《深入浅出人工智能 第2版》求取 ⇩

第1章导论1

1.1什么是人工智能1

1.1.1脑科学与问题求解3

1.1.2图灵测试及聊天机器人5

1.2AI的历史5

1.2.1人工智能的开始8

1.2.2基于逻辑的问题求解8

1.2.3新联接主义9

1.2.4不确定性推理9

1.2.5分布式的自治且有学习能力的智能体10

1.2.6人工智能的进一步发展10

1.2.7人工智能革命10

1.3人工智能与社会11

1.3.1人工智能会抢夺人类的工作吗11

1.3.2AI与交通11

1.3.3服务机器人12

1.4智能体13

1.5基于知识的系统15

1.6练习17

第2章命题逻辑19

2.1句法19

2.2语义20

2.3证明系统22

2.4归结25

2.5 Horn子句28

2.6可计算性和复杂性30

2.7应用及限制30

2.8练习31

第3章一阶谓词逻辑33

3.1句法34

3.2语义35

3.3量词和范式38

3.4证明演算41

3.5归结42

3.5.1归结策略45

3.5.2等值45

3.6自动定理证明46

3.7数学例子47

3.8应用50

3.9小结52

3.10练习52

第4章逻辑的局限性55

4.1搜索空间问题55

4.2可判定性和不完备性57

4.3会飞的企鹅58

4.4模型的不确定性60

4.5练习61

第5章Prolog逻辑程序设计63

5.1 Prolog系统及实现64

5.2简单例子64

5.3执行控制和过程要素67

5.4列表68

5.5自我修改程序70

5.6规划示例71

5.7约束逻辑编程73

5.8总结74

5.9练习75

第6章搜索、博弈与问题求解79

6.1引言79

6.2无信息搜索84

6.2.1宽度优先搜索84

6.2.2深度优先搜索85

6.2.3迭代深入87

6.2.4对比88

6.2.5循环校验89

6.3启发式搜索90

6.3.1贪婪搜索92

6.3.2A*搜索93

6.3.3 A*搜索算法的路径规划95

6.3.4 IDA*搜索96

6.3.5搜索算法的经验对比97

6.3.6总结98

6.4对弈99

6.4.1最小最大搜索99

6.4.2Alpha-Beta剪枝100

6.4.3非决定性游戏102

6.5启发式评估函数102

6.6搜索前沿现状104

6.6.1象棋104

6.6.2围棋105

6.7练习106

第7章不确定性推理109

7.1概率计算111

7.2最大熵的原理118

7.2.1概率推理规则118

7.2.2无明确约束的最大熵122

7.2.3条件概率与实质蕴含123

7.2.4MaxEnt系统124

7.2.5 tweety示例125

7.3LEXMED，一个阑尾炎诊断专家系统126

7.3.1正规方式的阑尾炎诊断126

7.3.2混合概率知识库127

7.3.3 LEXMED的应用129

7.3.4 LEXMED的功能130

7.3.5使用代价矩阵进行风险管理133

7.3.6性能134

7.3.7应用领域和经验136

7.4贝叶斯网络推理137

7.4.1独立变量137

7.4.2将知识的图解作为贝叶斯网络138

7.4.3条件独立139

7.4.4实际应用139

7.4.5贝叶斯网络软件141

7.4.6贝叶斯网络的发展142

7.4.7贝叶斯网络的语义145

7.5总结146

7.6练习148

第8章机器学习与数据挖掘151

8.1数据分析156

8.2感知器，一个线性分类器158

8.2.1学习规则160

8.2.2优化与展望163

8.3最近邻算法163

8.3.1两类、多类、近似166

8.3.2距离与分类相关167

8.3.3计算时间168

8.3.4总结与展望169

8.3.5基于案例的推理170

8.4决策树学习171

8.4.1一个简单的例子171

8.4.2将熵作为信息量的度量173

8.4.3信息增益175

8.4.4C4.5算法的应用177

8.4.5对阑尾炎诊断的学习179

8.4.6连续属性181

8.4.7剪枝182

8.4.8 缺失值183

8.4.9总结183

8.5交叉验证和过拟合184

8.6贝叶斯网络的学习185

8.7朴素贝叶斯分类器187

8.8单类学习191

8.9聚类193

8.9.1距离度量194

8.9.2K均值与EM算法195

8.9.3层次聚类196

8.9.4如何确定簇的数量197

8.10实践中的数据挖掘200

8.11总结203

8.12练习205

第9章神经网络209

9.1从生物学到仿真210

9.2Hopfield网络213

9.2.1一个模式识别应用实例214

9.2.2分析216

9.2.3总结与展望218

9.3神经联想记忆219

9.3.1关联矩阵存储器220

9.3.2二进制Hebb定律221

9.3.3拼写纠正程序223

9.4具有最小错误的线性网络224

9.4.1最小二乘法225

9.4.2阑尾炎数据的应用227

9.4.3delta规则227

9.4.4与感知器的比较229

9.5反向传播算法230

9.5.1NETtalk：让网络学着去说话232

9.5.2关于定理证明的启发式学习234

9.5.3问题与改进234

9.6支持向量机235

9.7深度学习237

9.7.1效法自然237

9.7.2叠加去噪自动编码器238

9.7.3其他方法239

9.7.4系统和实现240

9.7.5深度学习的应用240

9.8创造性241

9.9神经网络的应用243

9.10总结与展望243

9.11练习244

第10章强化学习247

10.1什么是强化学习247

10.2学习任务249

10.3不使用已有信息的组合搜索251

10.4值迭代与动态规划252

10.5一种学习型步行机器人及其仿真255

10.6 Q学习257

10.7探索与开发261

10.8逼近、推广与收敛性261

10.9应用262

10.10 AlphaGo围棋的突破263

10.11维数灾难265

10.12总结与展望266

10.13练习267

第11章练习解答269

11.1导论269

11.2命题逻辑270

11.3一阶谓词逻辑272

11.4逻辑的局限性274

11.5 Prolog逻辑程序设计274

11.6搜索、博弈和问题求解276

11.7不确定性推理278

11.8机器学习与数据挖掘285

11.9神经网络291

11.10强化学习293