《高级人工智能 史忠植》由会员分享，可在线阅读，更多相关《高级人工智能 史忠植（7页珍藏版）》请在金锄头文库上搜索。
1、1编号：8106 高级人工智能ADVANCED ARTIFICIAL INTELLIGENCE类型：AB学时/学分：60/3, 机时：20预修课程数理逻辑、人工智能原理教学目的和要求(1) 了解人工智能前沿研究领域 (2) 了解人工智能最新研究成果 (3) 掌握基本思想和关键技术 (4) 培养人工智能研究能力内容提要和简要目录 本课讲授和讨论人工智能前沿研究领域的主要思想和关键技术。主要内容有 非单调逻辑、自动推理、机器学习、分布式人工智能、人工思维、 人工生命、大规模 并行人工智能等。简要目录 第一章 绪论 1.1 人工智能的认知问题 1.2 思维的层次模型 1.3 符号智能 1.4 人工智
2、能的发展概况 1.5 人工智能的研究方法 1.5.1 认知学派 1.5.2 逻辑学派 1.5.3 行为学派 1.6 自动推理 1.7 机器学习 1.8 分布式人工智能 1.9 人工思维模型 1.10 知识系统 第二章 人工智能逻辑2.1 逻辑-重要的形式工具 2.1.1 逻辑程序设计 2.1.2 关于知识的表示与推理 2.2 非单调逻辑 2.3 默认逻辑 22.4 限定逻辑 2.5 自认知逻辑 2.5.1 Moore 系统$cal L_B$ 2.5.2 $cal O cal L$ 逻辑 2.5.3 标准型定理 2.5.4 $diamondsuit-$ 记号以及稳定扩张的一种判定过程 2.6 真
3、值维护系统 2.7 情景演算的逻辑基础 2.7.1 刻划情景演算的多类逻辑$bf LR$ 2.7.2 $bf LR$中的基本动作理论 2.7.3 多类逻辑$bf LR$的改进 第三章 约束推理 3.1 概述 3.2 回溯法 3.3 约束传播 3.4 约束传播在树搜索中的作用 3.5 智能回溯与真值维护 3.6 变量例示次序与赋值次序 3.7 局部修正搜索法 3.8 基于图的回跳法 3.9 基于影响的回跳法 3.10 约束关系运算的处理 3.10.1 恒等关系的单元共享策略 3.10.2 区间传播 3.10.3 不等式图 3.10.4 不等式推理 3.11 约束推理系统 COPS 第四章定性推理
4、 4.1 概述 4.2 定性推理的基本方法 4.3 定性模型推理 4.4 定性进程推理 4.5 定性仿真推理 4.5.1 定性状态转换 4.5.2 QSIM 算法 4.6 代数方法 4.7 几何空间定性推理 4.7.1 空间逻辑 4.7.2 空间时间关系描述 4.7.3 空间和时间逻辑的应用 4.7.4 Randell 算法 第五章 基于范例推理 5.1 概述 35.2 基于范例学习的一般过程 5.3 范例的表示 5.3.1 语义记忆单元 5.3.2 记忆网 5.4 基于记忆网的范例检索 5.4.1 检索问题 5.4.2 语义记忆单元和范例检索 5.4.3 检索信息集与源范例的对应 5.4.4
5、 单概念的范例检索算法 AS 5.4.5 多概念的范例检索算法 AM 5.5 相似性关系 5.5.1 语义相似性 5.5.2 结构相似性 5.5.3 目标特征 5.5.4 个体相似性 5.5.5 相似性计算 5.5.6 优选过程 5.5.7 约束满足理论 5.6 范例复用 5.6.1 类比映射 5.6.2 类比转换 5.7 范例保存 5.8 基于范例的规划设计程序 5.9 范例库维护 5.10 基于范例推理的洪水预报系统 FOREZ 第六章 归纳学习6.1 概述 6.2 归纳学习的逻辑基础 6.2.1 归纳学习的一般模式 6.2.2 概念获取的条件 6.2.3 问题背景知识 6.2.4 选择型
6、和构造型泛化规则 6.3 偏置变换 6.4 变型空间方法 6.4.1 消除候选元素算法 6.4.2 两种改进算法 6.5 AQ 归纳学习算法 6.6 产生与测试方法 6.7 决策树学习 6.7.1 CLS 学习算法 6.7.2 ID3 学习算法 6.7.3 ID4 学习算法 6.7.4 ID5 学习算法 46.8 归纳学习的计算理论 6.8.1 Gold 学习理论 6.8.2 模型推理系统 6.8.3 Valiant 学习理论 第七章 类比学习7.1 什么是类比学习 7.2 类比的形式定义 7.3 基于抽象的有用类比推理 7.4 转换类比 7.4.1 手段-目的分析的问题求解模型 7.4.2
7、类比求解问题计算模型 7.4.3 问题求解状态变换 7.4.4 转换类比学习系统 7.4.5 类比学习的泛化规则 7.5 派生类比 7.6 因果关系型类比学习 7.6.1 类比匹配技术与相似性度量概述 7.6.2 知识表示 7.6.3 类比匹配 7.6.4 抽取问题的特征 7.6.5 相似度的计算方法 7.6.6 最佳对应关系匹配 7.7 联想类比学习 7.7.1 联想类比 7.7.2 联想类比条件 7.8 约束满足类比 7.8.1 三类约束 7.8.2 约束满足理论 7.8.3 ACME 第八章 解释学习 8.1 概述 8.2 解释学习模型 8.3 解释泛化学习方法 8.3.1 基本原理 8
8、.3.2 解释与泛化交替进行 8.4 全局取代解释泛化方法 8.5 解释特化学习方法 8.6 解释泛化的逻辑程序 8.6.1 工作原理 8.6.2 元解释器 8.6.3 实验例子 8.7 基于知识块的 SOAR 系统 58.8 可操作性标准 8.8.1 PRODIGY 的效用问题 8.8.2 SOAR 系统的可操作性 8.8.3 MRS-EBG 的可操作性 8.8.4 META-LEX 的处理方法 8.9 不完全领域知识下的解释学习 8.9.1 不完全领域知识 8.9.2 逆归结方法 8.9.3 基于深层知识方法 第九章 知识发现和数据开采 9.1 概述 9.2 数据驱动知识发现-BACON
9、9.3 模型躯动知识发现-COPER 9.4 理论驱动式发现方法 9.4.1 知识表示 9.4.2 学习实现 9.4.3 学习发现 9.5 概念聚类 9.5.1 概念内聚 9.5.2 聚类方法 9.6 数据开采 9.7 数据开采的数学工具-粗糙集 9.7.1 粗糙集理论 9.7.2 粗糙分类 9.7.3 渔网算法 9.8 广义粗糙集 9.9 基于粗糙集的数据约简 9.10 以数据仓库为基础的数据开采 9.10.1 数据仓库 9.10.2 联想规则发现算法 9.11 知识发现工具 KDT 9.11.1 系统结构 9.11.2 知识发现算法 第十章 分布式人工智能10.1 概述 10.2 分布式问题求解 10.2.1 分布式问题求解系统分类 10.2.2 分布式问题求解过程 10.3 主体 10.4 主体理论 10.4.1 理性主体 610.4.2 BDI 主体模型 10.4.3 RAO 逻辑框架 10.4.4 关于对别人进行推理的一个模式-换位推理 10.4.5 动作理论 10.4.6 次协
