◼ Data Preprocessing: An Overview ◼ Data Quality ◼ Major Tasks in Data Preprocessing ◼ Data Cleaning ◼ Data Integration ◼ Data Reduction ◼ Data Transformation and Data Discretization ◼ Summary

◼ Data Objects and Attribute Types ◼ Basic Statistical Descriptions of Data ◼ Data Visualization ◼ Measuring Data Similarity and Dissimilarity ◼ Summary

Motivation: Why data mining? What is data mining? A Multi-Dimensional View of Data Mining What Kinds of Data Can Be Mined? What Kinds of Patterns Can Be Mined? What Kinds of Technologies Are Used? What Kinds of Applications Are Targeted? Major Issues in Data Mining A Brief History of Data Mining and Data Mining Society Summary

7.1 机器人规划的作用与任务 7.2 积木机器的机器人规划 7.3 STRIPS规划系统 7.4 具有学习能力的规划系统 7.5 分层规划 7.6 基于专家系统的机器人规划 7.7 太空构件装配顺序规划 7.8 小结

6.1 机器学习的定义、研究意义与发展历史 6.2 机器学习的主要策略与基本结构 6.3 –6.7 几种常用的学习方法 6.8 知识发现

搜索是人工智能中的一个基本问题，并与推理密切相关，搜索策略的优劣，将直接影响到智能系统的性能与推理效率。 5.1 搜索的基本概念 5.1.1 搜索的含义 5.1.2 状态空间法 5.1.3 问题归约法 5.2 状态空间的盲目搜索 5.2.1 一般图搜索过程 5.2.2 广度优先和深度优先搜索 5.2.3 代价树搜索 5.3 状态空间的启发式搜索 5.3.1 启发性信息和估价函数 5.3.2 A算法 5.3.3 A*算法 5.3.4 A*算法应用举例 5.4 与/或树的盲目搜索 5.5 与/或树的启发式搜索 5.6 博弈树的启发式搜索

4.1 概述 4.2 神经计算 4.3 模糊计算 4.4 粗糙集理论 4.5 遗传算法 4.6 进化策略 4.7 进化编程 4.8 人工生命 4.9 粒群优化 4.10 蚂群算法 4.11 自然计算 4.12 免疫算法

3.1 经典推理和非经典推理 3.2 非单调推理 3.3 时序推理 3.4 不确定性推理 3.5 概率推理 3.6 主观Bayes方法 3.7 可信度方法

按照符号主义的观点，知识是一切智能行为的基础，要使计算机具有智能，首先必须使它拥有知识。 2.1 知识与知识表示的概念 2.2 一阶谓词逻辑表示法 2.3 产生式表示法 2.4 语义网络表示法 2.5 框架表示法 2.6 过程表示法

1.1 AI的定义及其研究目标 AI的定义 AI的研究目标 1.2 AI的产生与发展 1.3 AI研究的基本内容 1.4 AI研究的不同学派 1.5 AI的主要研究和应用领域 1.6 AI近期发展分析 1.7 我国智能科学技术教育体系