人工智能：一種現(xiàn)代方法 中文版

第一章  緒  論
1.1  什么是人工智能？
1.1.1  類人行為：圖靈測試方法
1.1.2  類人思考：認知模型方法
1.1.3  理性地思考：“思維法則”方法
1.1.4  理性地行動：理性智能體方法
1.2  人工智能的基礎
1.2.1  哲學（公元前428年—現(xiàn)在）
1.2.2  數(shù)學（約800年—現(xiàn)在）
1.2.3  經(jīng)濟學（1776年—現(xiàn)在）
1.2.4  神經(jīng)科學（1861年—現(xiàn)在）
1.2.5  心理學（1879年—現(xiàn)在）
1.2.6  計算機工程（1940年—現(xiàn)在）
1.2.7  控制論（1948年—現(xiàn)在）
1.2.8  語言學（1957年—現(xiàn)在）
1.3  人工智能的歷史
1.3.1  人工智能的孕育期（1943年—1955年）
1.3.2  人工智能的誕生（1956年）
1.3.3  早期的熱情，巨大的期望（1952年—1969年）
1.3.4  現(xiàn)實的困難（1966年—1973年）
1.3.5  基于知識的系統(tǒng)：力量的鑰匙？（1969年—1979年）
1.3.6  AI成為工業(yè)（1980年—現(xiàn)在）
1.3.7  神經(jīng)元網(wǎng)絡的回歸（1986年—現(xiàn)在）
1.3.8  AI成為科學（1987年—現(xiàn)在）
1.3.9  智能化智能體的出現(xiàn)（1995年—現(xiàn)在）
1.4  目前發(fā)展水平
1.5  小結
參考文獻與歷史的注釋
習題
第二章  智能化智能體
2.1  智能體和環(huán)境
2.2  好的行為表現(xiàn)：理性的概念
2.2.1  性能度量
2.2.2  理性
2.2.3  全知者，學習和自主性
2.3  環(huán)境的本質(zhì)
2.3.1  詳細說明任務環(huán)境
2.3.2  任務環(huán)境的屬性
2.4  智能體的結構
2.4.1  智能體程序
2.4.2  簡單反射型智能體
2.4.3  基于模型的反射型智能體
2.4.4  基于目標的智能體
2.4.5  基于效用的智能體
2.4.6  學習智能體
2.5  小結
參考文獻與歷史的注釋
習題
第三章  用搜索法對問題求解
3.1  問題求解智能體
3.1.1  定義明確的問題及解
3.1.2  把問題形式化
3.2  問題實例
3.2.1  玩具問題
3.2.2  現(xiàn)實世界問題
3.3  對解的搜索
3.3.1  度量問題求解的性能
3.4  無信息的搜索策略
3.4.1  廣度優(yōu)先搜索
3.4.2  代價一致搜索
3.4.3  深度優(yōu)先搜索
3.4.4  深度有限搜索
3.4.5  迭代深入深度優(yōu)先搜索
3.4.6  雙向搜索
3.4.7  無信息搜索策略的比較
3.5  避免重復狀態(tài)
3.6  使用不完全信息的搜索
3.6.1  無傳感問題
3.6.2  偶發(fā)性問題
3.7  小結
參考文獻與歷史的注釋
習題
第四章  有信息的搜索和探索
4.1  有信息的（啟發(fā)式的）搜索策略
4.1.1  貪婪最佳優(yōu)先搜索
4.1.2  A*搜索：最小化總的估計解耗散
4.1.3  存儲限制的啟發(fā)式搜索
4.1.4  為了更好地搜索而學習
4.2  啟發(fā)函數(shù)
4.2.1  啟發(fā)函數(shù)的精確度對性能的影響
4.2.2  設計可采納的啟發(fā)函數(shù)
4.2.3  從經(jīng)驗里學習啟發(fā)函數(shù)
4.3  局部搜索算法和最優(yōu)化問題
4.3.1  爬山法搜索
4.3.2  模擬退火搜索
4.3.3  局部剪枝搜索
4.3.4  遺傳算法
4.4  連續(xù)空間的局部搜索
4.5  聯(lián)機搜索智能體和未知環(huán)境
4.5.1  聯(lián)機搜索問題
4.5.2  聯(lián)機搜索智能體
4.5.3  聯(lián)機局部搜索
4.5.4  聯(lián)機搜索的學習
4.6  小結
參考文獻與歷史的注釋
習題
第五章  約束滿足問題
5.1  約束滿足問題
5.2  CSP問題的回溯搜索
5.2.1  變量和取值順序
5.2.2  通過約束傳播信息
前向檢驗
約束傳播
處理特殊約束
智能回溯：向后看
5.3  約束滿足問題的局部搜索
5.4  問題的結構
5.5  小結
參考文獻與歷史的注釋
習題
第六章  對抗搜索
6.1  搏弈
6.2  博弈中的優(yōu)化決策
6.2.1  最優(yōu)策略
6.2.2  極小極大值算法
6.2.3  多人游戲中的最優(yōu)決策
6.3  a-b剪枝
6.4  不完整的實時決策
6.4.1  評價函數(shù)
6.4.2  截斷搜索
6.5  包含幾率因素的游戲
6.5.1  有幾率節(jié)點的游戲中的局面評價
6.5.2  期望極小極大值的復雜度
6.6  博弈程序的當前發(fā)展水平
6.7  討論
6.8  小結
參考文獻與歷史的注釋
習題
第七章  邏輯智能體
7.1  基于知識的智能體
7.2  WUMPUS世界
7.3  邏輯
7.4  命題邏輯：一種非常簡單的邏輯
7.4.1  語法
7.4.2  語義
7.4.3  一個簡單的知識庫
7.4.4  推理
7.4.5  等價、合法性和可滿足性
7.5  命題邏輯的推理模式
7.5.1  歸結
7.5.2  合取范式
7.5.3  歸結算法
7.5.4  歸結的完備性
7.5.5  前向和反向鏈接
7.6  有效的命題推理
7.6.1  一個完備的回溯搜索
7.6.2  局部搜索算法
7.6.3  困難的滿足性問題
7.7  基于命題邏輯的智能體
7.7.1  用邏輯推理尋找陷阱和wumpus
7.7.2  記錄位置和方向
7.7.3  基于電路的智能體
7.7.4  比較
7.8  小結
參考文獻與歷史的注釋
習題
第八章  一階邏輯
8.1  表示方法的回顧
8.2  一階邏輯的語法和語義
8.2.1  一階邏輯的模型
8.2.2  符號和解釋
8.2.3  項
8.2.4  原子語句
8.2.5  復合語句
8.2.6  量詞
全稱量詞（"）
存在量詞（$）
嵌套量詞
"和$之間的連接符
8.2.7  等式
8.3  使用一階邏輯
8.3.1  一階邏輯的斷言和查詢
8.3.2  親屬關系域
8.3.3  數(shù)、集合和列表
8.3.4  wumpus世界
8.4  一階邏輯中的知識工程
8.4.1  知識工程的過程
8.4.2  電路領域
確定任務
搜集相關知識
確定詞匯表
對域的通用知識進行編碼
對特定問題的實例進行編碼
把查詢提交給推理過程
調(diào)試知識庫
8.5  小結
參考文獻與歷史的注釋
習題
第九章  一階邏輯中的推理
9.1  命題 對比 一階推理
9.1.1  量詞的推理規(guī)則
9.1.2  簡化到命題推理
9.2  合一和提升
9.2.1  一階推理規(guī)則
9.2.2  合一
9.2.3  存儲和檢索
9.3  前向鏈接
9.3.1  一階確定子句
9.3.2  一個簡單的前向鏈接算法
9.3.3  高效的前向鏈接
9.4  反向鏈接
9.4.1  反向鏈接算法
9.4.2  邏輯程序設計
9.4.3  邏輯程序的高效實現(xiàn)
9.4.4  冗余推理和無限循環(huán)
9.4.5  約束邏輯程序設計
9.5  歸結
9.5.1  一階邏輯的合取范式
9.5.2  歸結推理規(guī)則
9.5.3  證明的實例
9.5.4  歸結的完備性
9.5.5  處理等式
9.5.6  歸結策略
9.5.7  定理證明機
9.6  小結
參考文獻與歷史的注釋
習題
第十章  知識表示
10.1  本體論工程
10.2  類別和對象
10.2.1  物質(zhì)成份
10.2.2  度量
10.2.3  物質(zhì)和對象
10.3  行動，情景和事件
10.3.1  情景演算本體論
10.3.2  描述情景演算中的行動
10.3.3  解決表示框架問題
10.3.4  解決推理框架問題
10.3.5  時間和事件演算
10.3.6  一般化事件
10.3.7  過程
10.3.8  區(qū)間
10.3.9  流和對象
10.4  精神事件和精神對象
10.4.1  關于信度的形式理論
10.4.2  知識和信度
10.4.3  知識、時間和行動
10.5  互聯(lián)網(wǎng)購物世界
10.5.1  對供應進行比較
10.6  類別的推理系統(tǒng)
10.6.1  語義網(wǎng)絡
10.6.2  描述邏輯
10.7  缺省信息推理
10.7.1  開放世界和封閉世界
10.7.2  失敗否定式和穩(wěn)定模型語義
10.7.3  界限和缺省邏輯
10.8  真值維護系統(tǒng)
10.9  小結
參考文獻與歷史的注釋
習題
第十一章  規(guī)  劃
11.1  規(guī)劃問題
11.1.1  規(guī)劃問題語言
11.1.2  表達能力和延伸
11.1.3  例：航空貨物運輸
11.1.4  例：備用輪胎問題
11.1.5  例：積木世界
11.2  狀態(tài)空間搜索規(guī)劃
11.2.1  前向狀態(tài)空間搜索
11.2.2  后向狀態(tài)空間搜索
11.2.3  狀態(tài)空間搜索的啟發(fā)式
11.3  偏序規(guī)劃
11.3.1  一個偏序規(guī)劃的例子
11.3.2  無約束變量的偏序規(guī)劃
11.3.3  偏序規(guī)劃啟發(fā)式
11.4  規(guī)劃圖
11.4.1  規(guī)劃圖的啟發(fā)式估計
11.4.2  GRAPHPLAN算法
11.4.3  GRAPHPLAN的終止
11.5  命題邏輯規(guī)劃
11.5.1  用命題邏輯描述規(guī)劃問題
11.5.2  命題編碼的復雜度
11.6  規(guī)劃方法分析
11.7  小結
參考文獻與歷史的注釋
習題
第十二章  現(xiàn)實世界的規(guī)劃與行動
12.1  時間、調(diào)度表和資源
12.1.1  具有資源約束的調(diào)度安排
12.2  分層任務網(wǎng)絡規(guī)劃
12.2.1  表示行動分解
12.2.2  為分解修改規(guī)劃器
12.2.3  討論
12.3  在非確定性領域中進行規(guī)劃和行動
12.4  條件規(guī)劃
12.4.1  完全可觀察環(huán)境中的條件規(guī)劃
12.4.2  部分可觀察環(huán)境中的條件規(guī)劃
12.5  執(zhí)行監(jiān)控和重新規(guī)劃
12.6  持續(xù)規(guī)劃
12.7  多智能體規(guī)劃
12.7.1  合作：聯(lián)合目標和規(guī)劃
12.7.2  多體規(guī)劃
12.7.3  協(xié)調(diào)機制
12.7.4  競爭
12.8  小結
參考文獻與歷史的注釋
習題
第十三章  不確定性
13.1  不確定環(huán)境下的行動
13.1.1  處理不確定知識
13.1.2 不確定性與理性決策
13.1.3  決策理論智能體的設計
13.2  基本概率符號表示
13.2.1  命題
13.2.2  原子事件
13.2.3  先驗概率
13.2.4  條件概率
13.3  概率公理
13.3.1  使用概率公理
13.3.2  為什么概率公理是合理的
13.4  使用全聯(lián)合分布進行推理
13.5  獨立性
13.6  貝葉斯法則及其應用
13.6.1  應用貝葉斯法則：一個簡單例子
13.6.2  使用貝葉斯法則：合并證據(jù)
13.7  重游wumpus世界
13.8  小結
參考文獻與歷史的注釋
習題
第十四章  概率推理
14.1  不確定域中的知識表示
14.2  貝葉斯網(wǎng)絡的語義
14.2.1  表示全聯(lián)合概率分布
14.2.2  貝葉斯網(wǎng)絡中的條件獨立關系
14.3  條件分布的有效表達
14.4  貝葉斯網(wǎng)絡中的精確推理
14.4.1  通過枚舉進行推理
14.4.2  變量消元算法
14.4.3  精確推理的復雜度
14.4.4  團算法
14.5  貝葉斯網(wǎng)絡的近似推理
14.5.1  直接采樣算法 
14.5.2  馬爾可夫鏈仿真推理
14.6  把概率擴展到一階表示
14.7  不確定推理的其他方法
14.7.1  基于規(guī)則的不確定推理方法
14.7.2  表示無知性：Dempster-Shafer理論
14.7.3  表示模糊性：模糊集與模糊邏輯
14.8  小結
參考文獻與歷史的注釋
習題
第十五章  關于時間的概率推理
15.1  時間與不確定性
15.1.1  狀態(tài)與觀察
15.1.2  穩(wěn)態(tài)過程與馬爾可夫假設
15.2  時序模型中的推理
15.2.1  濾波和預測
15.2.2  平滑
15.2.3  尋找最可能序列
15.3  隱馬爾可夫模型
15.3.1  簡化的矩陣算法
15.4  卡爾曼濾波器
15.4.1  更新高斯分布
15.4.2  一個簡單的一維例子
15.4.3  一般情況
15.4.4  卡爾曼濾波器的適用性
15.5  動態(tài)貝葉斯網(wǎng)絡
15.5.1  構造動態(tài)貝葉斯網(wǎng)絡
15.5.2  動態(tài)貝葉斯網(wǎng)絡中的精確推理
15.5.3  動態(tài)貝葉斯網(wǎng)絡中的近似推理
15.6  語音識別
15.6.1  語音
15.6.2  詞語（word）
15.6.3  語句
15.6.4  搭建語音識別器
15.7  小結
參考文獻與歷史的注釋
習題
第十六章  制定簡單決策
16.1  在不確定性環(huán)境下結合信度與愿望
16.2  效用理論基礎
16.2.1  理性偏好的約束
16.2.2  然后就有了效用
16.3  效用函數(shù)
16.3.1  金錢的效用
16.3.2  效用范圍和效用評估
16.4  多屬性效用函數(shù)
16.4.1  優(yōu)勢
16.4.2  偏好結構和多屬性效用
16.5  決策網(wǎng)絡
16.5.1  使用決策網(wǎng)絡表示決策問題
16.5.2  評價決策網(wǎng)絡
16.6  信息價值
16.6.1  一個簡單例子
16.6.2  一個通用公式
16.6.3  信息價值的屬性
16.6.4  實現(xiàn)信息收集智能體
16.7  決策理論的專家系統(tǒng)
16.8  小結
參考文獻與歷史的注釋
習題
第十七章  制定復雜決策
17.1  延續(xù)式?jīng)Q策問題
17.1.1  一個例子
17.1.2  延續(xù)式?jīng)Q策問題中的最優(yōu)化
17.2  價值迭代
17.2.1  狀態(tài)效用值
17.2.2  價值迭代算法
17.2.3  價值迭代的收斂
17.3  策略迭代
17.4  部分可觀察的MDP
17.5  決策理論智能體
17.6  多智能體的決策：博弈論
17.7  機制設計
17.8  小結
參考文獻與歷史的注釋
習題
第十八章  從觀察中學習
18.1  學習的形式
18.2  歸納學習
18.3  學習決策樹
18.3.1  作為執(zhí)行元件的決策樹
18.3.2  決策樹的表達能力
18.3.3  從實例中歸納決策樹
18.3.4  選擇屬性測試
18.3.5  評估學習算法的性能
18.3.6  噪聲和過擬合
18.3.7  擴展決策樹的適用性
18.4  集體學習
18.5  為什么學習是可行的：計算學習理論
18.5.1  需要多少個實例？
18.5.2  決策表學習
18.5.3  討論
18.6  小結
參考文獻與歷史的注釋
習題
第十九章  學習中的知識
19.1  學習的邏輯公式
19.1.1  實例和假設
19.1.2  當前最佳假設搜索
19.1.3  最少約定搜索
19.2  學習中的知識
19.2.1  一些簡單的例子
19.2.2  一些一般方案
19.3  基于解釋的學習
19.3.1  從實例中抽取一般規(guī)則
19.3.2  提高效率
19.4  使用相關信息進行學習
19.4.1  決定假設空間
19.4.2  學習和使用相關性信息
19.5  歸納邏輯程序設計
19.5.1  一個例子
19.5.2  自頂向下的歸納學習方法
19.5.3  使用逆向演繹的歸納學習
19.5.4  通過歸納邏輯程序設計進行發(fā)現(xiàn)
19.6  小結
參考文獻與歷史的注釋
習題
第二十章  統(tǒng)計學習方法
20.1  統(tǒng)計學習
20.2  完整數(shù)據(jù)下的學習
20.2.1  最大似然參數(shù)學習：離散模型
20.2.2  樸素貝葉斯模型
20.2.3  最大似然參數(shù)學習：連續(xù)模型
20.2.4  貝葉斯參數(shù)學習
20.2.5  學習貝葉斯網(wǎng)絡的結構
20.3  隱變量學習：EM算法
20.3.1  無監(jiān)督聚類：學習混合高斯分布
20.3.2  學習含有隱變量的貝葉斯網(wǎng)絡
20.3.3  學習隱馬爾可夫模型
20.3.4  EM算法的一般形式
20.3.5  學習含有隱變量的貝葉斯網(wǎng)絡結構
20.4  基于實例的學習
20.4.1  最近鄰模型
20.4.2  核模型
20.5  神經(jīng)元網(wǎng)絡
20.5.1  神經(jīng)元網(wǎng)絡中的單元
20.5.2  網(wǎng)絡結構
20.5.3  單層前饋神經(jīng)元網(wǎng)絡（感知器）
20.5.4  多層前饋神經(jīng)元網(wǎng)絡
20.5.5  對神經(jīng)元網(wǎng)絡結構進行學習
20.6  核心機
20.7  案例分析：手寫體數(shù)字識別
20.8  小結
參考文獻與歷史的注釋
習題
第二十一章  強化學習
21.1  介紹
21.2  被動強化學習
21.2.1  直接效用估計
21.2.2  自適應動態(tài)規(guī)劃
21.2.3  時序差分學習
21.3  主動強化學習
21.3.1  探索
21.3.2  學習行動-價值函數(shù)
21.4  強化學習中的一般化
21.4.1  博弈中的應用
21.4.2  機器人控制中的應用
21.5  策略搜索
21.6  小結
參考書目與歷史的注釋
習題
第二十二章  通訊
22.1  作為行動的通訊
22.1.1  語言的基本原理
22.1.2  通訊的組成步驟
22.2  部分英語的形式語法
22.2.1  E0的詞典
22.2.2  E0的語法
22.3  句法分析（Parsing）
22.3.1  高效的句法分析
22.4  增強語法
22.4.1  動詞的次范疇化
22.4.2  增強語法的生成能力
22.5  語義解釋
22.5.1  部分英語的語義
22.5.2  時間和時態(tài)
22.5.3  量詞限定
22.5.4  語用解釋
22.5.5  利用DCG生成語言
22.6  歧義和排歧
22.6.1  排歧
22.7  篇章理解
22.7.1  指代消解
22.7.2  連貫的篇章結構
22.8  語法歸納
22.9  小結
參考文獻與歷史的注釋
習題
第二十三章  概率語言處理
23.1  概率語言模型
23.1.1  概率的上下文無關語法
23.1.2  學習PCFG的概率
23.1.3  學習PCFG的規(guī)則結構
23.2  信息檢索
23.2.2  評價IR系統(tǒng)
23.2.3  IR的改進方法
23.2.4  結果集合的表示
23.2.5  IR系統(tǒng)的實現(xiàn)
23.3  信息抽取
23.4  機器翻譯
23.4.1  機器翻譯系統(tǒng)
23.4.2  統(tǒng)計機器翻譯
23.4.3  機器翻譯的概率學習
23.5  小結
參考文獻與歷史的注釋
習題
第二十四章  感知
24.1  介紹
24.2  圖像生成
24.2.1  無透鏡成像——針孔照相機
24.2.2  透鏡系統(tǒng)
24.2.3  光線：成像過程中的光度學特性
24.2.4  色彩：成像中的分光譜光度學
24.3  初級圖像處理運算
24.3.1  邊緣檢測
24.3.2  圖像分割
24.4  提取三維信息
24.4.1  運動
24.4.2  雙目立體視覺
24.4.3  紋理梯度
24.4.4  明暗
24.4.5  輪廓
24.5  物體識別
24.5.1  基于亮度的識別
24.5.2  基于特征的識別
24.5.3  姿態(tài)估計
24.6  利用視覺實現(xiàn)操縱和導航
24.7  小結
參考文獻與歷史的注釋
習題
第二十五章  機器人學
25.1  介紹
25.2  機器人硬件
25.2.1  傳感器
25.2.2  效應器
25.3  機器人的感知
25.3.1  定位
25.3.2  繪制地圖
25.3.3  其他類型的感知
25.4  運動規(guī)劃
25.4.1  構型空間
25.4.2  單元分解方法
25.4.3  抽骨架方法
25.5  規(guī)劃不確定的運動
25.5.1  魯棒性方法
25.6  運動
25.6.1  動力學和控制
25.6.2  勢場控制
25.6.3  反應式控制
25.7  機器人軟件體系結構
25.7.1  包容體系結構
25.7.2  三層體系結構
25.7.3  機器人程序設計語言
25.8  應用領域
25.9  小結
參考文獻與歷史的注釋
習題
第二十六章  哲學基礎
26.1  弱人工智能：機器能夠智能地行動嗎？
26.1.1  能力缺陷方面的論點
26.1.2  數(shù)學異議
26.1.3  非形式化的論點
26.2  強人工智能：機器能夠真正思考嗎？
26.2.1  精神-肉體問題
26.2.2  “缽中之腦”實驗
26.2.3  大腦置換實驗
26.2.4  中文屋子
26.3  發(fā)展人工智能的道德規(guī)范與風險
26.4  小結
參考文獻與歷史的注釋
習題
第二十七章  人工智能：現(xiàn)狀與未來
27.1  智能體的組成部分
27.2  智能體體系結構
27.3  我們在沿著正確的方向前進嗎？
27.4  如果人工智能成功了會怎樣？