8.4.1 规划简介：机器人学
8.4.2 使用规划宏：STRIPS
8.4.3 teleo?reactive规划
8.4.4 规划：来自NASA的例子
8.5 结语和参考文献
8.6 习题
第9章 不确定条件下的推理
9.0 简介
9.1 基于逻辑的反绎推理
9.1.1 非单调推理逻辑
9.1.2 真值维护系统
9.1.3 基于最小模型的逻辑
9.1.4 集合覆盖和基于逻辑的反绎
9.2 反绎：逻辑之外的办法
9.2.1 Stanford确信度代数
9.2.2 模糊集推理
9.2.3 Dempster?Shafer证据理论
9.3 处理不确定性的随机方法
9.3.1 有向图模型：贝叶斯信念网络
9.3.2 有向图模型：d-可分
9.3.3 有向图模型：一个推理算法
9.3.4 有向图模型：动态贝叶斯网络
9.3.5 马尔可夫模型：离散马尔可夫过程
9.3.6 马尔可夫模型：变形
9.3.7 BBN概率建模的一阶替代方案
9.4 结语和参考文献
9.5 习题
第四部分 机器学习
第10章 基于符号的机器学习
10.0 简介
10.1 基于符号学习的框架
10.2 变形空间搜索
10.2.1 泛化操作符和概念空间
10.2.2 候选解排除算法
10.2.3 LEX：启发式归纳搜索
10.2.4 评估候选解排除算法
10.3 ID3决策树归纳算法
10.3.1 自顶向下决策树归纳
10.3.2 测试选择的信息论方法
10.3.3 评价ID3
10.3.4 决策树数据问题：打包、推进
10.4 归纳偏置和学习能力
10.4.1 归纳偏置
10.4.2 可学习性理论
10.5 知识和学习
10.5.1 Meta?DENDRAL
10.5.2 基于解释的学习
10.5.3 EBL和知识层学习
10.5.4 类比推理
10.6 无监督学习
10.6.1 发现和无监督学习
10.6.2 概念聚类
10.6.3 COBWEB和分类知识的结构
10.7 强化学习
10.7.1 强化学习的组成部分
10.7.2 一个例子：九宫游戏
10.7.3 强化学习的推理算法和应用
10.8 结语和参考文献
10.9 习题
第11章 机器学习：连接机制
11.0 简介
11.1 连接网络的基础
11.2 感知机学习
11.2.1 感知机训练算法
11.2.2 例子：用感知机网络进行分类
11.2.3 通用delta规则
11.3 反传学习
11.3.1 反传算法的起源
11.3.2 反传算法实例1：NETtalk
11.3.3 反传算法实例2：异或
11.4 竞争学习
11.4 登陆
|注册欢迎登陆本站，认识更多朋友，获得更多精彩内容推荐！
2/2 首页 上一页 1 2
