人工智能导论

『课程目录』
│  ├─第一讲人工智能概述
│  │      1.1.1简介 – 绪论简介
│  │      1.2.1人工智能的概念 – 1.2.1智能的概念
│  │      1.2.2人工智能的概念 – 1.2.2智能的特征
│  │      1.2.3人工智能的概念 – 1.2.3人工智能的定义
│  │      1.3.1人工智能的发展简史 – 人工智能的发展简史
│  │      1.4.1人工智能研究的基本内容 – 人工智能研究的基本内容
│  │      
│  ├─第二讲一阶谓词逻辑知识表示法
│  │      2.1.1命题逻辑 – 命题逻辑
│  │      2.2.1谓词逻辑 – 谓词
│  │      2.2.2谓词逻辑 – 谓词公式
│  │      2.2.3谓词逻辑 – 谓词公式的性质
│  │      2.3.1一阶谓词逻辑知识表示法 – 一阶谓词逻辑知识表示法
│  │      2.3.2一阶谓词逻辑知识表示法 – 一阶谓词逻辑知识表示法特点
│  │     
│  ├─第三讲产生式表示法和框架表示法
│  │      3.1.1产生式表示法 – 产生式
│  │      3.1.2产生式表示法 – 产生式系统
│  │      3.1.3产生式表示法 – 产生式系统的例子
│  │      3.1.4产生式表示法 – 产生式表示法的特点
│  │      3.2.1框架表示法 – 框架表示法
│  │      
│  └─第四讲基于谓词逻辑的推理方法
│          4.1.1推理方式及其分类 – 推理方式及其分类
│          4.2.1归结演绎推理 – 归结演绎推理
│          4.2.2归结演绎推理 – 谓词公式化为子句集1
│          4.2.3归结演绎推理 – 谓词公式化为子句集2
│          4.3.1鲁滨逊归结原理 – 鲁滨逊归结原理
│          4.4.1归结反演 – 归结反演
│          4.5.1应用归结原理求问题 – 应用归结原理求问题
│  │      
│  ├─第五讲可信度方法和证据理论
│  │      5.1.1不确定推理 – 不确定推理
│  │      5.2.1可信度方法 – 可信度方法
│  │      5.3.1证据理论 – 5.3.1概率分配函数
│  │      5.3.2证据理论 – 5.3.2信任函数似然函数
│  │      5.3.3证据理论 – 5.3.3基于证据理论的推理
│  │      5.3.4证据理论 – 5.3.4基于证据理论的推理实例
│  ├─第六讲模糊推理方法
│  │      6.1.1模糊逻辑提出 – 模糊逻辑提出
│  │      6.2.1模糊集合与隶属函数 – 模糊集合
│  │      6.2.2模糊集合与隶属函数 – 模糊集合的定义和表示方法
│  │      6.2.3模糊集合与隶属函数 – 隶属函数  
│  │      6.3.1模糊关系及其合成 – 模糊关系及其合成
│  │      6.4.1模糊推理与模糊决策 – 模糊推理
│  │      6.4.2模糊推理与模糊决策 – 模糊决策
│  │      6.5.1模糊推理的应用 – 模糊推理应用
│  ├─第七讲搜索求解策略
│  │      7.1.1搜索的概念 – 搜索的概念
│  │      7.2.1状态空间知识表示法 – 状态空间知识表示方法
│  │      7.3.1启发式图搜索策略 – 1启发式图搜索策略启发式策略
│  │      7.3.2启发式图搜索策略 – 2启发式图搜索策略启发信息和估价函数
│  │      7.3.3启发式图搜索策略 – 3启发式图搜索策略A搜索算法
│  │      7.3.4启发式图搜索策略 – 4启发式图搜索策略A搜索算法及其特性
│  │      
│  ├─第八讲遗传算法及其应用
│  │      8.1.1智能计算基本遗传算法 – 基本遗传算法
│  │      8.2.1遗传算法的基本操作 – 编码
│  │      8.2.2遗传算法的基本操作 – 适应度函数的尺度变换
│  │      8.2.3遗传算法的基本操作 – 选择
│  │      8.2.4遗传算法的基本操作 – 交叉、变异
│  │      8.3.1遗传算法的一般步骤 – 遗传算法的一般步骤
│  │      8.4.1遗传算法的特点 – 遗传算法的特点
│  │      
│  ├─第九讲蚁群算法及其应用
│  │      9.1.1蚁群算法基本思想 – 蚁群算法基本思想
│  │      9.2.1基本蚁群算法模型 – 基本蚁群算法模型
│  │      9.3.1蚁群算法参数选择 – 蚁群算法参数选择
│  │      9.4.1蚁群算法的应用 – 蚁群算法的应用
│  │      
│  ├─第十讲专家系统与机器学习
│  │      10.1.110.1专家系统 – 专家系统的基本概念
│  │      10.1.210.1专家系统 – 专家系统的特点
│  │      10.1.310.1专家系统 – 专家系统的工作原理
│  │      10.1.410.1专家系统 – 知识获取的主要过程与模式
│  │      10.1.510.1专家系统 – 专家系统的建立
│  │      10.1.610.1专家系统 – 专家系统的实例
│  │      10.1.710.1专家系统 – 专家系统的开发工具
│  │      10.2.110.2机器学习 – 机器学习
│  │      10.2.210.2机器学习 – 学习系统的基本组成
│  │      10.2.310.2机器学习 – 机器学习的分类
│  ├─第十一讲BP神经网络及其应用
│  │      11.1.111.1神经元与神经网络 – 人工神经网络
│  │      11.1.211.1神经元与神经网络 – 神经元的结构
│  │      11.1.311.1神经元与神经网络 – 神经元的数学模型
│  │      11.1.411.1神经元与神经网络 – 神经网络的结构与工作方式
│  │      11.2.111.2BP神经网络 – BP神经网络的结构
│  │      11.2.211.2BP神经网络 – BP学习算法-两个问题
│  │      11.2.311.2BP神经网络 – BP学习算法基本思想
│  │      11.2.411.2BP神经网络 – BP学习算法–学习算法
│  │      11.2.511.2BP神经网络 – BP学习算法的实现
│  │      11.3.111.3BP神经网络在模式识别中的应用 – BP神经网络在模式识别中的应用
│  │      
│  ├─第十二讲Hopfield神经网络及其应用
│  │      12.1.112.1离散型Hopfield神经网络 – 离散型Hopfield神经网络模型
│  │      12.1.212.1离散型Hopfield神经网络 – 离散型Hopfield神经网络-工作方式和工作过程
│  │      12.1.312.1离散型Hopfield神经网络 – 离散型Hopfield神经网络-网络的稳定性
│  │      12.2.112.2连续型Hopfield神经网络 – 连续型Hopfield神经网络
│  │      12.3.112.3Hopfield神经网络的应用 – Hopfield神经网络在联想记忆中的应用
│  │      12.3.212.3Hopfield神经网络的应用 – Hopfield神经网络优化方法

抱歉,此资源仅限VIP下载,请先
本资源为虚拟可复制性产品,购买后不允许退款,谢谢您的支持!如遇链接失效,请添加客服QQ:3197428804 索取新的链接
此资源仅对VIP开放下载
下载说明:本资源为虚拟可复制性产品,购买后不允许退款,谢谢您的支持!如遇链接失效,请添加客服QQ:3197428804 索取新的链接
0

评论0

请先

没有账号? 忘记密码?