人工智能

出版者的话译者序前　言第一部分　世界中的Agent：什么是Agent及如何创建它们第1章　人工智能与Agent21.1　什么是人工智能21.2　人工智能简史41.3　环境中的Agent61.4　知识表示71.4.1　定义解81.4.2　表示91.4.3　推理与行为101.5　复杂性维度121.5.1　模块性121.5.2　表示方案131.5.3　规划期141.5.4　不确定性151.5.5　偏好151.5.6　Agent数量161.5.7　学习161.5.8　计算限制171.5.9　多维交互181.6　原型应用191.6.1　自主传送机器人191.6.2　诊断助手211.6.3　智能指导系统231.6.4　交易Agent241.7　本书概述251.8　本章小结261.9　参考文献及进一步阅读261.10　习题27第2章　Agent体系结构和分层控制282.1　Agent282.2　Agent系统292.3　分层控制322.4　嵌入式和仿真Agent372.5　通过推理来行动382.5.1　设计时间与离线计算392.5.2　在线计算402.6　本章小结412.7　参考文献及进一步阅读422.8　习题42第二部分　表达和推理第3章　状态和搜索463.1　用搜索进行问题求解463.2　状态空间473.3　图搜索483.4　一个通用搜索算法503.5　无信息搜索策略513.5.1　深度优先搜索513.5.2　宽度优先搜索553.5.3　最低花费优先搜索563.6　启发式搜索563.6.1　A*搜索583.6.2　搜索策略总结593.7　更复杂的搜索方法603.7.1　环检查603.7.2　多路径剪枝603.7.3　迭代深化623.7.4　分支界限法633.7.5　搜索方向653.7.6　动态规划法663.8　本章小结683.9　参考文献及进一步阅读683.10　习题69第4章　特征和约束714.1　特征和状态714.2　可能世界、变量和约束724.2.1　约束744.2.2　约束满足问题754.3　生成测试算法764.4　使用搜索求解CSP764.5　一致性算法784.6　域分割814.7　变量消除834.8　局部搜索854.8.1　迭代最佳改进864.8.2　随机算法874.8.3　评估随机算法904.8.4　局部搜索中利用命题结构924.9　基于种群的方法924.10　最优化944.10.1　最优化的系统方法964.10.2　局部搜索最优化984.11　本章小结994.12　参考文献及进一步阅读1004.13　习题100第5章　命题和推理1035.1　命题1035.1.1　命题演算的语法1035.1.2　命题演算的语义1045.2　命题确定子句1075.2.1　问题与解答1095.2.2　验证1105.3　知识表示问题1155.3.1　背景知识与观察1155.3.2　询问用户1165.3.3　知识层的解释1175.3.4　知识层的调试1195.4　反证法验证1225.4.1　Horn子句1225.4.2　假说与冲突1235.4.3　基于一致性的诊断1245.4.4　通过假设和Horn子句推理1265.5　完备知识假设1275.5.1　非单调推理1305.5.2　完备知识的验证程序1305.6　溯因推理1325.7　因果模型1355.8　本章小结1375.9　参考文献及进一步阅读1375.10　习题138第6章　不确定推理1456.1　概率1456.1.1　概率的语义1466.1.2　概率公理1476.1.3　条件概率1496.1.4　期望值1526.1.5　信息理论1536.2　独立性1536.3　信念网络1556.4　概率推理1646.4.1　信念网络中的变量消除1646.4.2　通过随机模拟进行近似推理1696.5　概率和时间1766.5.1　马尔可夫链1766.5.2　隐马尔可夫模型1766.5.3　监听和平滑算法1796.5.4　动态信念网络1806.5.5　时间粒度1816.6　本章小结1816.7　参考文献及进一步阅读1816.8　习题182第三部分　学习与规划第7章　学习概述与有监督学习1867.1　学习问题1867.2　有监督学习1897.2.1　评估预测1907.2.2　无输入特征的点估计1937.2.3　概率学习1957.3　有监督学习的基本模型1967.3.1　决策树学习1967.3.2　线性回归与分类2007.3.3　贝叶斯分类器2037.4　组合模型2067.4.1　神经网络2077.4.2　集成学习2107.5　避免过拟合2107.5.1　最大后验概率和最小描述长度2117.5.2　交叉验证2137.6　基于案例的推理2137.7　改进假设空间的学习2157.7.1　变型空间学习2167.7.2　可能近似正确学习2187.8　贝叶斯学习2207.9　本章小结2247.10　参考文献及进一步阅读2257.11　习题225第8章　确定性规划2298.1　状态、动作以及目标的表示2298.1.1　显式状态空间表示法2308.1.2　基于特征的动作表示2318.1.3　STRIPS表示法2328.1.4　初始状态和目标2338.2　前向规划2338.3　回归规划2358.4　CSP规划2368.5　偏序规划2388.6　本章小结2418.7　参考文献及进一步阅读2418.8　习题241第9章　不确定性规划2449.1　偏好和效用2459.2　一次性的决策2529.3　序贯决策2559.3.1　决策网络2569.3.2　策略2589.3.3　决策网络的变量消除2599.4　信息与控制的价值2629.5　决策过程2649.5.1　策略值2679.5.2　最优策略值2679.5.3　值迭代2689.5.4　策略迭代2709.5.5　动态决策网络2719.5.6　部分可观察决策过程2739.6　本章小结2739.7　参考文献及进一步阅读2749.8　习题274第10章　多Agent系统28010.1　多Agent框架28010.2　博弈的表示28110.2.1　博弈的标准形式28110.2.2　博弈的扩展形式28210.2.3　多Agent决策网络28310.3　完全信息的计算策略28410.4　部分可观察的多Agent推理28610.4.1　纳什均衡计算29010.4.2　学习协调29210.5　群体决策29410.6　机制设计29410.7　本章小结29610.8　参考文献及进一步阅读29710.9　习题297第11章　有监督之外的其他学习模型29811.1　聚类29811.1.1　期望最大化29811.1.2　k-均值29911.1.3　用于软聚类的期望最大化30011.2　信念网络学习30311.2.1　概率学习30311.2.2　未观察到的变量30411.2.3　缺失数据30411.2.4　结构学习30511.2.5　信念网络学习的一般情形30611.3　增强学习30611.3.1　演化算法30811.3.2　时间差30811.3.3　Q-学习30911.3.4　探索与利用31211.3.5　增强学习算法的评估31311.3.6　在策略学习31411.3.7　为路径分配信用和责任31511.3.8　基于模型的方法31711.3.9　基于特征的增强学习31911.4　本章小结32011.5　参考文献及进一步阅读32111.6　习题321第四部分　个体与关系的推理第12章　个体与关系32412.1　在特征之外利用结构32412.2　符号与语义32512.3　Datalog：一个关联规则语言32612.3.1　基Datalog的语义32812.3.2　解释变量32912.3.3　带变量的查询33312.4　证明与替换33412.4.1　带变量的自底向上过程33512.4.2　带变量的确定性归结33712.5　函数符号33912.6　在自然语言处理中的应用34412.6.1　在上下文无关文法中使用限定子句34512.6.2　增强文法34712.6.3　为非终结符号建立结构34812.6.4　封装的文本输出34812.6.5　强制约束34912.6.6　建立自然语言与数据库的接口35012.6.7　局限35112.7　相等35212.7.1　允许相等断言35212.7.2　唯一名字假设35312.8　完备知识假设35512.9　本章小结35812.10　参考文献及进一步阅读35812.11　习题359第13章　本体和基于知识的系统36313.1　知识共享36313.2　灵活的表示36313.2.1　选择个体和关系36413.2.2　图形化表示36613.2.3　原始关系与导出关系36913.3　本体与知识共享37313.3.1　描述逻辑37613.3.2　顶层本体38013.4　查询用户和其他知识来源38213.4.1　函数化关系38313.4.2　更普遍的问题38313.5　实现基于知识的系统38413.5.1　基语言和元语言38513.5.2　普通的元解释器38613.5.3　扩展基语言38713.5.4　深度有限搜索38813.5.5　元解释器构建证明树38913.5.6　可询问用户的元解释器39013.5.7　推迟目标39113.6　本章小结39113.7　参考文献及进一步阅读39213.8　习题392第14章　关系规划、学习和概率推理39614.1　规划个体与关系39614.1.1　情景演算39614.1.2　事件演算40114.2　个体与关系的学习40214.3　概率关系模型40614.4　本章小结41014.5　参考文献及进一步阅读41114.6　习题411第五部分　宏观图景第15章　回顾与展望41615.1　复杂性维度回顾41615.2　社会与道德后果41815.3　参考文献及进一步阅读420附录A　数学基础与记号421参考文献425索引439

《人工智能：计算agent基础》有机地将理论与实践结合起来，既详细地介绍了各种人工智能理论，又提供了实现的思路和程序，这将有利于本科生或研究生在学习人工智能时把对人工智能的理性认识转化为对具体程序的感性认识，从而弥补大部分人工智能教材偏重于理论的缺陷。本书可供计算机科学或计算机工程、哲学、认知科学和心理学等相关学科的高年级本科生或研究生学习。