人工智慧：現代方法(第三版)(附部份內容光碟)

PART　I　人工智慧
1 　緒論 1-1
1.1　什麼是人工智慧？ 1-1
1.2　人工智慧的基礎 1-4
1.3　人工智慧的歷史 1-14
1.4　當前發展水準 1-25
1.5　總結 1-26
2 　智慧型代理人 2-1
2.1　代理人和環境 2-1
2.2　好的行為表現：理性的概念 2-3
2.3　環境的本質 2-6
2.4　代理人的結構 2-11
2.5　總結 2-22

PART　II　問題求解
3 　用搜尋法對問題求解 3-1
3.1　問題求解代理人 3-1
3.2　範例問題 3-6
3.3　對解的搜尋 3-10
3.4　資訊的搜尋策略 3-15
3.5　有資訊(啟發式)搜尋策略 3-25
3.6　啟發函數 3-35
3.7　總結 3-40
4 　進階搜尋　 4 -1
4.1　局部搜尋演算法和最佳化問題 4-1
4.2　連續空間的局部搜尋 4-9
4.3　不確定性行動的搜尋 4-11
4.4　使用部分觀察的搜尋 4-15
4.5　線上搜尋代理人和未知環境 4-23
4.6　總結 4-28
5 　對抗搜尋 5-1
5.1　賽局 5-1
5.2　賽局的最佳化決策 5-3
5.3　- 剪枝 5-6
5.4　不完整的即時決策 5-9
5.5　隨機賽局 5-14
5.6　部分可觀察賽局 5-17
5.7　最先進的賽局程式 5-21
5.8　其他方法 5-23
5.9　總結 5-25
6 　限制滿足問題　 6-1
6.1　限制滿足問題的定義 6-1
6.2　限制的傳播：於CSP推理 6-6
6.3　CSP問題的回溯搜尋 6-11
6.4　CSP問題的局部搜尋 6-17
6.5　問題的結構 6-18
6.6　總結 6-22

PART　III　知識、推理、規劃
7 　邏輯代理人 7-1
7.1　知識型代理人 7-2
7.2　wumpus世界 7-3
7.3　邏輯 7-6
7.4　命題邏輯：一種非常簡單的邏輯 7-9
7.5　命題定理之證明 7-14
7.6　有效的命題模型檢驗 7-25
7.7　命題邏輯型代理人 7-30
7.8　總結 7-38
8 　一階邏輯 8-1
8.1　表示法的回顧 8-1
8.2　一階邏輯的語法和語義 8-5
8.3　使用一階邏輯 8-15
8.4　一階邏輯的知識工程 8-22
8.5　總結 8-28
9 　一階邏輯中的推理 9-1
9.1　命題與一階推理 9-1
9.2　統一和提升 9-4
9.3　前向鏈結 9-8
9.4　反向鏈結 9-15
9.5　解消 9-22
9.6　總結 9-34
10 　經典規劃　 10-1
10.1　經典規劃的定義 10-1
10.2　經典規劃法作為狀態空間搜尋 10-7
10.3　規劃圖 10-12
10.4　其他的經典規劃方法 10-19
10.5　規劃方法分析 10-24
10.6　總結 10-25
11 　現實世界的規劃與行動　 11-1
11.1　時間、排程、和資源 11-1
11.2　分層規劃 11-5
11.3　在非確定性領域中進行規劃和行動 11-13
11.4　多代理人規劃 11-21
11.5　總結 11-26
12 　知識表示 12-1
12.1　本體論工程 12-1
12.2　類別和物件 12-3
12.3　事件 12-9
12.4　精神事件與精神物件 12-13
12.5　類別的推理系統 12-16
12.6　預設資訊推理 12-20
12.7　網際網路購物世界 12-23
12.8　總結 12-28

PART　IV　不確定知識與推理
13 　量化不確定性 13-1
13.1　不確定環境下的行動 13-1
13.2　基本機率標記法 13-4
13.3　使用全聯合分佈進行推理 13-11
13.4　獨立性 13-13
13.5　貝氏法則及其應用 13-15
13.6　重遊wumpus世界 13-18
13.7　總結 13-21
14 　機率推理 14-1
14.1　不確定領域中的知識表示 14-1
14.2　貝氏網路的語意 14-3
14.3　條件分佈的有效率表示 14-8
14.4　貝氏網路中的精確推理 14-11
14.5　貝氏網路的近似推理 14-18
14.6　關連與一階機率模型 14-26
14.7　不確定推理的其他方法 14-32
14.8　總結 14-36
15 　關於時間的機率推理 15-1
15.1　時間與不確定性 15-1
15.2　時序模型中的推理 15-4
15.3　隱馬可夫模型 15-12
15.4　卡爾曼濾波器 15-17
15.5　動態貝氏網路 15-23
15.6　多重目標的追蹤 15-31
15.7　總結 15-34
16 　制訂簡單決策 16-1
16.1　在不確定性環境下結合信度與願望 16-1
16.2　效用理論的基礎 16-2
16.3　效用函數 16-5
16.4　多屬性效用函數 16-11
16.5　決策網路 16-15
16.6　資訊價值 16-17
16.7　決策理論的專家系統 16-21
16.8　總結 16-23
17 　制訂複雜決策 17-1
17.1　循序決策問題 17-1
17.2　價值疊代 17-6
17.3　策略疊代 17-10
17.4　部分可觀察的馬可夫決策過程 17-12
17.5　多代理人的決策：賽局理論 17-19
17.6　機制設計 17-30
17.7　總結 17-35

PART　V　學習
18 　從實例中學習 18-1
18.1　學習的形式 18-1
18.2　受監督的學習 18-3
18.3　學習決策樹 18-5
18.4　評估與選擇最佳假設 18-14
18.5　學習的理論 18-18
18.6　線性模型的回歸與分類 18-22
18.7　人工類神經網路 18-29
18.8　無參數模型 18-37
18.9　支持向量機 18-42
18.10　集體學習 18-46
18.11　實際的機器學習 18-50
18.12　總結 18-53
19 　學習中的知識 19-1
19.1　學習的邏輯公式 19-1
19.2　學習中的知識 19-9
19.3　基於解譯的學習 19-12
19.4　使用相關資訊進行學習 19-15
19.5　歸納邏輯程式設計 19-18
19.6　總結 19-27
20 　學習機率模型　 20-1
20.1　統計學習 20-1
20.2　完整資料下的學習 20-4
20.3　隱變數學習：EM演算法 20-13
20.4　總結 20-21
21 　強化學習 21-1
21.1　緒論 21-1
21.2　被動式強化學習 21-2
21.3　主動式強化學習 21-8
21.4　強化學習中的一般化 21-13
21.5　策略搜索 21-16
21.6　強化學習問題的應用 21-18
21.7　總結 21-20

PART　VI　通訊、感知與行動
22 　自然語言處理　 22-1
22.1　語言模型 22-1
22.2　文本分類 22-5
22.3　資訊檢索 22-7
22.4　資訊擷取 22-13
22.5　總結 22-21
23 　自然語言通訊　 23-1
23.1　片語結構文法 23-1
23.2　句法分析(剖析) 23-4
23.3　擴充文法和語意解釋 23-9
23.4　機器翻譯 23-17
23.5　語音識別 23-22
23.6　總結 23-27
24 　感知　 24-1
24.1　成像 24-2
24.2　初級影像處理運算 24-7
24.3　藉由外表之物體辨識 24-13
24.4　重建三維世界 24-18
24.5　從結構資訊中進行物體辨識 24-26
24.6　使用視覺 24-29
24.7　總結 24-33
25 　機器人學 25-1
25.1　緒論 25-1
25.2　機器人硬體 25-3
25.3　機器人的感知 25-7
25.4　運動規劃 25-14
25.5　規劃不確定的運動 25-20
25.6　運動 25-23
25.7　機器人軟體架構 25-28
25.8　應用領域 25-31
25.9　總結 25-34

PART　VII　結論
26 　哲學基礎 26-1
26.1　弱人工智慧：機器能夠智慧地行動嗎？ 26-1
26.2　強人工智慧：機器真的能夠思考嗎？ 26-6
26.3　發展人工智慧的道德規範與風險 26-13
26.4　總結 26-18
27 　人工智慧：現在與未來 27-1
27.1　代理人的組成部分 27-1
27.2　代理人架構 27-4
27.3　我們前進於正確方向嗎？ 27-5
27.4　要是人工智慧成功了？ 27-7
附錄及參考書目均收錄於隨書CD

附 錄
A 　數學背景
A.1　複雜度分析與O( )符號 App-1
A.2　向量、矩陣和線性代數 App-3
A.3　機率分布 App-5
B 　關於語言與演算法的詮釋
B.1　用Backus-Naur Form(BNF)定義語言 App-8
B.2　用虛擬碼描述演算法 App-9
B.3　線上協助 App-10

參考書目