Искусственный интеллект (Э. Хант)

Научная библиотека

Научная библиотека

Искусственный интеллект (Э. Хант)

Хант Э. Искусственный интеллект. 1978 г. - 558 с.

Книга посвящена фундаментальным проблемам создания искусственного интеллекта и существующим подходам к их решению. В ней рассматриваются задачи распознавания образов, машинного доказательства теорем, восприятие машиной окружающего физического мира и, наконец, понимание машиной естественного языка. Особое внимание уделяется основным идеям и принципам искусственного интеллекта.

От читателя требуется умеренная математическая подготовка — достаточно знакомства с элементарными понятиями из теории множеств, комбинаторики и математической логики.

Книга полезна широкому кругу исследователей как введение в область искусственного интеллекта и приложений вычислительной техники к различным областям науки (в частности, психологии, биологии, лингвистики). Она может служить учебным пособием для студентов университетов и институтов, изучающих искусственный интеллект.

Оглавление

ОТ РЕДАКТОРА ПЕРЕВОДА
ПРЕДИСЛОВИЕ
Часть I. ВВЕДЕНИЕ
Глава 1. ОБЛАСТЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
1.2. Распознавание образов
1.3. Игры и принятие решений
1.4. Естественный язык и машинное понимание его
1.5. Самоорганизующие системы
1.6. Роботика
Глава 2. ПРОГРАММИРОВАНИЕ, СТРУКТУРА ПРОГРАММ И ВЫЧИСЛИМОСТЬ
2.1. Вычисления на цепочках
2.2. Формальные грамматики
2.3. Машины Тьюринга
2.3.1. Машины Тьюринга и языки типа 0
2.4. Линейно ограниченные автоматы и языки типа 1
2.5. Автомат с магазинной памятью и языки типа 2
2.6. Конечные автоматы и регулярные языки (типа 3)
2.7. Резюме и комментарии к практическому использованию
Часть II. РАСПОЗНАВАНИЕ ОБРАЗОВ
Глава 3. ОБЩИЕ СООБРАЖЕНИЯ ПРИ РАСПОЗНАВАНИИ ОБРАЗОВ
3.1. Характеризация задан распознавания образов
3.1.1. Предъявление обучающего множества
3.1.2. Правила классификации
3.1.3. Варианты описаний объектов
3.2. Историческая ретроспектива и текущие проблемы
Глава 4. МЕТОДЫ КЛАССИФИКАЦИИ И РАСПОЗНАВАНИЯ ОБРАЗОВ, ИСПОЛЬЗУЮЩИЕ ЕВКЛИДОВЫ ПРОСТРАНСТВА ОПИСАНИЙ
4.0.2. Предположение об евклидовости пространства
4.1. Бейесовские процедуры в распознавании образов
4.1.1. Применение бейесовского правила в параллельной классификации образов
4.1.2. Анализ в случае евклидова пространства описаний
4.2. Классический статистический подход к распознаванию образов и классификации
4.2.1. Многомерное нормальное распределение
4.3. Классификация, основанная на близости описаний
4.3.2. Классификация на основе максимизации сходства внутри множества
4.3.3. Дискриминантный метод
4.3.4. Сравнение статистического анализа и основанного на понятии близости распознавания образов
4.3.5. Нелинейная классификация
4.3.6. Классификация по правилу ближайшего соседа
4.4. Алгоритмы с обучением
4.4.1. Определения и обозначения
4.4.2. Процедура обучения для двух классов
4.4.3. Обобщение на случай k классов
4.4.4. Распространение результатов на нелинейные и неевклидовы случаи
4.4.5. Сходимость
4.5. Группирование
4.5.0. Задача группирования
4.5.1. Статистическое группирование
4.5.2. Метод k средних
4.5.3. Иерархическое группирование
Глава 5. НЕЕВКЛИДОВЫ ПАРАЛЛЕЛЬНЫЕ ПРОЦЕДУРЫ; ПЕРСЕПТРОН
5.1. Терминология
5.1.0. Проблемы, связанные с персептроном
5.1.1. Предикаты
5.1.2. Классификация предикатов
5.1.3. Переход от логического выражения к арифметическому и обратно
5.1.4. Определение персептронов
5.2. Основные теоремы для персептронов ограниченного порядка
5.2.2. Теорема об инвариантности относительно группы
5.3. Другие теоремы для персептронов ограниченного порядка
5.3.2. Булевы комбинации
5.3.3. Геометрические классы
5.3.4. Предикаты малого порядка
5.4. Возможности персептронов, ограниченных по диаметру
5.5. Важность анализа персептронов
Глава 6. ПОСЛЕДОВАТЕЛЬНОЕ РАСПОЗНАВАНИЕ ОБРАЗОВ
6.2. Бейесовские процедуры решения
6.3. Бейесовские оптимальные процедуры классификации, основанные на динамическом программировании
6.4. Приближения, основанные на алгоритмах ограниченного просмотра вперед
6.4.2. Обобщение на случай k шагов
6.4.3. Замечание относительно надежности
6.5. Сходимость в последовательном распознавании образов
6.5.2. Построение последовательных правил решения по конечным выборкам
Глава 7. ГРАММАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ОБРАЗОВ
7.1. Задача грамматического вывода
7.1.1. Разрешимость
7.1.2. Объединение бейесовских процедур с перечислением
7.1.3. Конструктивные процедуры грамматического вывода
7.1.4. Заключения относительно формального грамматического вывода
7.2. Грамматический анализ двумерных образов
7.2.1. Пояснение основных понятий
7.2.2. Вывод грамматик изображений
7.2.3. Критика грамматик изображений
Глава 8. ВЫДЕЛЕНИЕ ПРИЗНАКОВ
8.1. Формализация подхода, использующего факторный анализ
8.2. Формализация случая двоичных измерений
8.3. Конструктивные эвристические методы для выделения признаков
8.3.1. Формальный имитационный метод Блока, Нильсона и Дуды
8.3.2. Сравнение метода Ура и Восслера с методом Блока и др.
8.3.3. Метод включения свойств
8.4. Экспериментальное изучение порождения признаков в распознавании образов
8.5. Как важно быть умным
Часть III. ДОКАЗАТЕЛЬСТВО ТЕОРЕМ И РЕШЕНИЕ ЗАДАЧ
Глава 9. МАШИННОЕ ПРЕДСТАВЛЕНИЕ В РЕШЕНИИ ЗАДАЧ
9.1. Типы представлений
9.1.0. Перечисление
9.2. Комбинирование представлений
Глава 10. ГРАФОВЫЕ ПРЕДСТАВЛЕНИЯ В РЕШЕНИИ ЗАДАЧ
10.1. Алгоритмы для нахождения минимального пути к единственной целевой точке
10.1.3. Упорядоченный поиск
10.1.4. Алгоритм перебора в глубину
10.2. Оптимальный алгоритм упорядоченного поиска
10.2.1. Теорема оптимальности
10.3. Деревья и их применение
10.3.2. Деревья игр
Глава 11. ЭВРИСТИЧЕСКИЕ ПРОГРАММЫ РЕШЕНИЯ ЗАДАЧ
11.2. Универсальный решатель задач
11.2.1. Основные принципы GPS
11.2.2. Пример работы GPS
11.3. Фортранная дедуктивная система — автоматическое порождение таблиц связей
11.3.1. Пример решения задачи с помощью FDS
11.4. Планирование
11.4.2. Система STRIPS
11.4.3. Языки планирования
Глава 12. ДОКАЗАТЕЛЬСТВО ТЕОРЕМ
12.0. Доказательство теорем, основанное на эрбрановской процедуре
12.0.3. Метод доказательства от противного
12.0.4. Модели и опровержение
12.1. Принцип резолюции
12.1.2. Применение резолюции в общем случае
12.2. Простые стратегии очищения
12.2.1. Стратегия предпочтения одночленов
12.2.2. Исключение тавтологий и уникальных литералов
12.2.3. Факторизация
12.2.4. Использование подслучаев
12.2.5. Гиперрезолюция
12.3. Стратегии, учитывающие ход вывода
12.3.4. Совместное применение стратегий использования подслучаев и слияния
12.3.5. Пример из теории групп
12.3.6. Стратегии исходных данных
12.4. Синтаксические стратегии
12.5. Семантические стратегии
12.5.2. Исключение моделей при помощи конечных деревьев конфликта
12.6. Эвристики
12.7. Кванторы
12.8. Задачи, использующие равенства
12.9. Проблемы и будущие разработки
Часть IV. ПОНИМАНИЕ
Глава 13 МАШИННОЕ ВОСПРИЯТИЕ
13.1. Зрение
13.1.1. Основные понятия машинного анализа сцен
13.1.2. Программа INTERPRET
13.2. Восприятие машиной речи
13.2.1. Речевой сигнал
13.2.2. Распознавание отдельных слов
13.2.3. Система HEARSAY
Глава 14. ВОПРОСНО-ОТВЕТНЫЕ СИСТЕМЫ
14.1. Структуры данных
14.1.1. BASEBALL — простая вопросно-ответная система
14.1.2. DEACON: кольцевые структуры и приближения английского языка
14.1.3. Структуры баз данных, основанные на значимых отношениях; PROTOSYNTHEX III и связанные с ним системы
14.1.4. Замечание о структурах данных и понимании
14.2. Дедуктивный вывод в информационном поиске
14.2.2. DEDUCOM: объединение вопросно-ответной системы с базой данных
14.2.3. Дедуктивный процесс ответов на вопросы с использованием резолюций
14.2.4. Контекстно-ориентированное доказательство теорем
14.3. Понимание без использования логики
14.3.1. Иллюзия понимания при разговоре с ЭВМ
Глава 15. ПОНИМАНИЕ ЕСТЕСТВЕННОГО ЯЗЫКА
15.1. Естественный язык: математическая модель
15.1.1. Трансформационные грамматики
15.1.2. Анализ трансформационных грамматик
15.1.3. Критика математического подхода
15.2. Психологическая модель
15.2.2. Системная грамматика
15.2.3. Замечание относительно психологического подхода
Глава 16. ОБЗОР И ПЕРСПЕКТИВЫ
16.2. Общая теория мышления
СПИСОК ЛИТЕРАТУРЫ