人工智能:现代方法:a modern approach

第 一部分 人工智能基础 第 1 章 绪论 2 1.1 什么是人工智能 2 1.2 人工智能的基础 6 1.3 人工智能的历史 16 1.4 目前的先进技术 24 1.5 人工智能的风险和收益 27 小结 30 参考文献与历史注释 31 第 2 章 智能体 32 2.1 智能体和环境 32 2.2 良好行为：理性的概念 34 2.3 环境的本质 37 2.4 智能体的结构 41 小结 50 参考文献与历史注释 51 第二部分 问题求解 第 3 章 通过搜索进行问题求解 54 3.1 问题求解智能体 54 3.2 问题示例 57 3.3 搜索算法 61 3.4 无信息搜索策略 65 3.5 有信息（启发式）搜索策略 73 3.6 启发式函数 85 小结 90 参考文献与历史注释 92 第 4 章 复杂环境中的搜索 95 4.1 局部搜索和*优化问题 95 4.2 连续空间中的局部搜索 102 4.3 使用非确定性动作的搜索 104 4.4 部分可观测环境中的搜索 108 4.5 在线搜索智能体和未知环境 115 小结 120 参考文献与历史注释 121 第 5 章 对抗搜索和博弈 124 5.1 博弈论 124 5.2 博弈中的优化决策 126 5.3 启发式 α-β 树搜索 132 5.4 蒙特卡罗树搜索 136 5.5 随机博弈 139 5.6 部分可观测博弈 142 5.7 博弈搜索算法的局限性 146 小结 147 参考文献与历史注释 148 第 6 章 约束满足问题 152 6.1 定义约束满足问题 152 6.2 约束传播：CSP 中的推断 156 6.3 CSP 的回溯搜索 161 6.4 CSP 的局部搜索 166 6.5 问题的结构 168 小结 171 参考文献与历史注释 172 第三部分 知识、推理和规划 第 7 章 逻辑智能体 176 7.1 基于知识的智能体 176 7.2 wumpus 世界 178 7.3 逻辑 180 7.4 命题逻辑：一种非常简单的逻辑 183 7.5 命题定理证明 187 7.6 高效命题模型检验 196 7.7 基于命题逻辑的智能体 200 小结 207 参考文献与历史注释 208 第 8 章 一阶逻辑 211 8.1 回顾表示 211 8.2 一阶逻辑的语法和语义 215 8.3 使用一阶逻辑 223 8.4 一阶逻辑中的知识工程 228 小结 233 参考文献与历史注释 234 第 9 章 一阶逻辑中的推断 236 9.1 命题推断与一阶推断 236 9.2 合一与一阶推断 238 9.3 前向链接 241 9.4 反向链接 247 9.5 归结 252 小结 261 参考文献与历史注释 262 第 10 章 知识表示 265 10.1 本体论工程 265 10.2 类别与对象 267 10.3 事件 272 10.4 精神对象和模态逻辑 275 10.5 类别的推理系统 278 10.6 用缺省信息推理 281 小结 284 参考文献与历史注释 285 第 11 章 自动规划 290 11.1 经典规划的定义 290 11.2 经典规划的算法 294 11.3 规划的启发式方法 297 11.4 分层规划 300 11.5 非确定性域的规划和行动 307 11.6 时间、调度和资源 315 11.7 规划方法分析 318 小结 319 参考文献与历史注释 320 第四部分 不确定知识和不确定推理 第 12 章 不确定性的量化 326 12.1 不确定性下的动作 326 12.1.1 不确定性概述 327 12.1.2 不确定性与理性决策 328 12.2 基本概率记号 329 12.3 使用完全联合分布进行推断 334 12.4 独立性 336 12.5 贝叶斯法则及其应用 337 12.6 朴素贝叶斯模型 340 12.7 重游 wumpus 世界 342 小结 344 参考文献与历史注释 345 第 13 章 概率推理 348 13.1 不确定域的知识表示 348 13.2 贝叶斯网络的语义 350 13.3 贝叶斯网络中的精确推断 360 13.4 贝叶斯网络中的近似推理 367 13.5 因果网络 379 小结 382 参考文献与历史注释 383 第 14 章 时间上的概率推理 388 14.1 时间与不确定性 388 14.2 时序模型中的推断 391 14.3 隐马尔可夫模型 398 14.4 卡尔曼滤波器 403 14.5 动态贝叶斯网络 408 小结 417 参考文献与历史注释 418 第 15 章 概率编程 421 15.1 关系概率模型 421 15.2 开宇宙概率模型 427 15.3 追踪复杂世界 433 15.4 作为概率模型的程序 436 小结 440 参考文献与历史注释 440 第 16 章 做简单决策 444 16.1 在不确定性下结合信念与愿望 444 16.2 效用理论基础 445 16.3 效用函数 448 16.4 多属性效用函数 454 16.5 决策网络 458 16.6 信息价值 460 16.7 未知偏好 465 小结 468 参考文献与历史注释 469 第 17 章 做复杂决策 473 17.1 序贯决策问题 473 17.2 MDP 的算法 482 17.3 老虎机问题 489 17.4 部分可观测MDP 495 17.5 求解POMDP 的算法 497 小结 501 参考文献与历史注释 502 第 18 章 多智能体决策 505 18.1 多智能体环境的特性 505 18.2 非合作博弈论 510 18.3 合作博弈论 527 18.4 制定集体决策 533 小结 544 参考文献与历史注释 545 第五部分 机器学习 第 19 章 样例学习 550 19.1 学习的形式 550 19.2 监督学习 552 19.3 决策树学习 555 19.4 模型选择与模型优化 563 19.5 学习理论 569 19.6 线性回归与分类 572 19.7 非参数模型 581 19.8 集成学习 589 19.9 开发机器学习系统 596 小结 604 参考文献与历史注释 605 第 20 章 概率模型学习 610 20.1 统计学习 610 20.2 完全数据学习 613 20.3 隐变量学习：EM 算法 624 小结 632 参考文献与历史注释 632 第 21 章 深度学习 635 21.1 简单前馈网络 636 21.2 深度学习的计算图 640 21.3 卷积网络 643 21.4 学习算法 648 21.5 泛化 650 21.6 循环神经网络 654 21.7 无监督学习与迁移学习 657 21.8 应用 662 小结 664 参考文献与历史注释 664 第 22 章 强化学习 668 22.1 从奖励中学习 668 22.2 被动强化学习 670 22.3 主动强化学习 674 22.4 强化学习中的泛化 680 22.5 策略搜索 686 22.6 学徒学习与逆强化学习 688 22.7 强化学习的应用 690 小结 692 参考文献与历史注释 693 第六部分 沟通、感知和行动 第 23 章 自然语言处理 698 23.1 语言模型 698 23.2 文法 707 23.3 句法分析 709 23.4 扩展文法 713 23.5 真实自然语言的复杂性 717 23.6 自然语言任务 720 小结 722 参考文献与历史注释 722 第 24 章 自然语言处理中的深度学习 727 24.1 词嵌入 727 24.2 自然语言处理中的循环神经网络 730 24.3 序列到序列模型 733 24.4 Transformer 架构 737 24.5 预训练和迁移学习 739 24.6 Z高水平（SOTA） 742 小结 745 参考文献与历史注释 745 第 25 章 计算机视觉 748 25.1 引言 748 25.2 图像形成 749 25.3 简单图像特征 754 25.4 图像分类 760 有效的原因 762 25.5 物体检测 763 25.6 三维世界 766 25.7 计算机视觉的应用 769 小结 780 参考文献与历史注释 781 第 26 章 机器人学 785 26.1 机器人 785 26.2 机器人硬件 786 26.3 机器人学解决哪些问题 789 26.4 机器人感知 790 26.5 规划与控制 796 26.6 规划不确定的运动 810 26.7 机器人学中的强化学习 812 26.8 人类与机器人 814 26.9 其他机器人框架 820 26.10 应用领域 822 小结 825 参考文献与历史注释 826 第七部分 总结 第 27 章 人工智能的哲学、伦理和安全性 832 27.1 人工智能的极限 832 27.2 机器能真正地思考吗 835 27.3 人工智能的伦理 836 小结 851 参考文献与历史注释 852 第 28 章 人工智能的未来 857 28.1 人工智能组件 857 28.2 人工智能架构 862 附录 A 数学背景知识 865 附录 B 关于语言与算法的说明 871 参考文献 873 索引 914