第1章  绪论

　　1.1　人工智能概况

         1.1.1　智能与人工智能

         1.1.2　人工智能的产生及主要学派

　　1.2　人工智能的研究目标、内容和途径

         1.2.1　人工智能的研究目标

         1.2.2　人工智能的研究内容

         1.2.3　人工智能的研究途径

　　1.3　人工智能的研究领域

         1.3.1　问题求解领域

         1.3.2　机器学习领域

         1.3.3　模式识别

         1.3.4　自然语言处理

         1.3.5　自动定理证明

         1.3.6　智能机器人

         1.3.7　专家系统领域

         1.3.8　人工神经网络

　　习题1

第2章　知识与知识表示

　　2.1　知识的基本概述

         2.1.1　知识的概念

         2.1.2　知识的分类和特征

         2.1.3　知识的表示

　　2.2　产生式表示法

         2.2.1　产生式系统的组成

         2.2.2　产生式系统的控制策略

         2.2.3　产生式系统的推理方式

         2.2.4　特殊产生式系统

         2.2.5　产生式系统的特点

　　2.3　语义网络表示法

         2.3.1　语义网络的基本概念

         2.3.2　知识的语义网络表示

         2.3.3　语义网络推理

         2.3.4　语义网络表示法的特点

　　2.4　框架表示法

         2.4.1　框架的构成

         2.4.2　框架系统的推理

         2.4.3　框架表示法的特点

　　2.5　过程表示法

　　2.6　脚本表示法

　　习题2

第3章　搜索策略

　　3.1　搜索策略概述

         3.1.1　搜索概述

         3.1.2　状态空间法

         3.1.3　问题归约法

　　3.2　状态图搜索策略

         3.2.1　状态图搜索的一般过程

         3.2.2　广度优先搜索

         3.2.3　深度优先搜索

         3.2.4　有界深度优先搜索

         3.2.5　启发式搜索

         3.2.6　A*算法

　　3.3　AND/OR图搜索策略

         3.3.1　AND/OR图搜索

         3.3.2　AND/OR图的启发式搜索

　　3.4　博弈树搜索策略

         3.4.1　博弈树的概念

         3.4.2　极小极大搜索过程

         3.4.3　α-β过程

　　习题3

第4章　不确定性知识的表示与推理

　　4.1　不确定性知识的表示与推理概述

         4.1.1　不确定性推理的概念

         4.1.2　不确定性推理中的基本问题

         4.1.3　不确定性推理的分类

　　4.2　不确定性推理方法

         4.2.1　概率推理

         4.2.2　主观Bayes方法

         4.2.3　可信度方法

         4.2.4　证据理论

         4.2.5　模糊推理

　　习题4

第5章　基于逻辑的问题求解方法

　　5.1　一阶谓词逻辑的基本内容

         5.1.1　命题

         5.1.2　谓词与量词

         5.1.3　谓词公式与解释

         5.1.4　谓词逻辑中的形式演绎推理

　　5.2　归结原理

         5.2.1　子句

         5.2.2　Herbrand定理

         5.2.3　鲁宾逊归结原理

         5.2.4　归结反演

         5.2.5　基于归结的问题求解

         5.2.6　归结策略

　　5.3　与/或形演绎推理

         5.3.1　与/或形正向演绎推理

         5.3.2　与/或形反向演绎推理

         5.3.3　与/或形双向演绎推理

　　习题5

第6章　机器学习

　　6.1　机器学习概述

         6.1.1　机器学习的概念

         6.1.2　机器学习的原理

         6.1.3　机器学习的发展历史

　　6.2　机器学习的分类

         6.2.1　基于推理策略分类

         6.2.2　基于系统性分类

　　6.3　符号学习

         6.3.1　记忆学习

         6.3.2　指导学习

         6.3.3　演绎学习

         6.3.4　类比学习

         6.3.5　解释学习

         6.3.6　决策树学习

　　习题6

第7章　专家系统

　　7.1　专家系统概述

         7.1.1　专家系统的定义、优点及应用领域

         7.1.2　专家系统的特点

         7.1.3　专家系统的类型

         7.1.4　专家系统的发展

　　7.2　专家系统的结构和基本工作原理

         7.2.1　专家系统的结构

         7.2.2　专家系统的基本工作原理

　　7.3　专家系统的开发过程

         7.3.1　知识获取和知识工程

         7.3.2　专家系统的设计

         7.3.3　专家系统的评价

　　7.4　专家系统举例

         7.4.1　动物识别专家系统

         7.4.2　MYCIN专家系统

　　习题7

第8章　人工智能语言

　　8.1　人工智能语言概述

　　8.2　LISP语言

         8.2.1　LISP语言基础

         8.2.2　LISP语言程序设计举例

　　8.3　Prolog语言

         8.3.1　Prolog语言基础

         8.3.2　Prolog语言程序设计举例

　　习题8

参考文献