教学目的、要求
本课程为计算机科学与技术学科研究生的学科基础课。本课程讲授和讨论人工智能前沿研究领域的主要思想和关键技术。主要内容有逻辑基础、自动推理、机器学习、分布式人工智能、人工生命等。 通过本课程的学习，希望学生能了解人工智能前沿研究领域，了解人工智能最新研究成果，掌握基本思想和关键技术，培养学生人工智能研究能力。
预修课程
数理逻辑、人工智能原理
教材
史忠植，《高级人工智能》，科学出版社，北京，1998。
主要内容
第一章 绪论 人工智能的认知问题，思维的层次模型，符号智能，人工智能的发展概况，人工智能的研究方法，自动推理，机器学习，分布式人工智能，人工思维模型，知识系统。 第二章 人工智能逻辑 逻辑，非单调逻辑，默认逻辑，限定逻辑，自认知逻辑，真值维护系统，情景演算的逻辑基础。 第三章 约束推理 回溯法，约束传播，约束传播在树搜索中的作用，智能回溯与真值维护，变量例示次序与赋值次序，局部修正搜索法，基于图的回跳法，基于影响的回跳法， 约束关系运算的处理，约束推理系统COPS。 第四章 定性推理 定性推理的基本方法，定性模型推理，定性进程推理，定性仿真推理，代数方法，几何空间定性推理。 第五章 基于范例推理 基于范例学习的一般过程，范例的表示，基于记忆网的范例检索，相似性关系，范例复用，范例保存，基于范例的规划设计程序，范例库维护，基于范例推理的洪水预报系统FOREZ。 第六章 概率推理 贝叶斯概率基础，贝叶斯学习理论，简单贝叶斯学习模型，贝叶斯网络的建造，贝叶斯潜在语义模型 第七章 归纳学习 归纳学习的逻辑基础，偏置变换，变型空间方法，AQ归纳学习算法，产生与测试方法，决策树学习，归纳学习的计算理论。 第八章 支持向量机 统计学习问题，学习过程的一致性，结构风险最小归纳原理，支持向量机，核函数 第九章 解释学习 解释学习模型，解释泛化学习方法，全局取代解释泛化方法，解释特化学习方法，解释泛化的逻辑程序，基于知识块的SOAR系统，可操作性标准，不完全领域知识下的解释学习。 第十章 强化学习 强化学习模型，动态规划，蒙特卡罗方法，时序差分学习，Q学习，强化学习中的函数估计 第十一章 粗糙集 知识的约简，决策逻辑，决策表的约简，粗糙集的扩展模型，粗糙集的实验系统，粒度计算 第十二章 关联规则 经典的挖掘算法，广义模糊关联规则的挖掘，挖掘关联规则的数组方法，任意多表间关联规则的并行挖掘，基于分布式系统的关联规则挖掘算法 第十三章 知识发现 数据驱动知识发现，模型躯动知识发现，理论驱动式发现方法，知识发现工具，MSMiner 的体系结构，元数据管理，数据仓库。 第十四章 分布智能 分布式问题求解，主体，主体理论，主体结构，主体通信，主体的协调与协作，多主体处理环境MAPE。 第十五章 进化计算 进化系统理论的形式模型，达尔文进化算法，分类器系统，桶链算法，遗传算法，并行遗传算法，分类器系统，规则发现系统，进化策略，进化程序设计。 第十六章 人工生命 研究人工生命的原因，人工生命的探索，人工生命模型，人工生命的研究方法和战略，计算机生命，细胞自动机，形态形成理论，混沌理论。