《人工智能导论》 第7章 机器学习
机器学习机器学习的基本概念机器学习（Machinelearning）使计算机能模拟人的学习行为，自动地通过学习来获取知识和技能，不断改善性能，实现自我完善。机器学习主要研究以下三个问题：
学习机理：人类获取知识、技能和抽象概念的天赋能力。学习方法：机器学习方法的构造是在对生物学习机理进行简化的基础上，用计算的方法进行再现。学习系统：能够在一定程度上实现机器学习的系统。一个学习系统一般应该有环境、学习、知识库、执行与评价等四个基本部分组成。
环境：指外部信息的来源，可以是系统的工作对象，也可以包括工作对象和外界条件。环境是以某种形式表达的外界信息的集合。
知识库：用于存储由学习得到的知识，在存储时要进行适当的组织，使它既便于应用又便于维护。
执行与评价
执行环节用于处理系统面临的现实问题，即应用学到的知识求解问题。评价环节用于验证、评价执行环节执行的效果。目前对评价的处理有两种方式：一种是把评价时所需的性能指标直接建立在系统中，由系统对执行环节得到的结果进行评价；另一种是由人来协助完成评价工作。学习：部分将根据反馈信息决定是否要从环境中索取进一步的信息进行学习，以修改、完善知识库中的知识。这是学习系统的一个重要特征。
机器学习的分类按学习方法分类：机械式学习、指导式学习、示例学习、类比学习、解释学习等。这是温斯顿在1977年提出的一种分类方法。
按学习能力分类
监督学习（有教师学习）：监督学习是对每个输入模式都有一个正确的目标输出
强化学习（ReinforcementLearning）：强化学习中外部环境对系统输出结果只给出评价信息（奖励或者惩罚），而不是正确答案，学习系统通过那些受惩的动作改善自身的性能。
非监督学习（UnsupervisedLearning）：非监督学习系统完全按照环境提供的数据的某些统计规律调节自身的参数或者结构（自组织），以表示出外部输入的某种固有特性，如聚类或者某种统计上的分布特征。
若按学习时所采用的推理方式进行分类
基于演绎的学习是指以演绎推理为基础的学习。解释学习在其推理过程中主要用的演绎方法，因而可将它划入基于演绎的学习这一类。基于归纳的学习是指以归纳推理为基础的学习。示例学习、发现学习等在其学习过程中主要使用了归纳推理，因而可划入归纳学习这一类。早期的机器学习系统一般都使用单一的推理方式，现在则趋于集成多种推理技术来支持学习。例如类比学习就既用到演绎推理又用到归纳推理，解释学习也是这样，只是因它演绎部分所占的比例较大，所以把它归入基于演绎的学习。按综合属性分类：归纳学习、分析学习、连接学习以及遗传算法与分类器系统等。
分析学习是基于演绎和分析的学习。学习时从一个或几个实例出发，运用过去求解问题的经验，通过演绎对当前面临的问题进行求解，或者产生能更有效应用领域知识的控制性规则。分析学习的目标不是扩充概念描述的范围，而是提高系统的效率。
机械式学习机械式学习（RoteLeaning）又称为记忆学习，或者死记式学习，是一种最简单、最原始的学习方法。机械式学习通过直接记忆或者存贮外部环境所提供的信息达到学习的目的，并在以后通过对知识库的检索得到相应的知识直接用来求解问题。
机械式学习实质上是用存储空间来换取处理时间。虽然节省了计算时间，但却多占用了存储空间。当因学习而积累的知识逐渐增多时，占用的空间就会越来越大，检索的效率也将随着下降。所以，在机械式学习中要权衡时间与空间的关系，这样才能取得较好的效果。
指导式学习指导式学习（LearningByBeingTold）又称为嘱咐式学习或教授式学习。指导式学习是由外部环境向系统提供一般性的指示或建议，系统把它们具体地转化为细节知识并送入知识库中。在学习过程中要反复对形成的知识进行评价，使其不断完善。指导式学习的学习过程由下列四个步骤组成：
征询指导者的指示或建议把征询意见转换为可执行的内部形式加入知识库评价示例学习示例学习（LearningFromExamples）又称为实例学习或从例子中学习。示例学习是通过从环境中取得若干与某概念有关的例子，经归纳得出一般性概念的一种学习方法。
示例空间：所有可对系统进行训练的示例集合。搜索：从示例空间中查找所需的示例。解释：从搜索到的示例中抽象出所需的有关信息供形成知识使用。形成知识：把经解释得到的有关信息通过综合、归纳等形成一般性的知识。验证：检验所形成的知识的正确性。人工智能导论
兴智开发者社区人工智能导论--浙江工业大学--王万良人工智能导论--浙江工业大学--王万良人工智能导论一、第一讲人工智能概述1.一般认为人类智能是知识与智力的总和，其中知识是一切智能行为的基础，而智力是获取知识并应用知识求解问题的能力。true2.人类智能的特征包括（）。感知能力记忆与思维能力学习能力行为能力3.人工智能中通常把（）作为衡量机器智能的准则。图灵测试4.电子计算机的诞生为人工智能的研究奠定了物质基础。true5.人工智能研究的基本内容包括（）。机器行为机器感知机器思维机
小里奥15390人浏览·2021-04-1315:42:11小里奥 · 2021-04-1315:42:11发布人工智能导论一、第一讲人工智能概述1.一般认为人类智能是知识与智力的总和，其中知识是一切智能行为的基础，而智力是获取知识并应用知识求解问题的能力。true2.人类智能的特征包括（）。感知能力记忆与思维能力学习能力行为能力3.人工智能中通常把（）作为衡量机器智能的准则。图灵测试4.电子计算机的诞生为人工智能的研究奠定了物质基础。true5.人工智能研究的基本内容包括（）。机器行为机器感知机器思维机器学习6.人工智能的目的是让机器能够（），以实现某些脑力劳动的机械化。模拟、延伸和扩展人的智能二、第二讲一阶谓词逻辑知识表示法1.一个命题不能同时既为真又为假，但可以在一种条件下为真，在另一种条件为假。true2.命题逻辑可以把所描述的事物的结构及其逻辑特征反映出来，也能把不同事物间的共同特征表述出来。false3.李明的父亲是教师，用谓词逻辑可以表示为Teacher（father（Liming））这里father（Liming）是函数4.（）表示“每个人都有喜欢的人”。(Vx)(彐y)Like(x,y)5.对于谓词公式彐x(P(x,y)->Q(x,y))VR(x,y)，以下说法错误的是R(x,y)中的x是约束变元。6.一阶谓词逻辑表示的优点是自然性精确性严密性易实现7.下列（）是谓词公式。是P(x)非P(x)P(x)Q(x)8.一阶谓词逻辑表示法可以表示不确定的知识。false三、第三讲产生式表示法和框架表示法1.产生式是蕴含式。false2.不适合用产生式表示法表示的知识是（）具有结构关系的知识3.框架表示法不能表示具有因果关系的知识。false4.产生式系统求解问题的过程是一个反复进行“匹配--冲突消解--执行”的过程。true5.下列不是框架表示法特点的是（）模块化6.框架的槽值或侧面值不能是另一个框架的名字。false7.一个产生式系统由规则库、推理机、综合数据库三部分组成。true8.产生式有固定的格式，每一条产生式规则都由前提与结论（操作）两部分组成。true四、第四讲4.1基于谓词逻辑的推理方法1.从初始证据出发，按某种策略不断运用知识库中的已知知识，逐步推出结论的过程称为推理。true2.任何文字的合取式称为子句。false3.空子句是可以满足的false4.谓词公式不可满足的充要条件是其子句集不可满足。true5.对于一阶谓词逻辑，若子句集是不可满足的，则必存在一个从该子句集到空子句的归结演绎。true6.对于一阶谓词逻辑，如果没有归结出空子句，则说明原谓词公式是不可满足的。false4.2基于谓词逻辑的推理方法作业已知:(1)能阅读者是识字的;(2)海豚不识字;(3)有些海豚是聪明的;已知谓词R（x）表示x能阅读,L(x)表示识字，D（x）表示x是海豚，I（x）表示聪明的，请用归结原理证明：有些聪明者并不能阅读。证明：①、R（x）：x是【能阅读的】；x——命题变元,属于全总个体域②、L（x）：x是【识字的】；③、I（x）：x是【有智力的】；（1）∏（x）（R（x）→L（x））；（2）∏（d）（┐L（d））；∏——全称量词；d——命题变元,个体域为海豚；（3）∑（d）（I（d））；∑——存在量词；（4）∑（x）（I（x）∧┐R（x））；五、第五讲可信度方法和证据理论1.如果证据E的出现使得结论H一定程度为真，则可信度因子0兴智开发者社区更多推荐
·学人工智能后悔了？为什么千万别学人工智能专业？·遗传算法求解TSP问题（人工智能实验）·chatgpt赋能python：Python中如何去除NaN？-一个有10年python编程经验的工程师学人工智能后悔了？为什么千万别学人工智能专业？兴智开发者社区遗传算法求解TSP问题（人工智能实验）遗传算法求解TSP问题参考博客参考的代码和详解根据老师的数据把其中一些代码修改了很小一部分：```pythonimportnumpyasnpimportmathimportrandom#適應度deffitnessFunction(pop,num,city_num,distance):length=city_numforiinrange(num):dis=0forjinra兴智开发者社区chatgpt赋能python：Python中如何去除NaN？-一个有10年python编程经验的工程师兴智开发者社区1.5w3500扫一扫分享内容分享所有评论(0)你需要登录才能发言加载更多学习人工智能导论（3）
推理的定义：从初始证据（已知事实）出发，按某种策略不断运用知识库中的已知知识，逐步推出结论的过程
推理方式及分类：若从推出结论的途径划分，推理可分为演绎推理、归纳推理和默认推理
演绎推理从一般到个别的推理。演绎推理有多种形式，常用的是三段论式，包含以下几项：
大前提：已知的一般性知识或假设小前提：关于所研究的具体情况或个别事实的判断结论：由大前提推出的适合于小前提所示情况的新判断归纳推理从个别到一般的推理，是从足够多的事例中归纳出一般性结论的推理过程。若从归纳时所选事例的广泛性来划分，有完全归纳推理和不完全归纳推理。
完全归纳推理：在进行归纳时考察了相应事物的全部对象，并根据这些对象是否都具有某种属性，从而推出这个事物是否具有这个属性。
不完全归纳推理：考察相应事物的部分对象就得出了结论。此结论具有不必然性，属于非必然性推理，而完全归纳推理是必然性推理。
默认推理在知识不完全的情况下假设某些条件已经具备所进行的推理。在默认推理的过程中，如果到某一时刻发现原先所做的默认不正确，则要撤销所做的默认以及由此默认推出的所有结论，重新按新情况推理。
若按推理时所用知识的确定性划分，推理可分为确定性推理和不确定性推理
确定性推理推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值为真或假，没有第三种情况。
不确定性推理推理时所用的知识与证据都是不确定的，推出的结论也是不确定的。
可再细分为似然推理（基于概率论）与近似推理或模糊推理（基于模糊逻辑）。
若按推理过程中推出的结论是否越来越接近最终目标划分，推理又分为单调推理与非单调推理
单调推理在推理过程中随着推理向前推进及新知识的加入，推出的结论越来越接近最终目标。不会由于新知识的加入否定了前面推出的结论。
非单调推理在推理过程中由于新知识的加入，不仅没有加强已推出的结论，反而要否定他，使推理退回到前面的某一步，然后重新开始。
若按推理过程中是否运用与推理有关的启发性知识划分，推理可分为启发式推理和非启发式推理
启发式推理推理过程中运用与推理有关的启发性知识。启发性知识是指与问题有关且能加快推理过程、求得问题最优解的知识。例如,推理目标是要在脑膜炎、肺炎、流感这三种疾病中选择一个,又设有r1、r2、r3这三条产生式规则可使用,其中r1推出的是脑膜炎,r2推出的是肺炎,r3推出的是流感。如果希望尽早地排除脑这一危险疾病,应该先选用r1;如果本地区目前正在盛行流感,则应考虑首先选择r3。这里“膜炎危险”及“目前正在盛行流感”是与问题求解有关的启发性信息。
非启发式推理推理过程中没有运用与推理有关的启发性知识。
推理的方向推理过程是求解问题的过程。问题求解的质量与效率不仅依赖于所采用的求解方法（如匹配方法、不确定性的传递算法等),而且还依赖于求解问题的策略,即推理的控制策略。推理的控制策略主要包括推理方向、搜索策略、冲突消解策略、求解策略及限制策略等。推理方向分为正向推理、进向推理、混合推理及双向推理四种。
正向推理以已知事实作为出发点的一种推理。基本思想：
从用户提供的初始已知事实出发,在知识库找出当前可适用的知识构成可适用知识集,然后按某种冲突消解策略从中选出一条知识进行推理,并将推出的新事实加入数据库中，作为下一步推理的已知事实,此后再在知识库中选取可适用知识进行推理，重复这一过程,直到求得了问题的解或者知识库中再无可适用的知识。
正向推理的推理过程可用如下算法描述。①将用户提供的初始已知事实送入数据库。②检查数据库是否已经包含了问题的解,若有,则求解结束,并成功退出;否则,执行下一步
③根据数据库中的已知事实,扫描知识库,检查是否有可适用(即可与已知事实匹配)的知识,若有,则转向④,否则转向⑥。④把知识库中所有的适用知识都选出来,构成可适用知识集。⑤若知识集不空，则按某种冲突消解策略从中选出一条知识进行推理,并将推出的新事实加入数据库中,然后转向②;若知识集空了,则转向⑥。⑥询问用户是否可进一步补充新的事实,若可补充,则将补充的新事实加入数据库中,然后转向③;否则表示求不出解,失败退出。为了实现正向推理,有许多具体问题需要解决。例如,要从知识库中选出可适用的知识要用知识库中的知识与数据库中已知事实进行匹配,为此就需要确定匹配的方法。而匹配通常难以做到完全一致,因此还需要解决怎样才算是匹配成功的问题。
逆向推理以某个假设目标作为出发点的一种推理。基本思想：
首先选定一个假设目标,然后寻找支持该假设的证据（已知事实），给、】若所需的证据都能找到,说明假设成立；若找不到所需的证据,则说明假设不成立，需要另作新的假设。逆向推理过程可用如下算法描述：
①提出要求证的目标(假设)。②检查该目标是否已在数据库中，若在,则该目标成立,退出推理；否则，转下一步。
‘
人工智能导论 廉师友 / 清华大学出版社
第1篇 概述与工具第1章 人工智能概述1.1 什么是人工智能1.1.1 人工智能的概念1.1.2 图灵测试和中文屋子1.1.3 脑智能和群智能1.1.4 符号智能和计算智能1.1.5 统计智能和交互智能1.2 为什么要研究人工智能1.2.1 研究人工智能的意义1.2.2 人工智能的研究目标和策略1.3 人工智能的相关学科1.4 人工智能的研究内容1.4.1 搜索与求解1.4.2 知识与推理1.4.3 学习与发现1.4.4 发明与创造1.4.5 感知与响应1.4.6 理解与交流1.4.7 记忆与联想1.4.8 竞争与协作1.4.9 系统与建造1.4.10 应用与工程1.5 人工智能的研究途径与方法1.5.1 心理模拟，符号推演1.5.2 生理模拟，神经计算1.5.3 行为模拟，控制进化1.5.4 群体模拟，仿生计算1.5.5 博采广鉴，自然计算1.5.6 着眼数据，统计建模1.6 人工智能的应用1.6.1 难题求解1.6.2 自动规划、调度与配置1.6.3 机器博弈1.6.4 机器翻译与机器写作1.6.5 机器定理证明1.6.6 自动程序设计1.6.7 智能控制1.6.8 智能管理1.6.9 智能决策1.6.10 智能通信1.6.11 智能预测1.6.12 智能仿真1.6.13 智能设计与制造1.6.14 智能车辆与智能交通1.6.15 智能诊断与治疗1.6.16 智能生物信息处理1.6.17 智能教育1.6.18 智能人机接口1.6.19 模式识别1.6.20 智能机器人1.6.21 数据挖掘与知识发现1.6.22 计算机辅助创新1.6.23 计算机文艺创作1.7 人工智能的分支领域与研究方向1.8 人工智能学科发展概况1.8.1 孕育与诞生1.8.2 符号主义先声夺人1.8.3 连接主义不畏坎坷1.8.4 计算智能异军突起1.8.5 统计智能默默奉献1.8.6 智能主体一统江湖，Agent&Robot1.8.7 知识工程东山再起，机器学习领衔高歌1.8.8 现状与趋势习题1 第2章 人工智能程序设计语言2.1 概述2.1.1 函数型语言2.1.2 逻辑型语言2.1.3 面向对象语言2.1.4 计算型语言2.1.5 混合型语言2.2 知识工程经典语言PROLOG2.2.1 PROLOG的语句2.2.2 PROLOG的程序2.2.3 PROLOG程序的运行机理2.3 机器学习流行语言Python2.3.1 Python语言的特点和优势2.3.2 Python程序举例习题2 第2篇 搜索与求解第3章 图搜索与问题求解3.1 状态图与状态图搜索3.1.1 状态图3.1.2 状态图搜索3.1.3 穷举式搜索3.1.4 启发式搜索3.1.5 加权状态图搜索3.1.6 A算法和A*算法3.1.7 状态图搜索策略小结3.2 状态图搜索问题求解3.2.1 问题的状态图表示3.2.2 状态图问题求解程序举例3.3 与或图与与或图搜索3.3.1 与或图3.3.2 与或图搜索3.3.3 启发式与或树搜索3.4 与或图搜索问题求解3.4.1 问题的与或图表示3.4.2 与或图问题求解程序举例3.5 博弈树搜索*3.5.1 博弈树的概念3.5.2 极小极大分析法3.5.3 αβ剪枝技术习题3 第4章 基于遗传算法的随机优化搜索4.1 基本概念4.2 基本遗传算法4.3 遗传算法应用举例4.4 遗传算法的特点与优势习题4 第3篇 知识与推理第5章 基于一阶谓词的机器推理5.1 一阶谓词逻辑5.1.1 谓词，函数，量词5.1.2 谓词公式5.1.3 永真式与推理规则5.1.4 自然语言命题的谓词形式表示5.1.5 基于谓词公式的形式演绎推理5.2 归结演绎推理5.2.1 子句与子句集5.2.2 命题逻辑中的归结原理5.2.3 替换与合一5.2.4 谓词逻辑中的归结原理5.3 应用归结原理求取问题答案5.4 归结策略*5.4.1 问题的提出5.4.2 常用的归结策略5.4.3 归结策略的类型5.5 归结反演程序举例*5.6 Horn子句逻辑与逻辑程序设计语言*5.6.1 子句的蕴涵表示形式5.6.2 Horn子句逻辑与计算机程序语言延伸学习导引习题5 第6章 基于产生式规则的机器推理6.1 产生式规则6.1.1 产生式规则与推理网络6.1.2 基于产生式规则的推理模式6.2 产生式系统6.2.1 系统结构6.2.2 运行过程6.2.3 控制策略与常用算法6.2.4 程序实现6.3 产生式系统与图搜索问题求解习题6 第7章 几种结构化知识表示及其推理7.1 元组7.2 框架7.2.1 框架的概念7.2.2 框架的表达能力7.2.3 基于框架的推理7.2.4 框架的程序语言实现7.3 语义网络7.3.1 语义网络的概念7.3.2 语义网络的表达能力7.3.3 基于语义网络的推理7.3.4 语义网络的程序语言实现7.4 知识图谱7.5 类与对象习题7 第8章 不确定和不确切性知识的表示与推理8.1 概述8.2 不确定性知识的表示及推理8.2.1 不确定性知识的表示8.2.2 不确定性推理8.3 几种经典的不确定性推理模型*8.3.1 确定性理论8.3.2 主观贝叶斯方法8.3.3 证据理论8.4 基于贝叶斯网络的概率推理8.4.1 什么是贝叶斯网络8.4.2 用贝叶斯网络表示不确定性知识8.4.3 基于贝叶斯网络的概率推理8.5 不确切性知识的表示及推理8.5.1 软语言值及其数学模型8.5.2 不确切性知识的表示8.5.3 基于软语言规则的推理*8.5.4 基于模糊集合与模糊关系的模糊推理*8.5.5 对模糊推理的简单评述*延伸学习导引习题8 第4篇 学习与发现第9章 机器学习：符号学习与交互学习9.1 机器学习概述9.1.1 机器学习的概念9.1.2 机器学习的原理9.1.3 机器学习的分类9.2 几种典型的(符号)学习方法9.2.1 记忆学习9.2.2 示例学习9.2.3 演绎学习9.2.4 类比学习9.2.5 解释(分析)学习9.2.6 发现学习9.3 决策树学习9.3.1 什么是决策树9.3.2 如何学习决策树9.3.3 决策树学习的ID3算法9.3.4 决策树学习的发展9.4 强化学习9.4.1 简单原理9.4.2 值函数、Q函数和Q学习算法9.4.3 强化学习的发展概况习题9 第10章 统计学习10.1 概述10.2 几种基本判别模型的学习10.2.1 回归问题的线性函数模型学习，梯度下降法10.2.2 分类问题的线性判别函数模型学习10.2.3 分类问题的Logistic回归模型学习，梯度上升法10.3 监督学习中的几个进一步的问题10.3.1 监督学习的主要工作及步骤10.3.2 准则函数的演变10.3.3 过拟合、欠拟合、正则化10.3.4 模型与学习方法的分类10.4 支持向量机简介10.4.1 最大间隔超平面10.4.2 线性可分支持向量机10.4.3 线性支持向量机和非线性支持向量机延伸学习导引习题10 第11章 神经网络学习11．1从生物神经元到人工神经元11．2神经网络及其学习11．2．1神经网络的拓扑结构与功能11.2.2 神经网络的学习机理与方法11.2.3 神经网络模型及其分类11.3 感知器及其学习举例11.4 BP网络及其学习举例11.5 深度学习11.5.1 什么是深度学习11.5.2 深度学习的优势11.5.3 深度学习的发展和扩展11.5.4 深度学习框架与平台延伸学习导引习题11 第12章 数据挖掘与知识发现12.1 引言12.2 概述12.2.1 数据挖掘的一般过程12.2.2 数据挖掘的对象12.2.3 数据挖掘的任务12.2.4 数据挖掘的方法12.2.5 数据挖掘工具与平台12.3 关联规则发现12.3.1 什么是关联规则12.3.2 关联规则的发现机理和方法12.3.3 发现关联规则的Apriori算法12.3.4 关联规则的类型和挖掘算法12.4 k均值聚类算法12.5 大数据挖掘与分布式学习12.5.1 分布式并行计算模型和框架12.5.2 SpacheHadoop(MapReduce)简介12.5.3 基于MapReduce的分布式机器学习习题12 第5篇 感知与响应，理解与交流第13章 模式识别13.1 概述13.1.1 模式、模式类与模式识别13.1.2 模式的表示13.1.3 模式识别系统工作原理13.1.4 模式识别方法分类13.2 统计模式识别13.2.1 距离分类法13.2.2 几何分类法13.2.3 概率分类法13.3 朴素贝叶斯分类算法13.4 概率密度函数估计13.4.1 概述13.4.2 最大似然估计延伸学习导引习题13 第14章 数语互换*14.1 数语转换——从感知到表达14.2 语数转换——从决策到行动14.3 带数语互换接口的推理系统延伸学习导引习题14 第15章 自然语言处理15.1 自然语言处理的途径、方法和学派15.2 基于规则的自然语言理解15.2.1 简单句理解15.2.2 复合句理解15.2.3 转换文法和转换网络15.3 统计语言模型延伸学习导引习题15 第6篇 系统与建造第16章 专家(知识)系统16.1 基本概念16.1.1 什么是专家系统16.1.2 专家系统的特点16.1.3 专家系统的类型16.1.4 专家系统与基于知识的系统16.1.5 专家系统与知识工程16.2 系统结构16.2.1 概念结构16.2.2 实际结构16.2.3 黑板模型16.2.4 网络与分布式结构16.3 实例分析*16.4 系统设计与实现16.4.1 一般步骤与方法16.4.2 快速原型法和增量式开发16.4.3 知识获取16.4.4 知识表示与知识描述语言设计16.4.5 知识库与知识库管理系统设计16.4.6 推理机与解释机制设计16.4.7 系统结构设计16.4.8 人机界面设计16.5 开发工具与环境16.5.1 开发工具16.5.2 开发环境16.6 专家系统的发展16.6.1 深层知识专家系统16.6.2 自学习专家系统16.6.3 神经网络专家系统16.6.4 大型协同分布式专家系统习题16 第17章 Agent系统17.1 什么是Agent17.1.1 Agent的概念17.1.2 Agent的类型17.2 Agent的结构17.3 Agent实例——WebAgent17.4 多Agent系统17.4.1 多Agent系统的特征和研究内容17.4.2 多Agent系统的体系结构17.4.3 多Agent的合作与学习17.5 Agent的实现17.6 Agent技术的发展与应用习题17 第18章 智能机器人18.1 智能机器人的概念18.2 机器人感知18.3 机器人规划18.4 机器人控制18.5 机器人系统的软件结构18.6 机器人程序设计与语言18.6.1 机器人程序设计18.6.2 机器人程序设计语言18.7 机器人技术进展习题18 第19章 智能计算机与智能化网络19.1 智能计算机19.1.1 智能硬件平台和智能操作系统19.1.2 LISP机和PROLOG机19.1.3 人工智能芯片19.1.4 神经网络计算机，类脑芯片19.1.5 智能计算机发展展望19.2 智能化网络19.2.1 智能网19.2.2 智能Web19.2.3 网络的智能化管理与控制19.2.4 网上信息的智能化检索19.2.5 推荐系统习题19上机实习及指导实习一PROLOG语言编程练习实习二图搜索问题求解实习三小型专家系统设计与实现实习四Python语言统计学习编程练习实习五Python语言神经网络学习编程练习实习六深度学习框架应用练习 附录A函数型程序设计语言LISP中英文名词对照及索引参考文献