人工智能 一种现代方法PDF电子书下载

第一部分 人工智能 3

第1章 绪论 3

1.1 什么是人工智能 3

1.1.1 类人行为：图灵测试方法 4

1.1.2 类人思考：认知模型方法 4

1.1.3 理性地思考：“思维法则”方法 5

1.1.4 理性地行动：理性智能体方法 5

1.2 人工智能的基础 6

1.2.1 哲学（公元前428年—现在） 6

1.2.2 数学（约800年—现在） 8

1.2.3 经济学（1776年—现在） 9

1.2.4 神经科学（1861年—现在） 10

1.2.5 心理学（1879年—现在） 11

1.2.6 计算机工程（1940年—现在） 12

1.2.7 控制论（1948年—现在） 13

1.2.8 语言学（1957年—现在） 14

1.3 人工智能的历史 14

1.3.1 人工智能的孕育期（1943年—1955年） 14

1.3.2 人工智能的诞生（1956年） 15

1.3.3 早期的热情，巨大的期望（1952年—1969年） 15

1.3.4 现实的困难（1966年—1973年） 17

1.3.5 基于知识的系统：力量的钥匙？（1969年—1979年） 19

1.3.6 AI成为工业（1980年—现在） 20

1.3.7 神经元网络的回归（1986年—现在） 20

1.3.8 AI成为科学（1987年—现在） 21

1.3.9 智能化智能体的出现（1995年—现在） 22

1.4 目前发展水平 22

1.5 小结 23

参考文献与历史的注释 24

习题 24

第2章 智能化智能体 26

2.1 智能体和环境 26

2.2 好的行为表现：理性的概念 28

2.2.1 性能度量 28

2.2.2 理性 28

2.2.3 全知者，学习和自主性 29

2.3 环境的本质 30

2.3.1 详细说明任务环境 30

2.3.2 任务环境的属性 32

2.4 智能体的结构 35

2.4.1 智能体程序 35

2.4.2 简单反射型智能体 36

2.4.3 基于模型的反射型智能体 38

2.4.4 基于目标的智能体 39

2.4.5 基于效用的智能体 40

2.4.6 学习智能体 40

2.5 小结 42

参考文献与历史的注释 42

习题 44

第二部分 问题求解 49

第3章 用搜索法对问题求解 49

3.1 问题求解智能体 49

3.1.1 定义明确的问题及解 51

3.1.2 把问题形式化 52

3.2 问题实例 53

3.2.1 玩具问题 53

3.2.2 现实世界问题 55

3.3 对解的搜索 56

3.4 无信息的搜索策略 59

3.4.1 广度优先搜索 59

3.4.2 代价一致搜索 61

3.4.3 深度优先搜索 61

3.4.4 深度有限搜索 62

3.4.5 迭代深入深度优先搜索 63

3.4.6 双向搜索 64

3.4.7 无信息搜索策略的比较 65

3.5 避免重复状态 66

3.6 使用不完全信息的搜索 67

3.6.1 无传感问题 68

3.6.2 偶发性问题 69

3.7 小结 70

参考文献与历史的注释 71

习题 72

第4章 有信息的搜索和探索 76

4.1 有信息的（启发式的）搜索策略 76

4.1.1 贪婪最佳优先搜索 77

4.1.2 A搜索：最小化总的估计解耗散 78

4.1.3 存储限制的启发式搜索 81

4.1.4 为了更好地搜索而学习 83

4.2 启发函数 84

4.2.1 启发函数的精确度对性能的影响 85

4.2.2 设计可采纳的启发函数 85

4.2.3 从经验里学习启发函数 87

4.3 局部搜索算法和最优化问题 88

4.3.1 爬山法搜索 88

4.3.2 模拟退火搜索 91

4.3.3 局部剪枝搜索 92

4.3.4 遗传算法 92

4.4 连续空间的局部搜索 95

4.5 联机搜索智能体和未知环境 96

4.5.1 联机搜索问题 97

4.5.2 联机搜索智能体 98

4.5.3 联机局部搜索 99

4.5.4 联机搜索的学习 101

4.6 小结 101

参考文献与历史的注释 102

习题 105

第5章 约束满足问题 108

5.1 约束满足问题 108

5.2 CSP问题的回溯搜索 111

5.2.1 变量和取值顺序 112

5.2.2 通过约束传播信息 113

5.3 约束满足问题的局部搜索 117

5.4 问题的结构 118

5.5 小结 120

参考文献与历史的注释 121

习题 123

第6章 对抗搜索 125

6.1 博弈 125

6.2 博弈中的优化决策 126

6.2.1 最优策略 127

6.2.2 极小极大值算法 128

6.2.3 多人游戏中的最优决策 128

6.3 α-β剪枝 129

6.4 不完整的实时决策 132

6.4.1 评价函数 132

6.4.2 截断搜索 134

6.5 包含几率因素的游戏 135

6.5.1 有几率节点的游戏中的局面评价 137

6.5.2 期望极小极大值的复杂度 137

6.5.3 牌类游戏 138

6.6 博弈程序的当前发展水平 139

6.7 讨论 141

6.8 小结 142

参考文献与历史的注释 143

习题 146

第三部分 知识与推理 151

第7章 逻辑智能体 151

7.1 基于知识的智能体 152

7.2 wumpus世界 153

7.3 逻辑 155

7.4 命题逻辑：一种非常简单的逻辑 158

7.4.1 语法 158

7.4.2 语义 159

7.4.3 一个简单的知识库 160

7.4.4 推理 161

7.4.5 等价、合法性和可满足性 162

7.5 命题逻辑的推理模式 163

7.5.1 归结 164

7.5.2 合取范式 166

7.5.3 归结算法 166

7.5.4 归结的完备性 167

7.5.5 前向和反向链接 168

7.6 有效的命题推理 170

7.6.1 一个完备的回溯搜索 170

7.6.2 局部搜索算法 171

7.6.3 困难的满足性问题 172

7.7 基于命题逻辑的智能体 173

7.7.1 用逻辑推理寻找陷阱和wumpus 173

7.7.2 录位置和方向 174

7.7.3 基于电路的智能体 175

7.7.4 比较 177

7.8 小结 178

参考文献与历史的注释 179

习题 181

第8章 一阶逻辑 184

8.1 表示方法的回顾 184

8.2 一阶逻辑的语法和语义 187

8.2.1 一阶逻辑的模型 187

8.2.2 符号和解释 188

8.2.3 项 189

8.2.4 原子语句 190

8.2.5 复合语句 190

8.2.6 量词 190

8.2.7 等式 193

8.3 使用一阶逻辑 193

8.3.1 一阶逻辑的断言和查询 194

8.3.2 亲属关系域 194

8.3.3 数、集合和列表 195

8.3.4 wumpus世界 197

8.4 一阶逻辑中的知识工程 199

8.4.1 知识工程的过程 199

8.4.2 电路领域 200

8.5 小结 203

参考文献与历史的注释 203

习题 204

第9章 一阶逻辑中的推理 208

9.1 命题与一阶推理 208

9.1.1 量词的推理规则 208

9.1.2 简化到命题推理 209

9.2 合一和提升 210

9.2.1 一阶推理规则 210

9.2.2 合一 211

9.2.3 存储和检索 212

9.3 前向链接 214

9.3.1 一阶确定子句 214

9.3.2 一个简单的前向链接算法 215

9.3.3 高效的前向链接 216

9.4 反向链接 219

9.4.1 反向链接算法 219

9.4.2 逻辑程序设计 220

9.4.3 逻辑程序的高效实现 221

9.4.4 冗余推理和无限循环 223

9.4.5 约束逻辑程序设计 224

9.5 归结 225

9.5.1 一阶逻辑的合取范式 226

9.5.2 归结推理规则 227

9.5.3 证明的实例 227

9.5.4 归结的完备性 229

9.5.5 处理等式 231

9.5.6 归结策略 232

9.5.7 定理证明机 233

9.6 小结 236

参考文献与历史的注释 236

习题 240

第10章 知识表示 244

10.1 本体论工程 244

10.2 类别和对象 246

10.2.1 物质成份 247

10.2.2 度量 249

10.2.3 物质和对象 249

10.3 行动、情景和事件 250

10.3.1 情景演算本体论 250

10.3.2 描述情景演算中的行动 252

10.3.3 解决表示框架问题 253

10.3.4 解决推理框架问题 254

10.3.5 时间和事件演算 255

10.3.6 一般化事件 255

10.3.7 过程 257

10.3.8 区间 258

10.3.9 流和对象 259

10.4 精神事件和精神对象 260

10.4.1 关于信度的形式理论 260

10.4.2 知识和信度 262

10.4.3 知识、时间和行动 262

10.5 因特网购物世界 263

10.6 类别的推理系统 267

10.6.1 语义网络 267

10.6.2 描述逻辑 269

10.7 缺省信息推理 270

10.7.1 开放世界和封闭世界 270

10.7.2 失败否定式和稳定模型语义 272

10.7.3 界限和缺省逻辑 273

10.8 真值维护系统 275

10.9 小结 276

参考文献与历史的注释 276

习题 281

第四部分 规划 289

第11章 规划 289

11.1 规划问题 289

11.1.1 规划问题语言 290

11.1.2 表达能力和延伸 291

11.1.3 例：航空货物运输 292

11.1.4 例：备用轮胎问题 293

11.1.5 例：积木世界 293

11.2 状态空间搜索规划 294

11.2.1 前向状态空间搜索 295

11.2.2 后向状态空间搜索 296

11.2.3 状态空间搜索的启发式 297

11.3 偏序规划 298

11.3.1 一个偏序规划的例子 301

11.3.2 无约束变量的偏序规划 303

11.3.3 偏序规划启发式 303

11.4 规划图 304

11.4.1 规划图的启发式估计 305

11.4.2 GRAPHPLAN算法 306

11.4.3 GRAPHPLAN的终止 308

11.5 命题逻辑规划 309

11.5.1 用命题逻辑描述规划问题 309

11.5.2 命题编码的复杂度 311

11.6 规划方法分析 312

11.7 小结 313

参考文献与历史的注释 314

习题 316

第12章 现实世界的规划与行动 320

12.1 时间、调度表和资源 320

12.2 分层任务网络规划 324

12.2.1 表示行动分解 325

12.2.2 为分解修改规划器 326

12.2.3 讨论 328

12.3 在非确定性领域中进行规划和行动 329

12.4 条件规划 331

12.4.1 完全可观察环境中的条件规划 331

12.4.2 部分可观察环境中的条件规划 334

12.5 执行监控和重新规划 337

12.6 持续规划 340

12.7 多智能体规划 343

12.7.1 合作：联合目标和规划 344

12.7.2 多体规划 344

12.7.3 协调机制 346

12.7.4 竞争 347

12.8 小结 347

参考文献与历史的注释 347

习题 350

第五部分 不确定知识与推理 355

第13章 不确定性 355

13.1 不确定环境下的行动 355

13.1.1 处理不确定知识 356

13.1.2 不确定性与理性决策 357

13.1.3 决策理论智能体的设计 358

13.2 基本概率符号表示 358

13.2.1 命题 358

13.2.2 原子事件 359

13.2.3 先验概率 360

13.2.4 条件概率 361

13.3 概率公理 362

13.3.1 使用概率公理 363

13.3.2 为什么概率公理是合理的 363

13.4 使用全联合分布进行推理 365

13.5 独立性 367

13.6 贝叶斯法则及其应用 368

13.6.1 应用贝叶斯法则：一个简单例子 368

13.6.2 使用贝叶斯法则：合并证据 369

13.7 重游wumpus世界 371

13.8 小结 373

参考文献与历史的注释 374

习题 375

第14章 概率推理 378

14.1 不确定域中的知识表示 378

14.2 贝叶斯网络的语义 380

14.2.1 表示全联合概率分布 380

14.2.2 贝叶斯网络中的条件独立关系 383

14.3 条件分布的有效表达 384

14.4 贝叶斯网络中的精确推理 387

14.4.1 通过枚举进行推理 387

14.4.2 变量消元算法 389

14.4.3 精确推理的复杂度 391

14.4.4 团算法 392

14.5 贝叶斯网络的近似推理 392

14.5.1 直接采样算法 392

14.5.2 马尔可夫链仿真推理 396

14.6 把概率扩展到一阶表示 398

14.7 不确定推理的其它方法 401

14.7.1 基于规则的不确定推理方法 402

14.7.2 表示无知性：Dempster-Shafer理论 403

14.7.3 表示模糊性：模糊集与模糊逻辑 404

14.8 小结 405

参考文献与历史的注释 406

习题 409

第15章 关于时间的概率推理 413

15.1 时间与不确定性 413

15.1.1 状态与观察 414

15.1.2 稳态过程与马尔可夫假设 414

15.2 时序模型中的推理 416

15.2.1 滤波和预测 417

15.2.2 平滑 419

15.2.3 寻找最可能序列 421

15.3 隐马尔可夫模型 422

15.4 卡尔曼滤波器 424

15.4.1 更新高斯分布 425

15.4.2 一个简单的一维例子 426

15.4.3 一般情况 428

15.4.4 卡尔曼滤波器的适用性 429

15.5 动态贝叶斯网络 430

15.5.1 构造动态贝叶斯网络 430

15.5.2 动态贝叶斯网络中的精确推理 433

15.5.3 动态贝叶斯网络中的近似推理 434

15.6 语音识别 437

15.6.1 语音 438

15.6.2 词语（word） 440

15.6.3 语句 441

15.6.4 搭建语音识别器 443

15.7 小结 444

参考文献与历史的注释 445

习题 447

第16章 制定简单决策 450

16.1 在不确定性环境下结合信度与愿望 450

16.2 效用理论基础 451

16.2.1 理性偏好的约束 451

16.2.2 然后就有了效用 453

16.3 效用函数 453

16.3.1 金钱的效用 454

16.3.2 效用范围和效用评估 455

16.4 多属性效用函数 457

16.4.1 优势 457

16.4.2 偏好结构和多属性效用 458

16.5 决策网络 460

16.5.1 使用决策网络表示决策问题 460

16.5.2 评价决策网络 461

16.6 信息价值 462

16.6.1 一个简单例子 462

16.6.2 一个通用公式 462

16.6.3 信息价值的属性 464

16.6.4 实现信息收集智能体 464

16.7 决策理论的专家系统 465

16.8 小结 467

参考文献与历史的注释 467

习题 469

第17章 制定复杂决策 472

17.1 延续式决策问题 472

17.1.1 一个例子 472

17.1.2 延续式决策问题中的最优化 474

17.2 价值迭代 476

17.2.1 状态效用值 476

17.2.2 价值迭代算法 477

17.2.3 价值迭代的收敛 478

17.3 策略迭代 480

17.4 部分可观察的MDP 481

17.5 决策理论智能体 484

17.6 多智能体的决策：博弈论 485

17.7 机制设计 492

17.8 小结 494

参考文献与历史的注释 495

习题 496

第六部分 学习 501

第18章 从观察中学习 501

18.1 学习的形式 501

18.2 归纳学习 502

18.3 学习决策树 504

18.3.1 作为执行元件的决策树 504

18.3.2 决策树的表达能力 505

18.3.3 从实例中归纳决策树 506

18.3.4 选择属性测试 508

18.3.5 评估学习算法的性能 509

18.3.6 噪声和过拟合 510

18.3.7 扩展决策树的适用性 512

18.4 集体学习 512

18.5 为什么学习是可行的：计算学习理论 515

18.5.1 需要多少个实例 516

18.5.2 决策表学习 517

18.5.3 讨论 519

18.6 小结 519

参考文献与历史的注释 519

习题 521

第19章 学习中的知识 524

19.1 学习的逻辑公式 524

19.1.1 实例和假设 524

19.1.2 当前最佳假设搜索 526

19.1.3 最少约定搜索 527

19.2 学习中的知识 530

19.2.1 一些简单的例子 531

19.2.2 一些一般方案 531

19.3 基于解释的学习 532

19.3.1 从实例中抽取一般规则 533

19.3.2 提高效率 534

19.4 使用相关信息进行学习 535

19.4.1 决定假设空间 536

19.4.2 学习和使用相关性信息 536

19.5 归纳逻辑程序设计 538

19.5.1 一个例子 539

19.5.2 自顶向下的归纳学习方法 541

19.5.3 使用逆向演绎的归纳学习 543

19.5.4 通过归纳逻辑程序设计进行发现 544

19.6 小结 545

参考文献与历史的注释 546

习题 548

第20章 统计学习方法 550

20.1 统计学习 550

20.2 完整数据下的学习 553

20.2.1 最大似然参数学习：离散模型 553

20.2.2 朴素贝叶斯模型 555

20.2.3 最大似然参数学习：连续模型 555

20.2.4 贝叶斯参数学习 557

20.2.5 学习贝叶斯网络的结构 558

20.3 隐变量学习：EM算法 559

20.3.1 无监督聚类：学习混合高斯分布 560

20.3.2 学习含有隐变量的贝叶斯网络 562

20.3.3 学习隐马尔可夫模型 563

20.3.4 EM算法的一般形式 564

20.3.5 学习含有隐变量的贝叶斯网络结构 564

20.4 基于实例的学习 565

20.4.1 最近邻模型 565

20.4.2 核模型 567

20.5 神经元网络 568

20.5.1 神经元网络中的单元 568

20.5.2 网络结构 569

20.5.3 单层前馈神经元网络（感知器） 570

20.5.4 多层前馈神经元网络 573

20.5.5 对神经元网络结构进行学习 576

20.6 核心机 576

20.7 案例分析：手写体数字识别 579

20.8 小结 580

参考文献与历史的注释 581

习题 584

第21章 强化学习 587

21.1 介绍 587

21.2 被动强化学习 588

21.2.1 直接效用估计 589

21.2.2 自适应动态规划 589

21.2.3 时序差分学习 591

21.3 主动强化学习 592

21.3.1 探索 593

21.3.2 学习行动-价值函数 595

21.4 强化学习中的一般化 596

21.4.1 博弈中的应用 599

21.4.2 机器人控制中的应用 599

21.5 策略搜索 600

21.6 小结 602

参考书目与历史的注释 603

习题 605

第七部分 通讯、感知与行动 609

第22章 通讯 609

22.1 作为行动的通讯 609

22.1.1 语言的基本原理 610

22.1.2 通讯的组成步骤 611

22.2 部分英语的形式语法 613

22.2.1 E0的词典 613

22.2.2 E0的语法 614

22.3 句法分析（Parsing） 615

22.4 增强语法 620

22.4.1 动词的次范畴化 622

22.4.2 增强语法的生成能力 623

22.5 语义解释 624

22.5.1 部分英语的语义 625

22.5.2 时间和时态 625

22.5.3 量词限定 626

22.5.4 语用解释 628

22.5.5 利用DCG生成语言 629

22.6 歧义和排歧 629

22.7 篇章理解 632

22.7.1 指代消解 632

22.7.2 连贯的篇章结构 633

22.8 语法归纳 634

22.9 小结 636

参考文献与历史的注释 636

习题 639

第23章 概率语言处理 643

23.1 概率语言模型 643

23.1.1 概率的上下文无关语法 645

23.1.2 学习PCFG的概率 646

23.1.3 学习PCFG的规则结构 647

23.2 信息检索 647

23.2.1 评价IR系统 649

23.2.2 IR的改进方法 650

23.2.3 结果集合的表示 651

23.2.4 IR系统的实现 652

23.3 信息抽取 653

23.4 机器翻译 655

23.4.1 机器翻译系统 656

23.4.2 统计机器翻译 657

23.4.3 机器翻译的概率学习 659

23.5 小结 660

参考文献与历史的注释 661

习题 663

第24章 感知 665

24.1 介绍 665

24.2 图像生成 666

24.2.1 无透镜成像——针孔照相机 666

24.2.2 透镜系统 667

24.2.3 光线：成像过程中的光度学特性 668

24.2.4 色彩：成像中的分光谱光度学 669

24.3 初级图像处理运算 669

24.3.1 边缘检测 670

24.3.2 图像分割 672

24.4 提取三维信息 672

24.4.1 运动 673

24.4.2 双目立体视觉 675

24.4.3 纹理梯度 677

24.4.4 明暗 677

24.4.5 轮廓 678

24.5 物体识别 681

24.5.1 基于亮度的识别 682

24.5.2 基于特征的识别 683

24.5.3 姿态估计 685

24.6 利用视觉实现操纵和导航 686

24.7 小结 687

参考文献与历史的注释 688

习题 690

第25章 机器人学 692

25.1 介绍 692

25.2 机器人硬件 693

25.2.1 传感器 693

25.2.2 效应器 694

25.3 机器人的感知 696

25.3.1 定位 697

25.3.2 绘制地图 701

25.3.3 其它类型的感知 703

25.4 运动规划 703

25.4.1 构型空间 704

25.4.2 单元分解方法 706

25.4.3 抽骨架方法 707

25.5 规划不确定的运动 708

25.6 运动 711

25.6.1 动力学和控制 711

25.6.2 势场控制 713

25.6.3 反应式控制 714

25.7 机器人软件体系结构 715

25.7.1 包容体系结构 715

25.7.2 三层体系结构 716

25.7.3 机器人程序设计语言 716

25.8 立用领域 717

25.9 小结 719

参考文献与历史的注释 720

习题 722

第八部分 结论 729

第26章 哲学基础 729

26.1 弱人工智能：机器能够智能地行动吗 729

26.1.1 能力缺陷方面的论点 730

26.1.2 数学异议 731

26.1.3 非形式化的论点 732

26.2 强人工智能：机器能够真正思考吗 733

26.2.1 精神—肉体问题 734

26.2.2 “钵中之脑”实验 735

26.2.3 大脑置换实验 736

26.2.4 中文屋子 737

26.3 发展人工智能的道德规范与风险 739

26.4 小结 742

参考文献与历史的注释 742

习题 744

第27章 人工智能：现状与未来 745

27.1 智能体的组成部分 745

27.2 智能体体系结构 747

27.3 我们在沿着正确的方向前进吗 748

27.4 如果人工智能成功了会怎样 749

附录A 数学背景 751

A.1 复杂度分析与O（）符号 751

A.1.1 渐近分析 751

A.1.2 NP以及固有的难题 752

A.2 向量、矩阵和线性代数 753

A.3 概率分布 754

参考文献与历史的注释 755

附录B 关于语言和算法的注释 757

B.1 用巴克斯—瑙鲁范式（BNF）定义语言 757

B.2 算法的伪代码描述 757

B.3 联机帮助 758