人工智慧：現代方法（第二版）

第一部分人工智慧第1章緒　論1.1　什麼是人工智慧1-11.2　人工智慧的基礎1-51.3　人工智慧的歷史1-171.4　當前發展水平1-291.5　小　結1-30第2章智慧型代理人2.1　代理人和環境2-12.2　好的行為表現：理性的概念2-42.3　環境的本質2-72.4　代理人的結構2-142.5　小　結2-24第二部分問題求解第3章用搜尋法對問題求解3.1　問題求解代理人3-13.2　問題範例3-63.3　對解的搜尋3-113.4　無接收資訊的搜尋策略3-153.5　避免重複狀態3-243.6　使用不完全資訊的搜尋3-263.7　小　結3-30第4章有接收資訊的搜尋和探索4.1　有接收資訊的(啟發式的)搜尋策略4-14.2　啟發函數4-134.3　局部搜尋演算法和最佳化問題4-184.4　連續空間的局部搜尋4-284.5　線上搜尋代理人和未知環境4-304.6　小　結4-37第5章限制滿足問題5.1　限制滿足問題5-15.2　CSP問題的回溯搜尋5-55.3　限制滿足問題的局部搜尋5-145.4　問題的結構5-155.5　小　結5-19第6章對抗搜尋6.1　賽　局6-16.2　賽局中的最佳化決策6-26.3　a-b剪枝6-76.4　不完整的即時決策6-116.5　包含機率因素的遊戲6-166.6　賽局程式的最先進技術6-216.7　討　論6-246.8　小　結6-26第三部分知識與推理第7章邏輯代理人7.1　基於知識的代理人7-27.2　wumpus世界7-47.3　邏　輯7-77.4　命題邏輯：一種非常簡單的邏輯7-117.5　命題邏輯的推理模式7-187.6　有效的命題推理7-287.7　基於命題邏輯的代理人7-337.8　小　結7-40第8章一階邏輯8.1　表示方法的回顧8-18.2　一階邏輯的語法和語義8-68.3　使用一階邏輯8-158.4　一階邏輯中的知識工程8-248.5　小　結8-31第9章一階邏輯中的推理9.1　命題與一階推理9-19.2　統一和提升9-49.3　前向鏈結9-109.4　反向鏈結9-179.5　解　消9-259.6　小　結9-41第10章知識表示10.1　本體論工程10-110.2　類別和物件10-310.3　行動、情景和事件10-1110.4　精神事件和精神物件10-2510.5　網際網路購物世界10-3010.6　類別的推理系統10-3610.7　預設資訊推理10-4110.8　真值維護系統10-4810.9　小　結10-50第四部分規劃第11章規　劃11.1　規劃問題11-111.2　狀態空間搜尋規劃11-911.3　偏序規劃11-1411.4　規劃圖11-2211.5　命題邏輯規劃11-2911.6　規劃方法分析11-3411.7　小　結11-36第12章現實世界的規劃與行動12.1　時間、排程表和資源12-112.2　分層任務網路規劃12-612.3　在非確定性領域中進行規劃和行動12-1412.4　條件規劃12-1612.5　執行監控和重新規劃12-2512.6　持續規劃12-3012.7　多代理人規劃12-3412.8　總　結12-40第五部分不確定知識與推理第13章不確定性13.1　不確定環境下的行動13-113.2　基本機率標記法13-613.3　機率公理13-1113.4　使用全聯合分佈進行推理13-1513.5　獨立性13-1813.6　貝氏法則及其應用13-2013.7　重遊wumpus世界13-2513.8　小　結13-28第14章知識表示14.1　不確定領域中的知識表示14-114.2　貝氏網路的語意14-414.3　條件分佈的有效率表示14-914.4　貝氏網路中的精確推理14-1414.5　貝氏網路的近似推理14-2114.6　把機率擴展到一階表示14-3114.7　不確定推理的其他方法14-3514.8　小　結14-41第15章關於時間的機率推理15.1　時間與不確定性15-115.2　時序模型中的推理15-615.3　隱馬爾可夫模型15-1415.4　卡爾曼濾波器15-1715.5　動態貝氏網路15-2515.6　語音識別15-3515.7　小　結15-45第16章關於時間的機率推理16.1　在不確定性環境下結合信度與願望16-116.2　效用理論的基礎16-316.3　效用函數16-616.4　多屬性效用函數16-1116.5　決策網路16-1616.6　資訊價值16-1816.7　決策理論的專家系統16-2216.8　小　結16-25第17章制訂複雜決策17.1循序決策問題17-117.2價值迭代17-717.3策略迭代17-1217.4部分可觀察的MDP17-1417.5決策理論代理人17-1817.6多代理人的決策：賽局理論17-2017.7機制設計17-3017.8小結17-32第六部分學習第18章從觀察中學習18.1　學習的形式18-118.2　歸納學習18-318.3　學習決策樹18-518.4　集體學習18-1718.5　為什麼學習是可行的：計算學習理論18-2118.6　小　結18-26第19章學習中的知識19.1　學習的邏輯公式19-119.2　學習中的知識19-1019.3　基於解譯的學習19-1419.4　使用相關資訊進行學習19-1819.5　歸納邏輯程式設計19-2219.6　小　結19-32第20章統計學習方法20.1　統計學習20-120.2　完整資料下的學習20-520.3　隱變數學習：EM演算法20-1420.4　基於實例的學習20-2220.5　類神經網路20-2620.6　核心機20-3720.7　案例分析：手寫體數字識別20-4120.8　總　結20-43第21章強化學習21.1　介　紹21-121.2　被動式強化學習21-321.3　主動式強化學習21-921.4　強化學習中的一般化21-1521.5　策略搜索21-2021.6　小　結21-22第七部分通訊、感知與行動第22章通　訊22.1　作為動作的通訊22-222.2　一部分英語的形式文法22-822.3　句法分析(剖析)22-1022.4　增強語法22-1722.5　語義解釋22-2322.6　歧義和排歧22-3122.7　篇章理解22-3522.8　語法歸納22-3922.9　小　結22-41第23章機率語言處理23.1　機率語言模型23-123.2　資訊檢索23-823.3　資訊抽取23-1723.4　機器翻譯23-2023.5　小　結23-28第24章感　知24.1　介　紹24-124.2　圖像生成24-324.3　初級影像處理運算24-824.4　提取三維資訊24-1224.5　物體識別24-2424.6　利用視覺實作操縱和導航24-3224.7　小　結24-33第25章機器人學25.1　介　紹25-125.2　機器人硬體25-325.3　機器人的感知25-725.4　運動規劃25-1725.5　規劃不確定的運動25-2525.6　運　動25-2925.7　機器人軟體架構25-3425.8　應用領域25-3825.9　小　結25-41第八部分結論第26章哲學基礎26.1　弱人工智慧：機器能夠智慧地行動嗎？26-126.2　強人工智慧：機器真的能夠思考嗎？26-726.3　發展人工智慧的道德規範與風險26-1626.4　小　結26-20第27章人工智慧：現在與未來27.1　代理人的組成部分27-127.2　代理人架構27-427.3　我們在沿著正確的方向前進嗎27-527.4　如果人工智慧成功了會怎樣？27-8附錄A數學背景A.1　複雜度分析與O()符號A-1A.2　向量、矩陣和線性代數A-4A.3　機率分布A-6附錄B關於語言和演算法的註釋B.1　用Backus-NaurForm（BNF）定義語言B-1B.2　用虛擬碼描述演算法B-2B.3　線上協助B-3參考文獻

第一部分人工智慧第1章緒　論1.1　什麼是人工智慧1-11.2　人工智慧的基礎1-51.3　人工智慧的歷史1-171.4　當前發展水平1-291.5　小　結1-30第2章智慧型代理人2.1　代理人和環境2-12.2　好的行為表現：理性的概念2-42.3　環境的本質2-72.4　代理人的結構2-142.5　小　結2-24第二部分問題求解第3章用搜尋法對問題求解3.1　問題求解代理人3-13.2　問題範例3-63.3　對解的搜尋3-113.4　無接收資訊的搜尋策略3-153.5　避免重複狀態3-243.6　使用不完全資訊的搜尋3-263.7　小　結3-30第4章有接收資訊的搜尋和探索4.1　有接收資訊的(啟發式的)搜尋...