《人工智能》是作者在多年人工智能教學實踐和多本人工智能教材編寫的基礎上，結合國內外人工智能領域的最新進展和我國人工智能教學改革的現狀，編寫的一本教材。《人工智能》共10章，除第1章人工智能概述外，其余內容可劃分為四大部分。第一部分由第2章～第4章組成，包括知識表示、確定性推理和搜索策略；第二部分由第5章、第6章組成，包括計算智能和不確定性推理；第三部分由第7章、第8章組成，包括機器學習和自然語言理解；第四部分由第9章、第10章組成，包括分布智能和新型專家系統。此外，在附錄中還給出了人工智能實驗說明。
《人工智能》可作為高等院校計算機、自動化、智能、通信、電子信息、信息管理及其他相關學科專業的本科生或研究生教材，也可供從事相關領域研究、開發和應用的科技工作者參考。
王萬森，博士、教授，享受國務院政府特殊津貼專家，兼任中國人工智能學會秘書長、教育工作委員會主任。主要從事人工智能、人工情感、e-learning、不確定推理、專家系統等方面的教學和科研工作。先后主編出版高校教材7本，主持過國家自然科學基金項目、北京市自然科學基金項目、北京市教委重點科技項目等十余項。
理論、方法、技術一體
認知、動手、創新啟迪
學習、研究、教學皆宜
《人工智能》是人工智能原理及應用的入門教材，基于作者20多年的人工智能教學和科研成果，結合國內外該領域的最新進展，側重于方法和技術應用，編寫而成。書中對各重要概念都給予了明確解釋，各重要方法都選配了恰當例子，各重要技術都給出了完整實例，做到了概念清晰，方法明了，技術實用。同時，《人工智能》還通過基本實驗和綜合實驗，進一步強化學生的實際動手和技術應用能力。書中涵蓋的主要內容：
·確定性人工智能：知識表示，推理及搜索；
·計算智能：進化計算，神經計算，模糊計算及粗糙集；
·不確定性推理：可信度推理，主觀貝葉斯推理，概率推理和模糊推理；
·智能技術研究和應用：機器學習，自然語言理解，分布智能及新型專家系統。
第1章 人工智能概述
1.1 人工智能的基本概念
1.1.1 智能的概念
1.1.2 人工智能的概念
1.1.3 人工智能的研究目標
1.2 人工智能的基本內容
1.2.1 與腦科學和認知科學的交叉研究
1.2.2 智能模擬的方法和技術研究
1.3 人工智能的歷史回顧
1.3.1 孕育期
1.3.2 形成期
1.3.3 知識應用期
1.3.4 從學派分立走向綜合
1.3.5 智能科學技術學科的興起
1.4 人工智能研究中的不同學派
1.4.1 符號主義學派
1.4.2 聯結主義學派
1.4.3 行為主義
1.5 人工智能的研究應用領域
1.5.1 機器思維
1.5.2 機器感知
1.5.3 機器行為
1.5.4 機器學習
1.5.5 計算智能
1.5.6 分布智能
1.5.7 智能系統
1.5.8 人工心理與人工情感
1.5.9 人工智能的典型應用
1.6 人工智能的現狀與思考
習題
第2章 確定性知識表示
2.1 知識表示的基本概念
2.1.1 知識的概念
2.1.2 知識表示和知識表示方法的概念
2.2 謂詞邏輯表示法
2.2.1 謂詞邏輯表示的邏輯學基礎
2.2.2 謂詞邏輯表示的方法
2.2.3 謂詞邏輯表示的經典例子
2.2.4 謂詞邏輯表示的特性
2.3 產生式表示法
2.3.1 產生式表示的基本方法
2.3.2 產生式表示的簡單例子
2.3.3 產生式表示的特性
2.4 語義網絡表示法
2.4.1 語義網絡的基本概念
2.4.2 事物和概念的表示
2.4.3 情況和動作的表示
2.4.4 語義網絡的基本過程
2.4.5 語義網絡表示法的特征
2.5 框架表示法
2.5.1 框架理論
2.5.2 框架結構和框架表示
2.5.3 框架系統
2.5.4 框架系統的基本過程
2.5.5 框架表示法的特性
2.6 面向對象表示法
2.6.1 面向對象的基本概念
2.6.2 知識的面向對象表示
2.6.3 面向對象表示與框架表示的區別
習題
第3章 確定性推理
3.1 推理概述
3.1.1 推理的概念
3.1.2 推理方法及其分類
3.1.3 推理控制策略及其分類
3.2 產生式系統
3.2.1 產生式系統的基本結構
3.2.2 產生式系統的推理過程
3.2.3 產生式系統的示例
3.3 自然演繹推理
3.3.1 自然演繹推理的邏輯基礎
3.3.2 自然演繹推理方法
3.4 歸結演繹推理
3.4.1 歸結演繹推理的邏輯基礎
3.4.2 子句集及其應用
3.4.3 魯濱遜歸結原理
3.4.4 歸結演繹推理的方法
3.4.5 歸結演繹推理的歸結策略
3.4.6 用歸結反演求取問題的答案
習題
第4章 搜索策略
4.1 搜索概述
4.1.1 搜索的含義
4.1.2 狀態空間法
4.1.3 問題歸約法
4.2 狀態空間的盲目搜索
4.2.1 廣度優先和深度優先搜索
4.2.2 代價樹搜索
4.3 狀態空間的啟發式搜索
4.3.1 啟發性信息和估價函數
4.3.2 A算法
4.3.3 A*算法
4.3.4 A*算法的特性
4.3.5 A*算法應用舉例
4.4 與/或樹的盲目搜索
4.4.1 與/或樹的一般搜索
4.4.2 與/或樹的廣度優先和深度優先搜索
4.5 與/或樹的啟發式搜索
4.5.1 解樹的代價與希望樹
4.5.2 與/或樹的啟發式搜索過程
4.6 博弈樹的啟發式搜索
4.6.1 概述
4.6.2 極大極小過程
4.6.3 Α-Β剪枝
習題
第5章 計算智能
5.1 概述
5.1.1 什么是計算智能
5.1.2 計算智能的產生與發展
5.1.3 計算智能與人工智能的關系
5.2 神經計算
5.2.1 神經計算基礎
5.2.2 人工神經網絡的互連結構
5.2.3 人工神經網絡的典型模型
5.3 進化計算
5.3.1 進化計算概述
5.3.2 遺傳算法
5.3.3 遺傳算法應用簡例
5.4 模糊計算
5.4.1 模糊集及其運算
5.4.2 模糊關系及其運算
5.5 粗糙集
5.5.1 粗糙集概述
5.5.2 粗糙集的基本理論
5.5.3 決策表的約簡
習題
第6章 不確定性推理
6.1 不確定性推理的基本概念
6.1.1 不確定性推理的含義
6.1.2 不確定性推理的基本問題
6.1.3 不確定性推理的類型
6.2 可信度方法
6.2.1 可信度的概念
6.2.2 可信度推理模型
6.2.3 可信度推理的例子
6.3 主觀BAYES方法
6.3.1 主觀BAYES方法的概率論基礎
6.3.2 主觀BAYES方法的推理模型
6.3.3 主觀BAYES推理的例子
6.4 模糊推理
6.4.1 模糊知識表示
6.4.2 模糊概念的匹配
6.4.3 模糊推理方法
6.5 概率推理
6.5.1 貝葉斯網絡的概念及理論
6.5.2 貝葉斯網絡推理的概念和類型
6.5.3 貝葉斯網絡的精確推理
習題
第7章 機器學
7.1 機器學習概述
7.1.1 機器學習的概念及其發展過程
7.1.2 學習系統的概念及模型
7.1.3 機器學習的類型
7.2 記憶學習
7.3 示例學習
7.3.1 示例學習的類型
7.3.2 示例學習的模型
7.3.3 示例學習的歸納方法
7.4 決策樹學習
7.4.1 決策樹的概念
7.4.2 ID3算法
7.5 聯結學習
7.5.1 聯結學習的心理學基礎
7.5.2 聯結學習的學習規則
7.5.3 感知器學習
7.5.4 BP網絡學習
7.5.5 HOPFIELD網絡學習
習題
第8章 自然語言理解
8.1 自然語言理解的基本概念
8.1.1 自然語言的含義與組成
8.1.2 自然語言理解的含義及任務
8.1.3 自然語言理解的發展過程
8.1.4 自然語言理解的層次
8.2 詞法分析
8.3 句法分析
8.3.1 句法規則的表示方法
8.3.2 自頂向下與自底向上分析
8.3.3 擴充轉移網絡分析
8.4 語義分析
8.4.1 語義文法
8.4.2 格文法
8.5 自然語言理解系統的層次模型
習題
第9章 分布智能
9.1 分布智能概述
9.1.1 分布智能的概念
9.1.2 分布式問題求解
9.1.3 多AGENT系統
9.2 AGENT的結構
9.2.1 AGENT的機理
9.2.2 反應AGENT的結構
9.2.3 認知AGENT的結構
9.2.4 混合AGENT的結構
9.3 AGENT通信
9.3.1 AGENT通信的基本問題
9.3.2 AGENT通信方式
9.3.3 AGENT通信語言KQML
9.4 多AGENT合作
9.4.1 AGENT的協調
9.4.2 AGENT的協作
9.4.3 AGENT的協商
9.4.4 多AGENT應用示例
9.5 移動AGENT
9.5.1 移動AGENT系統的一般結構
9.5.2 移動AGENT的實現技術及應用
習題
第10章 新型專家系統
10.1 專家系統概述
10.1.1 專家系統的產生與發展
10.1.2 新型專家系統的特征與類型
10.2 專家系統基礎
10.2.1 專家系統的基本結構
10.2.2 基于規則的專家系統
10.2.3 基于框架的專家系統
10.3 典型的新型專家系統
10.3.1 模糊專家系統
10.3.2 神經網絡專家系統
10.3.3 基于WEB的專家系統
10.3.4 分布式專家系統
10.3.5 協同式專家系統
10.4 專家系統的開發
10.4.1 開發步驟
10.4.2 知識獲取
10.4.3 開發工具與環境
習題
附錄A 人工智能實驗
參考文獻
新書資訊