本书基于作者多年来给没有多少微积分知识的学生授课时所用的讲义，介绍了人工智能或智能系统设计方面的基本知识，主要内容包括：基于规则的专家系统、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统、知识工程、数据挖掘等。

人工智能
智能系统指南
（原书第3版）
Artificial Intelligence
A Guide to Intelligent Systems Third Edition
（澳）Michael Negnevitsky 著　陈薇 等译

人工智能经常被人们认为是计算机科学中一门高度复杂甚至令人生畏的学科。长期以来人工智能方面的书籍往往包含复杂的矩阵代数和微分方程。本书基于作者多年面向微积分知识甚微的学生授课时所用的讲义，假定读者没有编程经验，以简单易懂的方式介绍了智能系统的基础知识。
本书目前已经被国际上多所大学（例如，德国的马格德堡大学、日本的广岛大学、美国的波士顿大学和罗切斯特理工学院等）采纳为教材。
如果您正在寻找关于人工智能或智能系统设计课程的浅显易懂的入门级教材，如果您不是计算机科学领域的专业人员而又正在寻找介绍基于知识系统最新技术发展的自学指南，本书将是您的最佳选择。

本书的主要内容：基于规则的专家系统、不确定性管理技术、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统、知识工程、数据挖掘。
本版的新增内容：与上一版相比，本版进行了全面更新，以反映人工智能领域的最新进展。其中新增了“数据挖掘与知识发现”一章和“自组织神经网络”及聚类相关内容，同时补充了4个新的案例研究。

作者简介
Michael Negnevitsky　澳大利亚塔斯马尼亚大学电气工程和计算机科学系教授。他的许多研究课题都涉及人工智能和软计算。他一直致力于电气工程、过程控制和环境工程中智能系统的开发和应用，发表了300多篇论文，著有2本专著，并获得了4项发明专利。

第3版前言 Artificial Intelligence,3E
　　这本书的主要目的与第1版相同，即为读者提供一本能实际了解计算机智能领域相关知识的书。它适合作为一个学期课程的入门教程，学生需要具备一些微积分的知识，不要求具备编程的经验。
　　在涵盖内容方面，本书引入了关于数据挖掘的新的一章，并展示了智能工具在解决复杂实际问题中的新应用。主要的变化如下：
　　在新的“数据挖掘和知识发现”一章中，我们介绍了大型数据库中知识发现不可或缺的一部分——数据挖掘。涉及将数据转换为知识的主要技术和工具，包括统计方法、数据可视化工具、结构化查询语言、决策树和购物篮分析。同时还展示了几个数据挖掘应用的实例。
　　在第9章中，增加了采用自组织神经网络进行聚类分析的新的实例。
　　最后，我们还扩展了本书的参考文献和参考书目，更新了附录中的人工智能工具和厂商列表。

Michael Negnevitsky
2010年9月于澳大利亚
塔斯马尼亚州霍巴特市


第1版前言 Artificial Intelligence,3E
　　“The only way not to succeed is not to try.”
　　　　——Edward Teller
　　又是一本人工智能的书……我已经见过很多同类的书，为什么还要理会它？它有什么与众不同之处？
　　每年，有成百上千本书和博士论文拓展着计算机或人工智能的知识体系。专家系统、人工神经网络、模糊系统以及进化计算是应用于智能系统的主要技术，数百个工具支持着这些技术，数以千计的科学论文不断推进着该学科的发展。本书中的任何章节的内容都可以作为一本书的主题。然而，我想写一本能够阐述智能系统基础的书，更为重要的原因是,我想消除大家对人工智能理论的畏惧心理。
　　大多数人工智能文献是采用计算机科学的专业术语进行描述的，其中充斥着大量复杂的矩阵代数和微分方程，这当然给人工智能理论带来了令人敬佩的资本，但同时也令非计算机科学的科学家对其敬而远之。不过，这种情况已经有所改变！
　　个人电脑已经成为我们日常生活中不可或缺的部分，我们将它用于打字机和计算器、日历和通信系统、交互式数据库以及决策支持系统。并且我们还渴望更多。我们希望计算机智能化！我们发现智能系统正快速地走出实验室，而我们也想更好地利用它。
　　智能系统的原理是什么？它是如何构建的？智能系统的用处是什么？我们该如何选择适当的工具构建智能系统？这些问题都可以在本书中找到答案。
　　与许多介绍计算机智能的书不同，本书将智能系统背后的奥妙简单明了地展示给读者。它是基于作者多年来给没有多少微积分知识的学生授课时所用的讲义而编写的，读者甚至不用学习任何编程语言就可轻松理解！书中的素材已经经过笔者15年的教学实践的检验，写作中也考虑了学生们提出的典型问题和建议。
　　本书是一本计算机智能领域的入门书籍，内容包括基于规则的专家系统、模糊专家系统、基于框架的专家系统、人工神经网络、进化计算、混合智能系统、知识工程和数据挖掘。
　　总体来说，本书可作为计算机科学、计算机信息系统和工程专业的本科生的入门教材。我在教学过程中，会要求学生开发小型的基于规则和基于框架的专家系统，设计一个模糊系统，探究人工神经网络，采用遗传算法求解一个简单的优化问题，并开发混合的神经模糊系统。他们使用一些专家系统的核心程序（XpertRule、Exsys Corvid和Visual Rule Studio）、MATLAB的模糊逻辑工具箱以及MATLAB的神经网络工具箱。我们选择这些工具的原因是它们能够便利地演示教学中的原理。然而，本书并不局限于任何特定的工具，书中给出的例子可以轻松地在不同的工具中实现。
　　本书也适合非计算机科学专业的相关人士自学。对于他们来说，本书提供了进入基于知识的系统和计算智能的前沿领域的钥匙。事实上，本书面向的专业读者群十分广泛：工程师和科学家、管理人员和商人、医生和律师，也就是所有面临挑战而无法用传统的方法解决问题的人，所有想了解计算机智能领域巨大成就的人。本书将帮助你实际了解智能系统的用途，发现与你的工作密切相关的工具，并最终学会如何使用这些工具。
　　希望读者能与我共同分享人工智能和软计算学科所带来的乐趣，并从本书中获益。
　　读者可以访问http://www.booksites.net/negnevitsky获得更多的信息。

Michael Negnevitsky
2001年2月于澳大利亚
塔斯马尼亚州 霍巴特市

计算机\人工智能

人工智能经常被人们认为是计算机科学中一门高度复杂甚至令人生畏的学科。长期以来人工智能方面的书籍往往包含复杂矩阵代数和微分方程。本书基于作者多年面向微积分知识甚微的学生授课时所用的讲义，假定读者没有编程经验，以简单易懂的方式介绍了智能系统的基础知识。
本书目前已经被国际上多所大学（例如，德国的马格德堡大学、日本的广岛大学、美国的波士顿大学和罗切斯特理工学院等）采纳为教材。
如果您正在寻找关于人工智能或智能系统设计课程的浅显易懂的入门级教材，如果您不是计算机科学领域的专业人员而又正在寻找介绍基于知识系统最新技术发展的自学指南，本书将是您的最佳选择。
本书的主要内容：
基于规则的专家系统　不确定性管理技术　模糊专家系统　基于框架的专家系统　
人工神经网络　进化计算　混合智能系统　知识工程　数据挖掘
与上一版相比，本版进行了全面更新，以反映人工智能领域的最新进展。其中新增了数据挖掘与知识发现一章和自组织神经网络聚类一节内容，同时补充了4个新的案例研究。

（澳） Michael Negnevitsky 著：Michael Negnevitsky 澳大利亚塔斯马尼亚大学电气工程和计算机科学系教授。他的许多研究课题都涉及人工智能和软计算。他一直致力于电气工程、过程控制和环境工程中智能系统的开发和应用，发表了300多篇论文，著有2本专著，并获得了4项发明专利。 加影印书小封面（978-7-111-35822-0）

陈薇 等译：暂无简介

人工智能（Artificial Intelligence，AI）是计算机学科的一个分支，被认为是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。“人工智能”一词最初是在1956年达特茅斯学院研讨会上提出的。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。在经历了辉煌和低谷之后，近30年来,人工智能的研究取得了迅速的发展，在很多领域（例如工程、医疗、财经、商业和管理等）都获得了广泛应用。人工智能的研究逐渐成熟,已成为一个独立的分支，无论在理论和实践上都已自成一个系统。
　　本书作者Michael Negnevitsky是澳大利亚塔斯马尼亚大学电气工程和计算机科学系教授。他的许多研究课题都涉及人工智能和软计算，一直致力于电气工程、过程控制和环境工程中智能系统的开发和应用。他著有200多篇论文、两本书，并获得了四项发明专利。
　　本书是一本很好的人工智能入门书籍，内容丰富、浅显易懂、适应面广。美国、德国、日本等多所大学的计算机相关专业都采用本书作为教材或主要教学参考书。与第2版相比，第3版引入了关于“数据挖掘”的新的一章，并展示了智能工具在解决复杂实际问题中的新应用。第3版还扩展了本书的参考文献和参考书目，并更新了附录中的人工智能工具和厂商列表。通过本书的学习，相信读者一定会对人工智能的完整知识体系有全面的了解。
　　陈薇组织并参与了本书的翻译和审校工作，参加翻译工作的还有闫秋玲、黄威靖、欧高炎、刘璐。由于译者水平有限，译文中疏漏和错误之处在所难免，欢迎广大读者批评指正。

陈薇
2012年于北京大学

译者序
第3版前言
第1版前言
本书概要
致谢
第1章基于知识的智能系统概述
11智能机
12人工智能的发展历史，从“黑暗时代”到基于知识的系统
121“黑暗时代”，人工智能的诞生（1943年~1956年）
122人工智能的上升期，远大目标积极实现的年代（1956年～20世纪60年代晚期）
123没有履行的诺言，来自现实的冲击（20世纪60年代晚期～20世纪70年代早期）
124专家系统技术，成功的关键因素（20世纪70年代早期～20世纪80年代中期）
125如何使机器学习，神经网络的重生（20世纪80年代中期至今）
126进化计算，在尝试中学习（20世纪70年代早期至今）
127知识工程的新纪元，文字计算（20世纪80年代后期至今）
13小结
复习题
参考文献
第2章基于规则的专家系统
21知识概述
22知识表达技术——规则
23专家系统研发团队的主要参与者
24基于规则的专家系统的结构
25专家系统的基本特征
26前向链接和后向链接推理技术
261前向链接
262后向链接
27MEDIA ADVISOR：基于规则的专家系统实例
28冲突消解
29基于规则的专家系统的优点和缺点
210小结
复习题
参考文献
第3章基于规则的专家系统中的不确定性管理
31不确定性简介
32概率论基本知识
33贝叶斯推理
34FORECAST：论据累积的贝叶斯方法
35贝叶斯方法的偏差
36确信因子理论和基于论据的推理
37FORECAST：确信因子的应用
38贝叶斯推理和确信因子的对比
39小结
复习题
参考文献
第4章模糊专家系统
41概述
42模糊集
43语言变量和模糊限制语
44模糊集的操作
45模糊规则
46模糊推理
4.6.1Mamdanistyle 推理
4.6.2 Sugenostyle推理
47建立模糊专家系统
48小结
复习题
参考文献
参考书目
第5章基于框架的专家系统
51框架简介
52知识表达技术——框架
53基于框架的系统中的继承
54方法和守护程序
55框架和规则的交互
56基于框架的专家系统实例：Buy Smart
57小结
复习题
参考文献
参考书目
第6章人工神经网络
61人脑工作机制简介
62作为简单计算元素的神经元
63感知器
64多层神经网络
65多层神经网络的加速学习
66Hopfield网络
67双向联想记忆
68自组织神经网络
681Hebbian学习
682竞争学习
69小结
复习题
参考文献
第7章进化计算
71进化是智能的吗
72模拟自然进化
73遗传算法
74遗传算法为什么可行
75案例研究：用遗传算法来维护调度
76进化策略
77遗传编程
78小结
复习题
参考文献
参考书目
第8章混合智能系统
81概述
82神经专家系统
83神经-模糊系统
84ANFIS
85进化神经网络
86模糊进化系统
87小结
复习题
参考文献
第9章知识工程
91知识工程简介
911问题评估
912数据和知识获取
913原型系统开发
914完整系统开发
915系统评价和修订
916系统集成和维护
92专家系统可以解决的问题
93模糊专家系统可以解决的问题
94神经网络可以解决的问题
95遗传算法可以解决的问题
96混合智能系统可以解决的问题
97小结
复习题
参考文献
第10章数据挖掘和知识发现
101数据挖掘简介
102统计方法和数据可视化
103主成分分析
104关系数据库和数据库查询
105数据仓库和多维数据分析
106决策树
107关联规则和购物篮分析
108小结
复习题
参考文献
术语表
附录人工智能工具和经销商
索引