊专家系统
4.8小结
复习题
参考文献
参考书目
第5章基于框架的专家系统
5.1框架简介
5.2知识表达技术——框架
5.3基于框架的系统中的继承
5.4方法和守护程序
5.5框架和规则的交互
5.6基于框架的专家系统实例：Buy Smart
5.7小结
复习题
参考文献
参考书目
第6章人工神经网络
6.1人脑工作机制简介
6.2作为简单计算元素的神经元
6.3感知器
6.4多层神经网络
6.5多层神经网络的加速学习
6.6Hopfield网络
6.7双向联想记忆
6.8自组织神经网络
6.8.1Hebbian学习
6.8.2竞争学习
6.9小结
复习题
参考文献
第7章进化计算
7.1进化是智能的吗
7.2模拟自然进化
7.3遗传算法
7.4遗传算法为什么可行
7.5案例研究：用遗传算法来维护调度
7.6进化策略
7.7遗传编程
7.8小结
复习题
参考文献
参考书目
第8章混合智能系统
8.1概述
8.2神经专家系统
8.3神经-模糊系统
8.4ANFIS
8.5进化神经网络
8.6模糊进化系统
8.7小结
复习题
参考文献
第9章知识工程
9.1知识工程简介
9.1.1问题评估
9.1.2数据和知识获取
9.1.3原型系统开发
9.1.4完整系统开发
9.1.5系统评价和修订
9.1.6系统集成和维护
9.2专家系统可以解决的问题
9.3模糊专家系统可以解决的问题
9.4神经网络可以解决的问题
9.5遗传算法可以解决的问题
9.6混合智能系统可以解决的问题
9.7小结
复习题
参考文献
第10章数据挖掘和知识发现
10.1数据挖掘简介
10.2统计方法和数据可视化
10.3主成分分析
10.4关系数据库和数据库查询
10.5数据仓库和多维数据分析
10.6决策树
10.7关联规则和购物篮分析
10.8小结
复习题
参考文献
术语表
附录人工智能工具和经销商
索引
译者序
人工智能（Artificial
Intelligence，AI）是计算机学科的一个分支，被认为是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。“人工智能”一词最初是在1956年达特茅斯学院研讨会上提出的。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。在经历了辉煌和低谷之后，近30年来,人工智能的研究取得了迅速的发展，在很多领域（例如工程、医疗、财经、商业和管理等）都获得了广泛应用。人工智能的研究逐渐成熟,已成为一个独立的分支，无论在理论和实践上都已自成一个系统。
本书作者Michael Negnevitsky是澳大利亚塔斯马尼亚大学电气工程和计算机科学系教授。他的许多研究课题都涉及人工智能和软计算，一直致力于电气工程、过程控制和环境工程中智能系统的开发和应用。他著有200多篇论文、两本书，并获得了四项发明专利。
本书是一本很好的人工智能入门书籍，内容丰富、浅显易懂、适应面广。美国、德国、日本等多所大学的计算机相关专业都采用本书作为教材或主要教学参考书。与第2版相比，第3版引入了关于“数据挖掘”的新的一章，并展示了智能工具在解决复杂实际问题中的新应用。第3版还扩展了本书的参考文献和参考书目，并更新了附录中的人工智能工具和厂商列表。通过本书的学习，相信读者一定会对人工智能的完整知识体系有全面的了解。
陈薇组织并参与了本书的翻译和审校工作，参加翻译工作的还有闫秋玲、黄威靖、欧高炎、刘璐。由于译者水平有限，译文中疏漏和错误之处在所难免，欢迎广大读者批评指正。
陈薇
2012年于北京大学
本书作者Michael Negnevitsky是澳大利亚塔斯马尼亚大学电气工程和计算机科学系教授。他的许多研究课题都涉及人工智能和软计算，一直致力于电气工程、过程控制和环境工程中智能系统的开发和应用。他著有200多篇论文、两本书，并获得了四项发明专利。
本书是一本很好的人工智能入门书籍，内容丰富、浅显易懂、适应面广。美国、德国、日本等多所大学的计算机相关专业都采用本书作为教材或主要教学参考书。与第2版相比，第3版引入了关于“数据挖掘”的新的一章，并展示了智能工具在解决复杂实际问题中的新应用。第3版还扩展了本书的参考文献和参考书目，并更新了附录中的人工智能工具和厂商列表。通过本书的学习，相信读者一定会对人工智能的完整知识体系有全面的了解。
陈薇组织并参与了本书的翻译和审校工作，参加翻译工作的还有闫秋玲、黄威靖、欧高炎、刘璐。由于译者水平有限，译文中疏漏和错误之处在所难免，欢迎广大读者批评指正。
陈薇
2012年于北京大学
前言
第3版前言 Artificial
Intelligence,3E
这本书的主要目的与第1版相同，即为读者提供一本能实际了解计算机智能领域相关知识的书。它适合作为一个学期课程的入门教程，学生需要具备一些微积分的知识，不要求具备编程的经验。
在涵盖内容方面，本书引入了关于数据挖掘的新的一章，并展示了智能工具在解决复杂实际问题中的新应用。主要的变化如下：
在新的“数据挖掘和知识发现”一章中，我们介绍了大型数据库中知识发现不可或缺的一部分——数据挖掘。涉及将数据转换为知识的主要技术和工具，包括统计方法、数据可视化工具、结构化查询语言、决策树和购物篮分析。同时还展示了几个数据挖掘应用的实例。
在第9章中，增加了采用自组织神经网络进行聚类分析的新的实例。
最后，我们还扩展了本书的参考文献和参考书目，更新了附录中的人工智能工具和厂商列表。
Michael Negnevitsky
2010年9月于澳大利亚
塔斯马尼亚州霍巴特市
第1版前言 Artificial Intelligence,3E
“The only way not to succeed is not to try.”
——Edward Teller
又是一本人工智能的书……我已经见过很多同类的书，为什么还要理会它？它有什么与众不同之处？
每年，有成百上千本书和博士论文拓展着计算机或人工智能的知识体系。专家系统、人工神经网络、模糊系统以及进化计算是应用于智能系统的主要技术，数百个工具支持着这些技术，数以千计的科学论文不断推进着该学科的发展。本书中的任何章节的内容都可以作为一本书的主题。然而，我想写一本能够阐述智能系统基础的书，更为重要的原因是,我想消除大家对人工智能理论的畏惧心理。
大多数人工智能文献是采用计算机科学的专业术语进行描述的，其中充斥着大量复杂的矩阵代数和微分方程，这当然给人工智能理论带来了令人敬佩的资本，但同时也令非计算机科学的科学家对其敬而远之。不过，这种情况已经有所改变！
个人电脑已经成为我们日常生活中不可或缺的部分，我们将它用于打字机和计算器、日历和通信系统、交互式数据库以及决策支持系统。并且我们还渴望更多。我们希望计算机智能化！我们发现智能系统正快速地走出实验室，而我们也想更好地利用它。
智能系统的原理是什么？它是如何构建的？智能系统的用处是什么？我们该如何选择适当的工具构建智能系统？这些问题都可以在本书中找到答案。
与许多介绍计算机智能的书不同，本书将智能系统背后的奥妙简单明了地展示给读者。它是基于作者多年来给没有多少微积分知识的学生授课时所用的讲义而编写的，读者甚至不用学习任何编程语言就可轻松理解！书中的素材已经经过笔者15年的教学实践的检验，写作中也考虑了学生们提出的典型问题和建议。
本书是一本计算机智能领域的入门书籍，内容包括基于规则的专家系统、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统、知识工程和数据挖掘。
总体来说，本书可作为计算机科学、计算机信息系统和工程专业的本科生的入门教材。我在教学过程中，会要求学生开发小型的基于规则和基于框架的专家系统，设计一个模糊系统，探究人工神经网络，采用遗传算法求解一个简单的优化问题，并开发混合的神经模糊系统。他们使用一些专家系统的核心程序（XpertRule、Exsys Corvid和Visual Rule Studio）、MATLAB的模糊逻辑工具箱以及MATLAB的神经网络工具箱。我们选择这些工具的原因是它们能够便利地演示教学中的原理。然而，本书并不局限于任何特定的工具，书中给出的例子可以轻松地在不同的工具中实现。
这本书的主要目的与第1版相同，即为读者提供一本能实际了解计算机智能领域相关知识的书。它适合作为一个学期课程的入门教程，学生需要具备一些微积分的知识，不要求具备编程的经验。
在涵盖内容方面，本书引入了关于数据挖掘的新的一章，并展示了智能工具在解决复杂实际问题中的新应用。主要的变化如下：
在新的“数据挖掘和知识发现”一章中，我们介绍了大型数据库中知识发现不可或缺的一部分——数据挖掘。涉及将数据转换为知识的主要技术和工具，包括统计方法、数据可视化工具、结构化查询语言、决策树和购物篮分析。同时还展示了几个数据挖掘应用的实例。
在第9章中，增加了采用自组织神经网络进行聚类分析的新的实例。
最后，我们还扩展了本书的参考文献和参考书目，更新了附录中的人工智能工具和厂商列表。
Michael Negnevitsky
2010年9月于澳大利亚
塔斯马尼亚州霍巴特市
第1版前言 Artificial Intelligence,3E
“The only way not to succeed is not to try.”
——Edward Teller
又是一本人工智能的书……我已经见过很多同类的书，为什么还要理会它？它有什么与众不同之处？
每年，有成百上千本书和博士论文拓展着计算机或人工智能的知识体系。专家系统、人工神经网络、模糊系统以及进化计算是应用于智能系统的主要技术，数百个工具支持着这些技术，数以千计的科学论文不断推进着该学科的发展。本书中的任何章节的内容都可以作为一本书的主题。然而，我想写一本能够阐述智能系统基础的书，更为重要的原因是,我想消除大家对人工智能理论的畏惧心理。
大多数人工智能文献是采用计算机科学的专业术语进行描述的，其中充斥着大量复杂的矩阵代数和微分方程，这当然给人工智能理论带来了令人敬佩的资本，但同时也令非计算机科学的科学家对其敬而远之。不过，这种情况已经有所改变！
个人电脑已经成为我们日常生活中不可或缺的部分，我们将它用于打字机和计算器、日历和通信系统、交互式数据库以及决策支持系统。并且我们还渴望更多。我们希望计算机智能化！我们发现智能系统正快速地走出实验室，而我们也想更好地利用它。
智能系统的原理是什么？它是如何构建的？智能系统的用处是什么？我们该如何选择适当的工具构建智能系统？这些问题都可以在本书中找到答案。
与许多介绍计算机智能的书不同，本书将智能系统背后的奥妙简单明了地展示给读者。它是基于作者多年来给没有多少微积分知识的学生授课时所用的讲义而编写的，读者甚至不用学习任何编程语言就可轻松理解！书中的素材已经经过笔者15年的教学实践的检验，写作中也考虑了学生们提出的典型问题和建议。
本书是一本计算机智能领域的入门书籍，内容包括基于规则的专家系统、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统、知识工程和数据挖掘。
总体来说，本书可作为计算机科学、计算机信息系统和工程专业的本科生的入门教材。我在教学过程中，会要求学生开发小型的基于规则和基于框架的专家系统，设计一个模糊系统，探究人工神经网络，采用遗传算法求解一个简单的优化问题，并开发混合的神经模糊系统。他们使用一些专家系统的核心程序（XpertRule、Exsys Corvid和Visual Rule Studio）、MATLAB的模糊逻辑工具箱以及MATLAB的神经网络工具箱。我们选择这些工具的原因是它们能够便利地演示教学中的原理。然而，本书并不局限于任何特定的工具，书中给出的例子可以轻松地在不同的工具中实现。
. 本书也适合非计算机科学专业的相关人士自学。对于他们来说，本书提供了进入基于知识的系统和计算智能的前沿领域的钥匙。事实上，本书面向的专业读者群十分广泛：工程师和科学家、管理人员和商人、医生和律师，也就是所有面临挑战而无法用传统的方法解决问题的人，所有想了解计算机智能领域巨大成就的人。本书将帮助你实际了解智能系统的用途，发现与你的工作密切相关的工具，并最终学会如何使用这些工具。
希望读者能与我共同分享人工智能和软计算学科所带来的乐趣，并从本书中获益。
读者可以访问http://www.booksites.net/negnevitsky获得更多的信息。
Michael Negnevitsky
2001年2月于澳大利亚
塔斯马尼亚州 霍巴特市
本书概要 Artificial Intelligence,3E
本书一共包含10章。
第1章简要介绍了人工智能的历史，从20世纪中期诞生人工智能的思想并在60年代设立了远大目标并积极实现到20世纪70年代早期理想破灭和资金投入大幅削减；从20世纪70年代第一代专家系统（DENDRAL、MYCIN、PROSPECTOR）的诞生到20世纪八九十年代专家系统技术的成熟和其在不同领域的广泛应用；从20世纪40年代简单的二元神经元模型的提出到20世纪80年代人工神经网络领域的复苏；从20世纪60年代模糊集理论的提出和它的存在被西方忽视到20世纪80年代日本生产出大量模糊用户产品，以及20世纪90年代软计算和文字计算在世界范围内的广泛接受。
第2章提供了基于规则的专家系统概述。作者简要介绍了知识的概念，以及专家用产生式规则表示知识的过程。作者介绍了专家系统开发团队的主要成员和基于规则系统的结构。分析了专家系统的基本特性，并指出专家系统不是万无一失的。然后回顾了前向链接和后向链接推理技术，并讨论了冲突消解策略。最后分析了基于规则的专家系统的优缺点。
第3章展示了专家系统使用的两种不确定性管理技术：贝叶斯推理和确信因子。作者分析了不确定知识的主要来源，并简要回顾了概率理论。作者考虑了可累积论据的贝叶斯方法并开发一个简单的基于贝叶斯方法的专家系统。然后讨论确信因子理论（贝叶斯推理的常用替代方法），并开发一个基于论据推理的专家系统。最后，比较贝叶斯推理和确信因子理论并分析它们的适用范围。
第4章介绍了模糊逻辑并讨论其背后的哲学思想。首先介绍模糊集的概念，考虑如何在计算机里表示一个模糊集并介绍了模糊集的操作。作者还定义了语言变量和模糊限制语（hedge）。然后作者叙述了模糊规则，并解释了经典规则和模糊规则的主要区别。该章主要研究两种模糊推理技术：Mamdani法和Sugeno法，并就它们适宜的应用领域给出建议。最后介绍开发一个模糊专家系统的主要步骤，并通过构建和调试模糊系统的具体过程来阐明其理论。
第5章概述了基于框架的专家系统。介绍了框架的概念，并讨论如何将框架用于知识表达，以及阐明继承是基于框架系统的基本特征，还讨论了方法、守护程序和规则的应用。最后通过一个实例来介绍基于框架的专家系统的开发。
第6章介绍了人工神经网络，并讨论了机器学习的基本思想。叙述作为一个简单的计算单元的感知器的概念，并讨论了感知器的学习规则，还探索了多层神经网络，以及讨论了如何提高反向传播学习算法的计算效率。然后介绍循环神经网络，思考Hopfield网络训练算法和双向联想记忆（BAM）。最后介绍自组织神经网络并探讨Hebbian学习规则和竞争学习。
第7章概述了进化计算，其中包括遗传算法、进化策略和遗传编程。首先介绍了开发一个遗传算法的主要步骤，讨论遗传算法的工作机制，并通过具体的遗传算法应用阐明其理论。然后叙述一个进化策略的基本概念，比较了进化策略和遗传算法之间的不同。最后考虑遗传编程以及它的实际应用。
第8章讨论了结合不同智能技术的混合智能系统。首先介绍一种新型的专家系统——神经专家系统，它将神经网络和基于规则的专家系统结合起来。然后考虑一个功能上等同于Mamdani模糊推理模型的神经-模糊系统，以及一个功能上等同于Sugeno模糊推理模型的自适应神经模糊推理系统（ANFIS）。最后讨论进化神经网络和模糊进化系统。
第9章讨论了知识工程。首先讨论智能系统可以解决什么样的问题，并介绍知识工程过程的6个主要阶段。然后展示了专家系统、模糊系统、神经网络和遗传算法的典型应用。作者演示了如何构建智能系统来解决诊断、选择、预测、分类、聚类和优化问题。最后讨论了混合神经-模糊系统在决策支持和时序预测方面的应用。
第10章介绍了数据挖掘的概貌，讨论了将数据转换为知识的主要技术。首先，宽泛地定义了数据挖掘，并解释了在大型数据库中进行数据挖掘和知识发现的过程。介绍了一些统计学方法，包括主成分分析，并讨论了它们的局限性。随后展示了关系数据库中结构化查询语言的应用，介绍了数据仓库和多维数据分析。最后，介绍了最流行的数据挖掘工具——决策树和购物篮分析。
本书还包括一个术语表和一个附录。术语表包含了300余条用于专家系统、模糊逻辑、神经网络、进化计算、知识工程以及数据挖掘领域的定义。附录中提供了商业化的人工智能工具的列表。
本书的网站地址为http://www.booksites.net/negnevitsky。
致谢 Artificial Intelligence,3E
在本书的出版过程中，我直接或间接地得到了很多人至诚的帮助。我首先要感谢Vitaly Faybisovich博士，他不仅对我在软计算领域的研究提出了许多建设性的意见，还在我过去30年间的奋斗生涯中与我建立了真诚的友谊并给予了我大力支持。
我还要感谢许许多多为本书提出评论和有益建议的检阅人，感谢Pearson Education的编辑们，特别是Keith Mansfield、Owen Knight、Liz Johnson和Rufus Curnow，他们帮助我完成了本书的出版发行工作。
我要感谢我在澳大利亚塔斯马尼亚大学的本科生和研究生们，特别是我以前的博士生Tan Loc Le、Quang Ha、Steven Carter和Mark Lim，他们对新知识的渴求对我来说既是挑战也是激励。
我想感谢美国波士顿大学的Stephen Grossberg教授、德国马德堡大学的Frank Palis教授、日本广岛大学的Hiroshi Sasaki教授、美国罗切斯特理工学院的Walter Wolf教授以及东京工业大学的Kaoru Hirota教授，他们为我提供了在学生中对书的内容进行测试的机会。
我还要衷心地感谢Vivienne Mawson和Margaret Eldridge博士对本书初稿的审读工作。
尽管本书的第1版出版了十多年，但是已经有很多人用过它并向我提出了宝贵的意见和建议，由于人数众多，在此不能一一致谢，但我至少要感谢那些提出了特别有益建议的人们：Martin Beck（英国普利茅斯大学）、Mike Brooks（澳大利亚阿德莱德大学）、Genard Catalano（美国哥伦比亚大学）、Warren du Plessis（南非比勒陀利亚大学）、Salah Amin Elewa（埃及美洲大学）、Michael Fang（中国浙江大学）、John Fronckowiak（美国曼达尔学院）、Patrick B. Gibson（加拿大温莎大学）、Lev Goldfarb（加拿大New Brunswick大学）、Susan Haller（美国威斯康星大学）、Evor Hines（英国沃里克大学）、Philip Hingston（澳大利亚埃迪斯科文大学）、Sam Hui（美国斯坦福大学）、Yong-Hyuk Kim（韩国光云大学）、David Lee（英国赫特福德郡大学）、Andrew Nunekpeku（加纳大学）、Vasile Palade（英国牛津大学）、Leon Reznik（美国罗切斯特理工学院）、Simon Shiu（中国香港理工大学）、Boris Stilman（美国科罗拉多大学）、Thomas Uthmann（德国美因茨约翰尼斯·古腾堡大学）、Anne Venables（澳大利亚维多利亚大学）、Brigitte Verdonk（比利时安特卫普大学）、Ken Vollmar（美国西南密苏里州立大学）、Kok Wai Wong（新加坡南洋理工大学）以及Georgios N. Yannakakis（丹麦哥本哈根信息技术大学）。
希望读者能与我共同分享人工智能和软计算学科所带来的乐趣，并从本书中获益。
读者可以访问http://www.booksites.net/negnevitsky获得更多的信息。
Michael Negnevitsky
2001年2月于澳大利亚
塔斯马尼亚州 霍巴特市
本书概要 Artificial Intelligence,3E
本书一共包含10章。
第1章简要介绍了人工智能的历史，从20世纪中期诞生人工智能的思想并在60年代设立了远大目标并积极实现到20世纪70年代早期理想破灭和资金投入大幅削减；从20世纪70年代第一代专家系统（DENDRAL、MYCIN、PROSPECTOR）的诞生到20世纪八九十年代专家系统技术的成熟和其在不同领域的广泛应用；从20世纪40年代简单的二元神经元模型的提出到20世纪80年代人工神经网络领域的复苏；从20世纪60年代模糊集理论的提出和它的存在被西方忽视到20世纪80年代日本生产出大量模糊用户产品，以及20世纪90年代软计算和文字计算在世界范围内的广泛接受。
第2章提供了基于规则的专家系统概述。作者简要介绍了知识的概念，以及专家用产生式规则表示知识的过程。作者介绍了专家系统开发团队的主要成员和基于规则系统的结构。分析了专家系统的基本特性，并指出专家系统不是万无一失的。然后回顾了前向链接和后向链接推理技术，并讨论了冲突消解策略。最后分析了基于规则的专家系统的优缺点。
第3章展示了专家系统使用的两种不确定性管理技术：贝叶斯推理和确信因子。作者分析了不确定知识的主要来源，并简要回顾了概率理论。作者考虑了可累积论据的贝叶斯方法并开发一个简单的基于贝叶斯方法的专家系统。然后讨论确信因子理论（贝叶斯推理的常用替代方法），并开发一个基于论据推理的专家系统。最后，比较贝叶斯推理和确信因子理论并分析它们的适用范围。
第4章介绍了模糊逻辑并讨论其背后的哲学思想。首先介绍模糊集的概念，考虑如何在计算机里表示一个模糊集并介绍了模糊集的操作。作者还定义了语言变量和模糊限制语（hedge）。然后作者叙述了模糊规则，并解释了经典规则和模糊规则的主要区别。该章主要研究两种模糊推理技术：Mamdani法和Sugeno法，并就它们适宜的应用领域给出建议。最后介绍开发一个模糊专家系统的主要步骤，并通过构建和调试模糊系统的具体过程来阐明其理论。
第5章概述了基于框架的专家系统。介绍了框架的概念，并讨论如何将框架用于知识表达，以及阐明继承是基于框架系统的基本特征，还讨论了方法、守护程序和规则的应用。最后通过一个实例来介绍基于框架的专家系统的开发。
第6章介绍了人工神经网络，并讨论了机器学习的基本思想。叙述作为一个简单的计算单元的感知器的概念，并讨论了感知器的学习规则，还探索了多层神经网络，以及讨论了如何提高反向传播学习算法的计算效率。然后介绍循环神经网络，思考Hopfield网络训练算法和双向联想记忆（BAM）。最后介绍自组织神经网络并探讨Hebbian学习规则和竞争学习。
第7章概述了进化计算，其中包括遗传算法、进化策略和遗传编程。首先介绍了开发一个遗传算法的主要步骤，讨论遗传算法的工作机制，并通过具体的遗传算法应用阐明其理论。然后叙述一个进化策略的基本概念，比较了进化策略和遗传算法之间的不同。最后考虑遗传编程以及它的实际应用。
第8章讨论了结合不同智能技术的混合智能系统。首先介绍一种新型的专家系统——神经专家系统，它将神经网络和基于规则的专家系统结合起来。然后考虑一个功能上等同于Mamdani模糊推理模型的神经-模糊系统，以及一个功能上等同于Sugeno模糊推理模型的自适应神经模糊推理系统（ANFIS）。最后讨论进化神经网络和模糊进化系统。
第9章讨论了知识工程。首先讨论智能系统可以解决什么样的问题，并介绍知识工程过程的6个主要阶段。然后展示了专家系统、模糊系统、神经网络和遗传算法的典型应用。作者演示了如何构建智能系统来解决诊断、选择、预测、分类、聚类和优化问题。最后讨论了混合神经-模糊系统在决策支持和时序预测方面的应用。
第10章介绍了数据挖掘的概貌，讨论了将数据转换为知识的主要技术。首先，宽泛地定义了数据挖掘，并解释了在大型数据库中进行数据挖掘和知识发现的过程。介绍了一些统计学方法，包括主成分分析，并讨论了它们的局限性。随后展示了关系数据库中结构化查询语言的应用，介绍了数据仓库和多维数据分析。最后，介绍了最流行的数据挖掘工具——决策树和购物篮分析。
本书还包括一个术语表和一个附录。术语表包含了300余条用于专家系统、模糊逻辑、神经网络、进化计算、知识工程以及数据挖掘领域的定义。附录中提供了商业化的人工智能工具的列表。
本书的网站地址为http://www.booksites.net/negnevitsky。
致谢 Artificial Intelligence,3E
在本书的出版过程中，我直接或间接地得到了很多人至诚的帮助。我首先要感谢Vitaly Faybisovich博士，他不仅对我在软计算领域的研究提出了许多建设性的意见，还在我过去30年间的奋斗生涯中与我建立了真诚的友谊并给予了我大力支持。
我还要感谢许许多多为本书提出评论和有益建议的检阅人，感谢Pearson Education的编辑们，特别是Keith Mansfield、Owen Knight、Liz Johnson和Rufus Curnow，他们帮助我完成了本书的出版发行工作。
我要感谢我在澳大利亚塔斯马尼亚大学的本科生和研究生们，特别是我以前的博士生Tan Loc Le、Quang Ha、Steven Carter和Mark Lim，他们对新知识的渴求对我来说既是挑战也是激励。
我想感谢美国波士顿大学的Stephen Grossberg教授、德国马德堡大学的Frank Palis教授、日本广岛大学的Hiroshi Sasaki教授、美国罗切斯特理工学院的Walter Wolf教授以及东京工业大学的Kaoru Hirota教授，他们为我提供了在学生中对书的内容进行测试的机会。
我还要衷心地感谢Vivienne Mawson和Margaret Eldridge博士对本书初稿的审读工作。
尽管本书的第1版出版了十多年，但是已经有很多人用过它并向我提出了宝贵的意见和建议，由于人数众多，在此不能一一致谢，但我至少要感谢那些提出了特别有益建议的人们：Martin Beck（英国普利茅斯大学）、Mike Brooks（澳大利亚阿德莱德大学）、Genard Catalano（美国哥伦比亚大学）、Warren du Plessis（南非比勒陀利亚大学）、Salah Amin Elewa（埃及美洲大学）、Michael Fang（中国浙江大学）、John Fronckowiak（美国曼达尔学院）、Patrick B. Gibson（加拿大温莎大学）、Lev Goldfarb（加拿大New Brunswick大学）、Susan Haller（美国威斯康星大学）、Evor Hines（英国沃里克大学）、Philip Hingston（澳大利亚埃迪斯科文大学）、Sam Hui（美国斯坦福大学）、Yong-Hyuk Kim（韩国光云大学）、David Lee（英国赫特福德郡大学）、Andrew Nunekpeku（加纳大学）、Vasile Palade（英国牛津大学）、Leon Reznik（美国罗切斯特理工学院）、Simon Shiu（中国香港理工大学）、Boris Stilman（美国科罗拉多大学）、Thomas Uthmann（德国美因茨约翰尼斯·古腾堡大学）、Anne Venables（澳大利亚维多利亚大学）、Brigitte Verdonk（比利时安特卫普大学）、Ken Vollmar（美国西南密苏里州立大学）、Kok Wai Wong（新加坡南洋理工大学）以及Georgios N. Yannakakis（丹麦哥本哈根信息技术大学）。
喜欢
0
赠金笔