封面
前折页
书名页
版权
电气精品教材丛书编审委员会
序
前言
第1章 绪论
 1.1 人工智能的定义和历史
  1.1.1 人工智能的定义
  1.1.2 人工智能的历史
 1.2 人工智能的研究范畴
 1.3 人工智能研究的应用领域
 1.4 人工智能研究进展和展望
 参考文献
第2章 知识表示和逻辑推理
 2.1 知识与推理的关系
  2.1.1 什么是知识
  2.1.2 知识的特性
  2.1.3 知识的分类
  2.1.4 知识的表示
  2.1.5 什么是推理
  2.1.6 推理方式及其分类
 2.2 一阶谓词逻辑表示法
  2.2.1 一阶谓词逻辑表示的逻辑基础
  2.2.2 一阶谓词逻辑表示方法实例
  2.2.3 一阶谓词逻辑表示法的特点
 2.3 产生式表示法
  2.3.1 产生式的基本形式
  2.3.2 产生式系统
  2.3.3 产生式系统的分类
  2.3.4 产生式表示法的特点
 2.4 框架表示法
  2.4.1 框架
  2.4.2 框架网络
  2.4.3 框架中槽的设置与组织
  2.4.4 框架系统中求解问题的基本过程
  2.4.5 框架表示法的特点
 2.5 语义网络表示法
  2.5.1 语义网络的概念
  2.5.2 知识的语义网络表示
  2.5.3 常用的语义联系
  2.5.4 语义网络系统中求解问题的基本过程
  2.5.5 语义网络表示法的特点
 2.6 自然演绎推理
  2.6.1 推理所需逻辑基础
  2.6.2 自然演绎推理的形式
  2.6.3 自然演绎推理的特点
 2.7 归结演绎推理
  2.7.1 子句
  2.7.2 海伯伦理论
  2.7.3 鲁宾逊归结原理
  2.7.4 归结策略
  2.7.5 归结演绎推理的特点
 2.8 与/或形演绎推理
  2.8.1 与/或形正向演绎推理
  2.8.2 与/或形逆向演绎推理
  2.8.3 与/或形双向演绎推理
  2.8.4 与/或形演绎推理的特点
 2.9 主观贝叶斯推理
  2.9.1 简单不确定性推理
  2.9.2 知识不确定性的表示
  2.9.3 证据不确定性的表示
  2.9.4 组合证据不确定性的算法
  2.9.5 不确定性的传递算法
  2.9.6 主观贝叶斯推理的特点
 2.10 证据理论
  2.10.1 证据理论的表示
  2.10.2 证据理论的推理模型
  2.10.3 知识不确定性的表示
  2.10.4 证据不确定性的表示
  2.10.5 组合证据不确定性的算法
  2.10.6 不确定性的传递算法
  2.10.7 证据理论的特点
 2.11 其他推理方法
  2.11.1 模糊推理
  2.11.2 非单调推理
 思考讨论题
 参考文献
第3章 搜索技术
 3.1 搜索概述
  3.1.1 搜索的分类
  3.1.2 基于搜索的问题求解
  3.1.3 问题的状态空间表示
  3.1.4 问题的与/或树表示
 3.2 无信息搜索基本策略
  3.2.1 状态空间的图搜索
  3.2.2 宽度优先搜索
  3.2.3 深度优先搜索
 3.3 启发式搜索基本策略
  3.3.1 启发式搜索的几个重要概念
  3.3.2 A搜索算法
  3.3.3 A∗搜索算法
  3.3.4 与/或树的有序搜索
 3.4 博弈搜索基本策略
  3.4.1 博弈树
  3.4.2 极大极小值算法
  3.4.3 alpha-beta剪枝算法
 3.5 禁忌搜索算法
  3.5.1 局部搜索与最优化
  3.5.2 禁忌搜索算法理论
  3.5.3 改进禁忌搜索
  3.5.4 禁忌搜索算法流程
  3.5.5 禁忌搜索算法的参数设置
  3.5.6 禁忌搜索实例
 思考讨论题
 参考文献
第4章 进化算法和群智能算法
 4.1 概述
 4.2 遗传算法
  4.2.1 基本GA算法
  4.2.2 遗传算法的参数设置
  4.2.3 改进遗传算法
  4.2.4 遗传算法优化实例
 4.3 差分进化算法
  4.3.1 标准DE算法
  4.3.2 差分进化算法的参数设置
  4.3.3 改进DE算法
  4.3.4 差分进化算法优化实例
 4.4 粒子群算法
  4.4.1 基本PSO算法
  4.4.2 粒子群优化算法的参数设置
  4.4.3 改进粒子群优化算法
  4.4.4 粒子群优化算例
 4.5 蚁群算法
  4.5.1 基本蚁群算法
  4.5.2 蚁群算法的参数设置
  4.5.3 改进蚁群算法
  4.5.4 蚁群算法的优化实例
 思考讨论题
 参考文献
第5章 机器学习
 5.1 机器学习基础
  5.1.1 机器学习的基本概念
  5.1.2 机器学习的研究历史
  5.1.3 机器学习的分类
 5.2 神经网络
  5.2.1 神经网络的基本特点
  5.2.2 激活函数
  5.2.3 神经网络的学习机理
  5.2.4 线性分类器
 5.3 深度神经网络
  5.3.1 神经网络的结构
  5.3.2 前馈神经网络——卷积神经网络
  5.3.3 前馈神经网络——图神经网络
  5.3.4 反馈神经网络
 5.4 学习技巧
  5.4.1 自监督学习
  5.4.2 半监督训练
  5.4.3 特征嵌入
  5.4.4 多任务学习
  5.4.5 集成学习
  5.4.6 联邦学习
  5.4.7 自动化机器学习
 5.5 机器学习在电力工程中的应用
  5.5.1 新能源出力预测
  5.5.2 用电异常诊断
 思考讨论题
 参考文献
第6章 强化学习
 6.1 强化学习基本思想
  6.1.1 强化学习概念
  6.1.2 强化学习发展历程
  6.1.3 研究现状和展望
 6.2 强化学习系统
  6.2.1 系统组成
  6.2.2 强化学习方法类型
  6.2.3 强化学习特有概念
  6.2.4 马尔可夫决策过程
  6.2.5 贝尔曼方程
 6.3 强化学习方法
  6.3.1 动态规划方法
  6.3.2 蒙特卡洛方法
  6.3.3 Q学习方法
  6.3.4 深度强化学习
 6.4 强化学习实例[20]
  6.4.1 背景介绍
  6.4.2 实例要求
  6.4.3 Deep Q-Learning（DQN）算法实现
 思考讨论题
 参考文献
第7章 自然语言处理
 7.1 自然语言处理技术简述
  7.1.1 自然语言处理发展阶段
  7.1.2 自然语言处理难点问题
  7.1.3 自然语言理解
  7.1.4 机器翻译
  7.1.5 语音识别
  7.1.6 问答系统
 7.2 自然语言处理基础
  7.2.1 文本分类
  7.2.2 结构预测
  7.2.3 序列到序列
  7.2.4 任务评价方法
 7.3 预训练语言模型
  7.3.1 背景知识
  7.3.2 GPT模型
  7.3.3 BERT模型
  7.3.4 多模态预训练模型
  7.3.5 模型压缩
  7.3.6 文本生成
 7.4 自然语言处理实例
  7.4.1 背景介绍
  7.4.2 实例要求
  7.4.3 数据集介绍
  7.4.4 数据集预处理
  7.4.5 建立深度神经网络模型
  7.4.6 创建模型
 思考讨论题
 参考文献
后折页
封底